以機器學習理論預測土石流潛勢溪流之發生機率

Using Machine Learning Theory to Predict the Occurrence Probability of Potential Streams of Debris Flow

謝一嘉(Hsieh, I-Chia) ； 高琪(Gao, Chi) ； 蔡元芳(Tsai, Yuan-Fang)

《臺灣災害管理研討會》 2021 (2021/12) Pp. 321-328

https://doi.org/10.6857/CDMT.202112.0027

摘要

近年來臺灣受到極端氣候的影響，山崩、土石流等土砂災害日益頻繁，臺灣土石流發生災害是以水保局所制定的土石流警戒值，當雨量超過不同警戒值時，政府對於民眾採取相關的疏散避難措施。引發土石流的因素有很多且複雜，為了能進行災害的預防，本研究用用機器學習理論建構土石流發生機率圖，研究中選定九個因子包含高程、坡度、地質、集水區面積、崩塌率、崩塌地面積、潛勢溪流長度、最大降雨強度、累積雨量，進行機器學習模型建置。本研究共蒐集二十三場颱風豪雨事件進行對機器學習模型的訓練和評估，並利用極限梯度提升（XGBoost）、支持向量機（Support Vector Machine）、邏輯斯迴歸（Logistic regression）三種不同機器學習演算法進行訓練，在運用混淆矩陣進行效能指標的計算，並使用操作特徵曲線曲下面積評估三種演算法的效能，極限梯度提升為0.95、支持向量機和邏輯斯迴歸都是0.89，皆具有良好的分類效能，其中以極限梯度提升的值最高。最後將莫拉克事件導入機器學習的模型，建構出全臺灣土石流發生機率，考量各演算法之土石流發生預測必須都能涵蓋莫拉克颱風當時確實發生之37條土石流潛勢溪流之發生，因此本研究以召回率為1.0的數據做為基準，訂定出這三種演算之紅色警戒預測機率值。結果顯示SVM演算法在準確率、精確率、F1分數等數值也比水保局高且預估發生紅色警戒的土石流數也比水保局少，故本研究認為支持向量機的預測優於其他兩者和水保局。未來有新的颱風豪雨事件，即可根據支持向量機所預測結果，提早掌握全臺灣土石潛勢溪流所會發生的區域，提前做好疏散避難，減少民眾和財產上的損失。

關鍵字

土石流 ； 機器學習 ； 支持向量機