Application of back-propagation networks in debris flow prediction Tung-Chueng Chang , Ru-Jen Chao 許靖男 7100042029 陳威竹 7100042007

目錄 前言 研究動機和目的 造成土石流災害的影響因素 倒傳遞類神經 研究地區 結論

前言 台灣地形有3/5是山地，大多數河川河短流急。近年來，由於經濟增長、人口密度提高，許多都會區的山坡地已發展成住宅區。 夏季每年6~10月為颱風主要侵襲台灣的季節，颱風所帶來的豐沛雨量，在山區常造成嚴重的崩塌和土石流，且土石流造成許多流域水汙染，嚴重縮短水庫(或水壩)使用壽命，影響水質和供應。沒有乾淨的水，人們的日常生活會變得不方便，也會使疾病嚴重蔓延，對農業灌溉和工業用水也會造成嚴重的影響。

為了避免上述災害和水資源短缺造成不便，專家和研究人員利用地形、空中拍攝、衛星影像以及現場勘驗監測來驗證土石流發生。監測土石流發生與數據收集是一項耗時且繁瑣的工作。因此，在台灣如何預測土石流發生已經成為重要且艱鉅的課題。 為了能預測土石流，有許多預測土石流的方法已經被研究，不過成功預測率始終無法維持穩定和一定的可靠性，而本研究的目的就是要發展出一個穩定、可靠的土石流預測模式。

本研究提出了一個人工類神經網路模型，由七個顯著因素，採用倒傳遞類神經算法。 七個顯著因素包括:(一)溪流長度、(二)平均坡度、(三) 有效集水區面積、(四)集水區形狀、(五)土壤中質粒徑、(六)有效累積雨量、(七)有效降雨強度。 試區選定台灣東部178筆土石流資料作類神經網路訓練和測試。測試結果，平均成功率達93.82%，表示類神經網路與七個顯著因素對於土石流預測可以提供穩定、可靠的結果，達成減災與保護效果。

研究動機和目的 本研究動機和目的是發展一個簡單、迅速、方便分析的模式來預測土石流。 如前所述，以往研究土石流總是不能得到穩定和精確的結果，是因為選擇較少的因素來預測土石流。 為了得到穩定和精確的土石流預測結果，作者分析地質和環境因素條件，選擇七個顯著因素，包含: (一)溪流長度、(二)平均坡度、(三)有效集水區面積、(四)集水區形狀、(五)土壤中質粒徑、(六)有效累積雨量、(七)有效降雨強度。

這七個顯著因素採用倒傳遞類神經模式(BPN)算法分析和預測土石流。 訓練後，調整權重，送入類神經網路模型直接用來預測土石流。這項模型可以被用來協助和驗證減災和預警系統的監測數據。

土石流影響的因素 (一)溪流長度:有77%的土石流發生在長度500~2000m的河川內。流動時間越長，沉積的土石就會被聚集和運載到河川。 使用台灣東部所觀測到的數據，和七個顯著因素做分析和預測，作者相信造成土石流原因不僅和現在有效降雨有關也涉及到前期有效降雨。 (一)溪流長度:有77%的土石流發生在長度500~2000m的河川內。流動時間越長，沉積的土石就會被聚集和運載到河川。 (二)平均坡度:在台灣東部，有86%土石流發生在坡度10度~25度。

(四)集水區形狀:地形因素是流域特色之一，也是影響土石流的因素之一。 (三)有效集水區面積:在台灣東部，約有59%的土石流潛勢溪流有效範圍在10~120公頃內。有效集水區面積大小與收集的雨量有關。大的有效集水區可以收集較多雨量。因此，大的有效集水區面積具有較高誘發土石流發生的機會。 (四)集水區形狀:地形因素是流域特色之一，也是影響土石流的因素之一。 形狀因子F定義為: F=A/L2 A=流域面積、L=主流長度。

形狀因子的分布和流速有關，狹長形流域有較小的形狀因子，且他的平均流速形狀是平坦的；窄圓形的流域有較大的形狀因子，其流量形狀成峰狀。這意味著大形狀在單位時間內徑流量比小形狀多。因此如果其它條件保持不變，流域面積大的形狀因子，導致土石流發生的情況較高。 (五)土壤中質粒徑:在流域地區，土石流粒徑大小與河床沉積物有關。粒徑大小是土壤性質之一。一般情況下，粒徑小在淺水容易造成土石流；粒徑大則在較深的地方。

