臺灣博碩士論文加值系統

空間決策支援系統結合了地理資訊系統技術與決策支援理論，可提升對空間問題的決策效能，在過去分析崩塌地的研究著重於統計和模擬，但對於崩塌地來說，這似乎不能夠充分表達出導致發生崩塌的因素。在資訊領域裡，所有災害分析都是以資料維度縮減的分類技術（dimensional reduction）進行，它可以協助使用者從大量的資料中挖掘資料間的結構、簡化資料的複雜性。
本研究採用聚類分析K-means結合粒子群最佳化（Particle Swarm Optimization）在知識界限圖內，本研究嘗試以非監督式最佳化的群聚的觀念，代替監督式學習分類的成果，該地區的土壤情況資料，也作為研究的一部分，以雪霸崩塌地的資料庫中，選取最具代表性的資料，再利用亂度基礎分類法（Entropy-Based Classification）求得重要屬性之切割點，利用粒子群最佳化建立知識規則。即以研究區內崩塌地的空間分布進行運用KPSO（K-means + Particle Swarm Optimization）分析，並取得崩塌地之地文、水文因子、地形因子、植生因子等相關因子探討，崩塌之影響機制及崩塌地潛勢分布，同時與資訊分類方法中SOM （Self Organization Map）進行比較，期能有助於掌握崩塌發生之詮釋空間資訊，進而建置完整之崩塌地決策支援系統。

The SDSS (Spatial Decision Support System) integrates GIS and the theory of Decision Support System. Numerous of past studies are focused on the statistical analysis. However, for a single event of landslide, this seems inadequate of understanding the observed factors to induce landslide. Thus, dimensional reduction becomes a feasible solution on information based techniques to handle the complexity on attributes of data on landslide.
Accordingly, the present study used a hybrid model of K-means and Particle Swarm Optimization to resolve the complexity on the attribute of data regarding to the landslide factors. That is, an unspervised clustering approach is substitute the conventional supervised approach. As part of this study, a series of extensive in-situ data of soil condition is investigated. Those data contain geomorphological, hydraulic conditions and vegetation distribution from Spatial-Information (GIS and RS) database. Also, the well-known technique of SOM (Self organization Map) is used for comparison. Based on the well-developed classifier, our SDSS can spatially depict the landslide zone successfully.

摘 要 I
誌 謝 III
目 錄 IV
表 目 錄 VI
圖 目 錄 VII
第一章 緒論 1
第一節 研究動機 1
第二節 研究目的 2
第三節 研究架構 2
第二章 文獻回顧 4
第一節 崩塌地之定義 4
第二節 地理資訊系統之應用 5
壹、地理資訊系統的定義 5
貳、空間資訊技術所使用之資料型態 6
參、新一代之地理資訊系統 8
肆、崩塌地判釋與預測技術 9
第三節 維度縮減 11
第四節 資料分群 12
壹、K-means聚類法 12
貳、粒子群最佳化演算法 13
參、自組特徵映射網路 14
第五節 交叉驗證法 15
第三章 研究地區與資料概述 17
第一節 研究地區環境與地理位置簡介 17
壹、比壽潭山 18
貳、南坑溪 18
第二節 研究資料概述 19
第三節 崩塌地分析資料庫 29
第四章 研究方法 31
第一節 遙測之原理 33
壹、遙測於地貌與地物辨識之應用 34
貮、崩塌地判釋方法 35
第二節 地質災害敏感地 36
第三節 維度縮減技術(DIMENSIONAL REDUCTION)與KPSO 37
壹、維度縮減 37
貳、Alternative KPSO-clustering 38
參、維度縮減技術 42
第四節 自組特徵映射網路 45
