跳到主要內容

臺灣博碩士論文加值系統

(18.204.48.69) 您好!臺灣時間:2021/07/27 23:22
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:陳政宇
研究生(外文):Zheng-Yu Chen
論文名稱:應用空間資訊與布林粗集合於土石流之研究-以陳有蘭溪流域為例
論文名稱(外文):The Application Boolean Rough Set and Spatial Information Subjected to the Debris Flow-A Case Study on Chen-Yu-Lan River
指導教授:萬絢萬絢引用關係
指導教授(外文):Shiuan Wan
學位類別:碩士
校院名稱:嶺東科技大學
系所名稱:資訊科技應用研究所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2007
畢業學年度:95
語文別:中文
論文頁數:78
中文關鍵詞:布林粗集合模糊分群法支援向量機集水區面積主流平均坡度
外文關鍵詞:Boolean Rough SetFuzzy c-meansSVMWatershed areaAverageof primary slope
相關次數:
  • 被引用被引用:1
  • 點閱點閱:393
  • 評分評分:
  • 下載下載:46
  • 收藏至我的研究室書目清單書目收藏:0
土石流對台灣災害非常嚴重,然而,土石流的水文和地文因子收集有賴於地理資訊系統(GIS)、數值高程模型(DEM)與衛星遙感探測(SPOT)等相關技術取得。本研究使用上述的相關空間技術並整合布林粗集合理論來達到資訊化約的目的,透過此種新的化約方式能夠在模糊與不確定的土石流中有效的擷取資訊,並透過決策屬性的建立有效將影響因子萃取出來,此方式極為合適用分類問題中之所需資訊。本研究判釋成果顯示,比較布林粗集合+模糊分群法與支援向量機分析法三者判釋成果,以布林粗集合所擷取到的重要因子來提昇土石流判釋準確度,布林粗集合顯示的分類準確度達72%優於其他二者。

本研究以交叉驗證法,從陳有蘭溪土石流的資料庫219筆中,選取20筆資料訓練,利用粗糙集合理論建立知識規則,依其將真值量化後之離散化算法,求出重要核心因子,獲得知識界限圖(門檻值),並利用其知識界限對其餘199筆進行測試。本研究的貢獻在(1)從陳有蘭溪流域中所建構之龐大的資訊系統中,找出土石流判釋率之規則。(2)經由所建立之知識規則庫,可得知最重要的影響因子依次為集水區面積、主流平均坡度、河川頻率等重要屬性因子。(3)建立土石流災害潛勢圖,對於土石流判釋有一定分類之成效,以便能快速、即時提供給專家學者們對土石流災害監測、參考之用。
Debris flow is very serious to the calamity of Taiwan. However, debris flow’s geomorphologic factors are collected through relevant technology such as GIS, DEM and SPOT ...etc. This research uses above-mentioned spatial information technology and Boolean Rough Set to achieve the goal of information simplification. Most of the current research relied this new technology to extract the information of chaotic data in debris flow. The relations between attributes and decision were established through Boolean Rough Set Then, the influence factors were generated. This study is also compared with the well-known cluster - Fuzzy c-means method and the classifier of support vector machine(SVM) to approach three accuracy rates of the prediction model. It is found that Boolean Rough Set could attain the accuracy rate for debris flow of 72 %. Therefore the contributions of using Boolean Rough Set in the debris flow classification information provided helpful resolution which is superior than those of Fuzzy c-means and SVM.
The study also used Cross-Validation to choose the 20 numbers training data set from the database of debris flow hazard area of Chen Yu Lan River. The Boolean Rough Set algorithm was developed to computer program to find threshold and core attributes. The knowledge scope diagram is generated by using threshold values. The contributions of this study are shown as : (1)The research can find the optimum accuracy rate of debris flow from the Chen-Yu-Lan database.(2) Watershed area, Average of primary slope, Stream frequency are the major influenced factors for debris flows. (3) Aftermath, the debris flows potential diagrams are drawn and a rational accuracy rate of landslide is calculated. Thus, an instant and on-time monitoring and management of debris flows strategy can be made.
