| 年度 |
108年度 |
| 主管單位 |
行政院農業委員會水土保持局 |
| 執行單位 |
國立成功大學 |
| 預算來源 |
科技經費 |
| 執行經費(仟元) |
NT$1000.00 |
| 執行期間(起＆迄) |
2019/1/1~2019/12/31 |
| 計畫主持人 |
林冠瑋 |
| 計畫重點描述 |
大規模崩塌產生的地表振動訊號可被鄰近地震儀記錄下來，因此近年來地動訊號分析被廣泛用於邊坡塊體滑動的研究。從連續地動記錄中判別出崩塌訊號以往多是仰賴人工判讀，不僅過於曠日廢時，判釋結果也深受分析人員的經驗及主觀判斷影響。將機器學習技術應用到地動訊號的自動判釋，可更加快速且客觀的找出崩塌事件的時間點，大量減少在判釋崩塌事件的時間及人力成本。本計畫利用642個已知振動類型的地動訊號作為分類器的訓練樣本，藉由計算時間域及頻率域上的訊號特徵值，配合機器學習演算法，建立出連續地震記錄的自動分類器。將自動分類器運用於2018年及2019的颱風及豪雨事件，可以成功辨識出6個由崩塌所產生的地表振動訊號。分析崩塌地動訊號發現崩塌面積與包絡線面積，以及崩塌體積與平均地表速度大致呈現正相關，表示利用崩塌地動訊號有機會進一步用於評估崩塌量體。利用崩塌地動訊號提供的93個崩塌發生時間，進一步統計促崩降雨參數，結果反映出引發大規模崩塌並不需要極端的小時降雨量，長時間的持續降雨以及大量的累積降雨是引發大規模崩塌的主要因素。引發大規模崩塌的土壤水分指數統計結果顯示，需要大量的水分進入深層材料中才能引發大規模崩塌，且觸發大規模崩塌的前期降雨高於小規模崩塌。 |
| 必要工作項目 |
1. 大幅增加自動化辨識指標，至少測試20種指標，以精進現有崩塌訊號自動化辨識技術。
2. 採用不同演算法建立各類機器學習模型，並測試各類模型運用於地動訊號分類之效果。
3. 針對崩塌類型及規模進行分類後，重新探討目前之促崩降雨門檻，並且建立後續雨量基準值修正與崩塌地動訊號分析搭配運用的方法。 |
| 預期成果產出 |
1. 自動化辨識指標增加為20種以上，提升崩塌訊號自動辨識技術。
2. 修正大規模崩塌促崩降雨門檻。 |
| 對應方案課題 |
|
| 檔案下載 |
全文報告
中英文摘要
精簡報告
成果海報
|