壹、自組特徵映射網路簡介 45
貳、SOM演算步驟 46
參、SOM驗證方法 47
第五章 成果與討論 48
第一節 知識規則 48
第二節 崩塌地實證區驗證 64
壹、南坑溪區 64
貳、比壽潭山區 67
第三節 驗證方法 70
第四節KPSO與SOM之判釋率 83
第六章 結論與建議 84
第一節 結論 84
第二節 建議 84
參考文獻 86
附錄A 91
附錄A-1案例一地質災害敏感地資料表 92
附錄A-2案例二地質災害敏感地資料表 93
附錄A-3案例三地質災害敏感地資料表 94
附錄B 95
附錄C 99

[1]王吉成、萬絢，「應用空間資訊技術與布林粗集合分析雪霸崩塌地」，台灣地理資訊學會年會學術研討會暨國土資訊系統博覽會，民國95年。
[2]王鑫、李光中，「新開挖道路邊坡之穩定性預測及追蹤查證」，行政院國家科學委員會防災科技研究報告 77-21 號，民國77年。
[3]中華水土保持學會，「水土保持手冊」，台灣省水土保持局，民國81年，35-37頁。
[4]行政院農委會水土保持局，「結合遙測與數位高程模型分析技術以強化崩塌潛勢判定之研究」，南投市，民國93年。
[5]李鈞宇，「應用高斯過程建立新中橫公路邊坡崩塌預測模式之研究」，國立臺灣科技大學營建工程系碩士論文，民國94年。
[6]李若愚，「地理資訊系統概論」，台北市，全華科技股份有限公司，民國95年。
[7]李易儒，「運用空間資訊技術建立崩塌地發生機率模式之研究」，逢甲大學土地管理學系碩士論文，民國94年。
[8]周天穎，「地理資料系統理論與實務」，台北市，儒林圖書有限公司，民國92年，4-2~4-59頁。
[9]周朝富、鄭祈全，「利用SPOT 衛星資訊探測林地覆蓋變遷之研究」，林業試驗所研究報告季刊，民國81年，第7卷第4期，305~317頁。
[10]林書毅，「區域性山坡穩定評估方法探討-以林口台地為例」，國立中央大學應用地質研究所碩士論文，民國88年。
[11]林彥享，「運用類神經網路進行地震誘發之潛感分析」，國立中央大學應用地質研究所碩士論文，民國92年。
[12]柳榗，「大雪山示範林區森林植物生態之調查(南坑溪流域)」，臺灣省林業試驗所報告第81號，民國50年。
[13]陳慶逸、余繁，「應用於資料探勘之演化式群聚分析技術」，智慧型知識經濟暨第二屆演化代計算應用研討會，民國93年，153-161。
[14]陳怡睿、謝舜傑、陳信達，「應用知識庫分類法判釋SPOT衛星影像坡地崩塌之研究」，台灣地理資訊學會年會暨學術研討會，民國94年。
[15]陳信雄，「崩塌地調查與分析」，台北市，渤海堂文化事業有限公司，民國84年，1~28頁。
[16]陳啟偉，「應用類神經網路於道路邊坡崩塌特性之研究－以台11線公路花蓮段為例」，國立東華大學自然資源管理研究所碩士論文，民國95年。
[17]黃春銘，「運用模糊類神經網路進行山崩潛感分析—以台灣中部國姓地區為例」，國立中央大學應用地質研究所碩士論文，民國94年。
[18]黃繼寛，「考慮產業差異下，信用評分模型效力分析以Cross Validation為例」，東吳大學經濟學系碩士論文，民國94年。
[19]黃國楨、王韻皓、焦國模，「植生指標於SPOT衛星影像之研究」，台灣林業，第22卷第1期，民國85年，45~52頁。
[20]黃凱易、張偉顗，「SPOT 衛星影像分析應用於林地被覆變遷偵測」，林學季刊，第30卷第1期，民國85年，55~70頁。
[21]黃沛群，「以資訊探勘技術改進隔震設計參數之策略」博士論文，國立中興大學土木工程學系，民國97年。
[22]曾憲雄、蔡秀滿、蘇東興、曾秋蓉、王慶堯，資料探勘Data Mining，旗標出版社，民國95年，4-2~4-25頁。
[23]溫琇玲、廖洪鈞、林郁欽、蘭雅森，「鑑別分析法應用於坡地社區邊坡崩塌機率之評估研究」，建築學報，民國90年，第37期，49~63頁。
[24]張石角，「山坡地潛在危險之預測及其在環境影響評估之應用」，中華水土保持學報，民國76年，第18卷第2期，41~62頁。
[25]雪霸國家公園網站，http://www.spnp.gov.tw/
[26]雷祖強，「遙測與地景生態分析應用於雪霸國家公園之研究」，內政部營建署雪霸國家公園管理處委託研究，民國93年。
[27]廖軒吾，「集集地震誘發之山崩」，國立中央大學應用地質研究所碩士論文，民國89年。
[28]盧瑞山，「類神經網路於環境資訊之鑑識、推估及預測之研究」，國立台灣大學含竟工程學研究所博士論文，民國88 年，pp.124-133.
[29]劉進金，「山崩之遙測影像自動分析」，遙感探測期刊，民國76年，第8期，60~90頁。
[30]蕭國鑫、尹承遠、劉進金、游明芳、王晉倫等，「 SPOT 影像與航照資料應用於崩塌地辨識之探討」，航測及遙測學刊，民國92年，第8卷第4期，29~42頁。
[31]Ching-Yi Chen and Fun Ye ,“K-means Algorithm Based on Particle Swarm Optimization,” 2003 International Conference on Informatics, Cybernetics, and Systems, I-Shou University, Taiwan, ROC. Dec 2003, pp.1470-1475.