目 錄
目 錄 i
表 目 錄 iii
圖 目 錄 v
第一章 緒論 1
第一節 前言 1
第二節 研究動機與目的 2
第三節 研究範圍 2
第四節 研究步驟 5
第五節 研究內容 5
第二章 文獻回顧 8
第一節 國內對於土石流之相關研究 8
第二節 國外對於土石流之相關研究 11
第三節 實証區的簡介 12
壹、自然因素 12
貳、人為開發情形 13
參、國內近年颱風造成實証地區災害 14
第四節 交叉驗證法 16
第三章 研究方法 18
第一節 研究地區資料取得 18
第二節 影響因子資料庫建置 22
第三節 分類技術應用 23
壹、粗集合理論 24
貳、Fuzzy c-means分群法 28
參、支援向量機分析法 32
第四章 實證成果與討論 44
第一節 布林粗集合分析 44
第二節 建立土石流知識規則庫 49
第三節 Fuzzy c-means分析 51
第四節 SVM支援向量機分析 59
第五章 結論與建議 69
第一節 結論 69
第二節 後續建議 74
參考文獻 75






















表 目 錄
表3.1布林粗糙集範例之原始資訊系統表 25
表3.2布林粗糙集範例之新資訊系統表 27
表3.3布林粗糙集範例離散後資訊系統表 28
表3.4 消費者購買狀況 29
表3.5 SVM範例-訓練資料 43
表4.1 20筆訓練樣本-原始資料 46
表4.2 20筆訓練樣本-正規化後 47
表4.3 正規化前後差異溪流-原始資料 48
表4.4 布林粗集合原始與正規化後對199筆測試結果 48
表4.5 布林粗集合-20筆訓練樣本之知識規則表 49
表4.6 FUZZY C-MEANS 20筆訓練資料-正規化 54
表4.7集水區面積與主流平均坡度 20筆訓練資料-正規化 55
表4.8 集水區面積與河川頻率 20筆訓練資料-正規化 56
表4.9 主流平均坡度與河川頻率 20筆訓練資料-正規化 57
表4.10 FUZZY C-MEANS 20筆訓練後-影響因子比較 58
表4.11 FUZZY C-MEANS 20筆訓練後之知識規則 58
表4.12 FUZZY C-MEANS對199筆測試-集水區面積與主流平均坡度 58
表4.13 FUZZY C-MEANS對199筆測試-集水區面積與河川頻率 58
表4.14 FUZZY C-MEANS對199筆測試-主流平均坡度與河川頻率 58
表4.15 SVM 20筆訓練樣本-正規化 62
表4.16 SVM集水區面積與主流平均坡度20筆訓練樣本-正規化 63
表4.17 SVM集水區面積與河川頻率20筆訓練樣本-正規化 64
表4.18 SVM主流平均坡度與河川頻率20筆訓練樣本-正規化 65
表4.19 SVM集水區面積與主流平均坡度14筆支援向量點 66
表4.20 SVM集水區面積與河川頻率12筆支援向量點 66
表4.21 SVM主流平均坡度與河川頻率11筆支援向量點 67
表4.22 SVM 20筆自我測試結果 67
表4.23 SVM對199筆測試-集水區面積與主流平均坡度 67
表4.24 SVM對199筆測試-集水區面積與河川頻率 67
表4.25 SVM對199筆測試-主流平均坡度與河川頻率 68
表5.1 布林粗集合求出知識規則-原始 72






















圖 目 錄
圖1-1 陳有蘭溪流域位置圖 4
圖1-2 研究流程圖 7
圖3-1 航空照片 20
圖3-2 等高線圖 20
圖3-3 219條陳有蘭溪潛勢溪流圖 21
圖3-4 透過 將數值區隔圖 24
圖3-5 消費者購買的知識分割圖 32
圖3-6 最大化邊際圖 33
圖3-7 輸入空間轉換至特徵空間 34
圖3-8 SVM樣本集合 35
圖3-9 Class1 vs Class3子分類器 36
圖3-10 Class2 vs Class3子分類器 36
圖3-11 Class1 vs Class2子分類器 37
圖3-12最大邊際化知識分割圖 42
圖3-13 SVM運作流程-訓練資料 42
圖3-14 SVM運作流程-測試資料 43
圖3-15 訓練資料分佈之樣本空間 43
圖4-1 布林粗集合-20筆訓練樣本的知識規則圖 50
圖4-2 布林粗集合-199筆測試樣本的知識規則圖 50
圖4-3 FUZZY C-MEANS 20筆訓練樣本,集水區面積與主流平均坡度-正規化 55
圖4-4 FUZZY C-MEANS 20筆訓練樣本,集水區面積與河川頻率-正規化 56
圖4-5 FUZZY C-MEANS 20筆訓練樣本,主流平均坡度與河川頻率-正規化 57
圖4-6 SVM 20筆訓練樣本,集水區面積與主流平均坡度-正規化 63
圖4-7 SVM 20筆訓練樣本,集水區面積與河川頻率-正規化 64
圖4-8 SVM 20筆訓練樣本,主流平均坡度與河川頻率-正規化 65
圖5-1 布林粗集合預測之30條陳有蘭溪潛勢溪流 73
參考文獻
[1]王如意(民81)。應用水文學。
[2]王培安、林正道(民91)。土石流危險度之模糊迴歸分析和綜合評判。中原大學土木工程研究所碩士論文。
[3]行政院農委會水土保持局(民85)。http://www.swcb.gov.tw/Newpage
[4]尹承遠(民83)。台灣土石流之特性,工程地質技術應用研討會論文專輯,第70~90頁。