[32]Ching-Yi Chen and Fun Ye , “Particle Swarm Optimization Algorithm and Its Application to Clustering Analysis,” IEEE ICNSC 2004, Taipei, Taiwan, March, 2004, pp.789-794.
[33]Cook, 2000 D. Cook, “Save: a method for dimension reduction and graphics in regression,” Communications in Statistics: Theory and Methods 29., 2000, pp. 161–175.
[34]D. Alahakoon, S. K. Halgamuge and B. Srinivasan, “Data Mining with SelfGenerating Neuro-Fuzzy Classifiers”, IEEE International Fuzzy SystemsConference Proceedings, 1999, pp. II-1096-1101, August 22-25.
[35]Ermini L., Catani F., Casagli N., “Artificial Neural Networks applied to landslide susceptibility assessment,” Geomorphology, Vol.66, 2005, pp.327-343.
[36]Ercanoglu M., Gokceoglu C., “Use of fuzzy relations to produce landslide susceptibility map of a landslide prone area （West Black Sea Region, Turkey）,” Engineering Geology, Vol.75, 2004, pp.229-250.
[37]J. Kennedy, R. Eberhart, “Particle Swarm Optimization,” Proc. of IEEE international Conference on Neural Networks (ICNN), Vol.IV, Perth, Australia, 1995, pp.1942-1948.
[38]J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann, San Mateo, CA., 1993.
[39]J. R. Quinlan, “Unknown Attribute Values in Induction,” Proceeding of the 6th International Workshop on Machine Learning, Morgan Kaufmann, Los Altos, CA., 1989, pp.164-168.
[40]Guillande, R., Gelugne P., Arqintzeff J. M., Brousse R., Horowicz J. Deffontaines B., Parrot J. F., “Automated mapping of the landslide hazard on the island of Tahiti based on digital satellite data,” Mapping Sciences & Remote Sensing, Vol.32, No.1, 1995, pp.59-70.
[41]Gomerz H., Kavzoglu T., “Assessment of shallow landslide susceptibility using artificialneural networks in Jabonosa River Basin,” Venezuela. Engineering Geology,2005,Vol.78,pp.11-27.
[42]Kanungo D.P., Arora M.K., Sarkar S., Gupta R.P., “A comparative study of conventional, ANN black box, fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas,” Engineering Geology ,Vol.85, 2006, pp.347-366.
[43]Kohavi R., “A Study of Cross-Validation and Bootstrap for Accuracy Estimation and Model Selection,” Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence, Vol.2, No.12, 1995, pp.1137–1143.
[44]Lan H.X., Zhou C.H., Wang L.J., Zhang H.Y., Li R.H., “Landslide hazard spatial analysis and prediction using GIS in the Xiaojiang watershed, Yunnan, China ,” Engineering Geology, Vol.76 ,2004, pp.109-28.
[45]Li, K. C., Yve A., Kerby S. and C. Thomas A., “Dimension Reduction for Multivariate Response Data,” Journal of the American Statistical Association, 2003, Vol.98,99-109.
[46]Maruyama T, Kawachi T, Singh VP.,“Entropy-based assessment and clustering ofpotential water resources availability”, Journal of Hydrology,2005, 309:104-113.
[47]Phillip P., Richard C., “Evolution of geographic information systems as decision making tools,” in Fundamentals of Geographic Information Systems: a compendium, Ed. Willian J. Ripper,1989.
[48]R. Eberhart, J. Kennedy, “A new optimizer using particle swarm theory,” Proc. 6th Int. Symposium on Micro Machine and Human Science, 1995, pp.39-43.
[49]S. Bandyopadhyay and U. Maulik, “Genetic Clustering for Automatic Evolution of Clusters and Application to Image Classification,” Pattern Recognition, vol.35, 2002, pp. 1197-1208.
[50]Maruyama T, Kawachi T, Singh VP. “Entropy-based assessment and clustering of potential water resources availability.” Journal of Hydrology 2005,309:104-113.
[51]Salvi G.,“Segment boundary detectionvia class entropy measurements in connectionistb phoneme recognition”, Speech Communication,2006:48:1666-1676.
[52]Kohonen, T. , “Self-Organized Formation of Topologically Correct Feature Maps.” Biological Cybernetics, 1982, 43(1), 9-69.
[53]T.Kohonen, Self-organization and associate memory, Springer-Verlag London,1984.
[54]Vorko A, Jovic F.“Multiple attribute entropy classification of school-age injuries.” Accident Analysis & Prevention 2000,Vol.32:445-454.
[55]V. Juha and A. Esa, “Clustering of the Self-Organizing Map”, IEEE Transactions on Neural Networks, May 2000, Vol.11 No.3.
[56]Wilson, D. R. & Martinez, T. R., “Reduction techniques for instance-based learning algorithms.” Machine Learning,2000, 38(3),257-286.