[5]內政部(民84)。非都市土地開發審議規範之標準,山坡地保育利用條例施行細則。
[6]內政部(民89)。國土保全總體檢。
[7]左天雄、陳明棠(民90)。臺灣北部地區土石流潛勢溪流危險度與預警分析之研究:類神經網路與模糊理論之應用,國立台灣大學土木工程研究所碩士論文。
[8]林基源(民92)。「陳有蘭溪流域土石流發生潛勢判定模式之研究」,博士論文,國立中興大學土木工程學系。
[9]林炳森、陳榮河、林基源(民88)。土石流災害防治與科技應用之研究,土木水利,26(1):9-21。
[10]林昭遠(民89)。集水區地形因子自動萃取之研究-土石流危險溪流判釋之應用,中華水土保持學報,31(1) 81-91。
[11]林昭遠(民89)。地文因子對土石流發生影響之研究-以陳有蘭溪為例,中華水土保持學報第31期,第227-237頁。
[12]林美聆(民92)。陳有蘭溪流域之自然環境資料庫之建立與分析,防災國家型科技計畫辦公室。
[13]林美聆、林信亨(民88)。地理資訊系統應用於土石流危險度判定之研究,台灣大學土木工程研究所碩士論文。
[14]林基源(民92)。土石流危險度分級之研究-以陳有蘭溪為例,朝陽學報,pp165-181。
[15]林雪美、劉盈劭、楊蕙禎(民86)。賀伯颱風後陳有蘭溪流域主要災區調查,臺灣師範大學地理學會,第25-38頁。
[16]江英政(民87)。土石流危險溪流判定之研究,台灣大學土木工程研究所碩士論文。
[17]李杰樺(民91),「土石流潛勢溪流之危險度判定-以陳有蘭溪流域為例」,國立中興大學土木工程學系研究所碩士論文。
[18]李心平(民84)。智慧型控制理論於土石流預警系統之研究,台灣大學農業工程學研究所碩士論文。
[19]李雄飛、李軍(民92),數據挖掘與知識發現,高等教育出版社。
[20]李國忠(民85)。台大實驗林地,新中橫興建的影響。
[21]足立勝治、德山久仁夫、中筋章人、中山政一、二宮壽男、大八木俊(民66)。土石流危險度的判定,新砂防,第106期,第7-16頁。
[22]周天穎(民88)。集水區整治率評估模式之探討,中華水土保持學報。
[23]周天穎、雷祖強(民92)。空間資訊技術於土石流減災決策支援系統建置之研究,中華水土保持學報,第三十四卷,第三期,pp.281-294。
[24]周必凡、李德基、羅德富、呂儒仁、楊慶溪(民80)。泥石流防治指南,中國科學院水利部-成都山地災害與環境研究所。
[25]岩泉男、池谷浩(民67)。土石流危險區域調查警戒避難基準雨量的想定方法,新砂防,第108期,第19-27頁。
[26]黃繼寬(民94)。考慮產業差異下,信用評分模型效力分析以Cross Validation為例,東吳大學經濟學系未出版之碩士論文。
[27]陳秋份(民96)。土石流危險溪流危險度之區分,國立成功大學水利及海洋研究所碩士論文。
[28]陳利銓(民91)。以約略集合方法進行知識擷取。
[29]陳宏宇(民86)。地質災害何時了,環耕,第9期,第23-29頁。
[30]陳宏宇(民87)。土石流,地球科學園地,第6期,第3-11頁。
[31]張成璞(民84)。地理資訊系統應用於土石流潛在溪流之危險度判定,國立成功大學水利及海洋研究所碩士論文。
[32]張東炯(民89)。類神經網路於土石流發生預測模式之研究,台灣水利期刊,第四十八卷,第二期,第92~98頁。
[33]張子瑩(民93)。暴雨與地震發崩塌發生區位之比較以陳有蘭溪流域為例,地理學報第三十五期1-16
[34]張瑞津(民87)。台灣中部活斷層的分布與地形特徵,台灣師大地理研究所地理研究報告,第35期,第85~120頁。
[35]蕭震洋(民91)。土石流溪流危險強度判定模式之初步成果-以陳有蘭溪流域為例,中國地質學會九十二年年會暨學術研討會。
[36]傅裕盛(民93)。模糊理論應用於土石流危險度分析之研究,國立成功大學水利及海洋工程研究所碩士論文。
[37]謝正倫、陳禮仁(民81),「土石流潛在溪流之危險度的評估方法」,中華水土保持學報,第二十四卷,第一期,pp.13-19。
[38]謝正倫(民80)。土石流預警系統之研究,第130號。國立成功大學台南水工試驗所。
[39]詹錢登(民83)。土石流概論」,科技圖書出版。
[40]詹錢登(民83)。土石流危險度之評估與預測,中華水土保持學報,第二十五卷,第二期,pp.95-102。
[41]詹士勝(民83)。土石流危險溪流之危險度判定模式之研究,國立台灣大學土木工程學研究碩士論文。
[42]蘇育瑞(民84)。地理資訊系統應用於花蓮地區土石流危險溪流判定之判定,國立台灣大學土木工程學研究碩士論文。
[43]B. Walczak, D.L. Massart, 1999, “Rough sets theory”. Chemometrics and Intelligent Laboratory Systems vol.47, 1~16。
[44]Campbell, R.H(1975). ”Soil slips, debris flows, and rainstorms in the Santa Monica Mountains and vicinity, Southern California, U.S.”Geological Survey Professional Paper 851.
[45]Dunn, J. C.(1974). A fuzzy relative of the ISODATA process and its use in detecting compact, well-separated couster. J. Cybernet, 3, 32-57.
[46]Bezdek, J. C.(1980). Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum.
[47]Pawlak, Z. ,1982,"Rough sets," Internat. J. Comput. and Inform. Sci. 11, 341-356
[48]Ping-Sien Lin,Ji-Yuan Lin,Jui-Chi Hung,Ming-Der Yang,(2002).”Assessing debris-flow hazard in a watershed in Taiwan.”Journal of Engineering Geology 66, 295-313.
[49]Matthias Jakob,(2004).”A size classification for debris flows.” Journal of Engineering Geology79,151-161.
[50]Van Dine, D.F.,(1985).” Debris flow and debris Torrents in the Southern Canadian Cordillera, Can.” Journal of Geotech.J.,22,44~68.
[51]Michael J.Bovis,Matthias Jakob,(1999).”The role of debris supply conditions in predicting debris flow activity. “Journal of Earth Surf Landforms24,1039-1054.
[52]Takahashi.T,(1977)”A mechanism of occurrence of mud-debris flow and their characteristics in motion,Disaster Prevention Res.Inst.”Annusls 20B2,405-435.
[53]Lawrence O.Hall,Nitesh Chawla and Kevin W.Bowyer,(1998)”Decision tree learning on very large data sets.” Journal of Neurocomputing 57, 12-20.
[54]J.R. Quinlan,(1996). “Improved use of continuous attributes in C4.5.”Journal of Artificial Intelligence Research,V.4, 77-90.
[37]Juang, C.H. and Chen,C.J.(2000),”A rational method for development of limit state for liquefaction evaluation based on shear wave velocity measurements, International Journal Geographical Information Systems.5(3):267-285.
[55]V. David Sanchez A.,(2003). “Advanced support vector machines and kernel methods. “Journal of Neurocomputing 55, 5-20.
[56]Chidanand Apte , Sholom Weiss,(1997).”Data mining with decision trees and decision rules.” Journal of Future Generation Computer Systems13, 197-210.
[57]G.J. KOEHLER,(1995).”Theory and practice of decision tree induction.” Journal of omega,int.J.mgmt sci.vol.23,no.6,637-652.
[58]Davide Anguita , Sandro Ridella,Dario Sterpi, (2004). “A new method for multiclass support vector machines.” Journal of Neural Networks14,102-112.
[59]Douglas Hardin,Ioannis Tsamardinos,Constantin F.Aliferis,(2004). “A theoretical characterization of linear SVM-based feature selection. “Appearing in proceedings of the 21st international conference on machine learning,Banff,Canada.
[60]John C.Platt,Nello Cristianini,(2000). “Large margin DAGs for multiclass classification.” S.A. Solla,T.K.Leen and K.-R. Muller eds.pp.547- 553,MIT Press.
[61]V. David Sanchez A.,(2003). “Advanced support vector machines and kernel methods. “Journal of Neurocomputing 55, 5-20.
[62]Vapnik (1995). Support-vector network. Machine Learning 20, 273-297
[63]C.W.J.Weston,(1999).”Support vector machines for multiclass pattern recognition.”Proceedings of the 7th European Symposium on Artificial Neural Networks.
[64]Nguyen S H, Skowron A, (1995), “Quantization of Real Value Attributes-Rough Set and Boolean Reasoning Approach.” Proc of the Second Joint Conference on Information Sciences, pp.34~37
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top