(六)有效累積雨量:為前期有效累積雨量加上累積雨量之和。 除了不斷紀錄、觀察外，土石流發生是很難確定其發生時間。 (七)有效降雨強度:發生土石流之有效累積雨量除以該降雨延時即為『有效降雨強度』。 前期有效累積雨量 一場集中之降雨在其前後有24小時沒有降雨，稱為一場連續降雨，而其累積雨量則為連續雨量； 從一連續降雨的起始時刻開始往前336小時其間之降雨稱為前期降雨，而前期降雨之累積降雨量稱為前期有效累積雨量。 累積雨量 造成土石流發生之降雨，其累積雨量等於開始降雨至土石流發生時之雨量。

倒傳遞類神經網路 類神經網路(ANN)是以電腦(軟體或硬體)來模擬生物大腦神經的人工智慧系統，並將此應用於辨識、決策、控制、預測…等。是一種在人類大腦簡化模擬生物神經網路的學習能力，也就是說它能藉由監督和非監督改善其性能。 倒傳遞類神經網路屬於監督式學習網路，適於應用在診斷、預測等問題。

倒傳遞類神經網路模式的基本原理是利用最陡坡降法(The Gradient Steepest Descent Method) 的觀念，將誤差函數予以最小化。其學習過程通常以一次一個訓練範例的方式進行，直到學習完所有訓練範例，即一個學習回合(Learning Epoch)，一個網路可以訓練範例反覆學習，直到網路的學習達到收斂。

在這項研究中，是選擇倒傳遞類神經網路和被監督學習(即學習樣品)。學習(或訓練)後，訓練權重可被用於未來預測土石流的發生。 倒傳遞類神經網路是一個流行的神經網路，使用反向傳播算法已被廣泛應用於科學和商業領域的非線性分析和預測。

倒傳遞類神經網路結構

倒傳遞類神經網路結構包含三個層次:輸入層、隱藏層和輸出層。 每層圓圈分別表示節點I、J、K，節點稱為神經元。連接圓圈的箭頭代表每個數值的權重。Wij為輸入層和隱藏層間的權重植；Wjk為隱藏層和輸出層間權重。在計算每個隱藏層和輸入層的神經元。 倒傳遞類神經學習算法是由兩個程序所組成:(a)前饋階段、(b)倒傳遞類神經權重訓練。

前饋階段 在前饋階段時，輸入向量由輸入層引入，前饋方式經由隱藏層傳導至輸出層，並計算出網路輸出值，此時，網路的鍵結值者是固定的 Ｘ1表示第一個輸入，Ｘi表示第i個輸入 ｙ1表示第一個輸出，ｙi表示第i個輸出 小圓圈表示神經元 前饋網路模型

倒傳遞權重訓練 倒傳遞階段時，網路的鍵結值則根據錯誤更正法則來進行修正，藉由鍵結值的修正，以使網路的輸出值趨向於期望輸出值，更明確地說，我們以期望（正確）輸出值減去網路輸出值以得到誤差信號，然後將此誤差信路倒傳遞回網路中，因此我們將此演算法稱之為「倒傳遞演算法」。 學習過程通常是一次學習一個訓練範例，直到所有的訓練範例學習完，稱為一個學習循環才會得到滿意的結果，同時依照問題的複雜程度不同，是否每次的學習循環均依相同次序輸入訓練範例，或是隨機挑選範例輸入訓練，均要經過不斷嘗試，才可得到答案。

研究地區 分析土石流的倒傳遞類神經網路結構 在倒傳遞類神經網路倒傳遞類神經網路中，確定輸入和輸出點的數目是分析土石流的關鍵。如前所述，許多因素會影響土石流的發生 。 本研究歸納七個因素做為類神經網路輸入點。七個輸入值分別為:(一)溪流長度、(二)平均坡度、(三)有效集水區面積、(四)集水區形狀、(五)土壤中質粒徑、(六)有效累積雨量、(七)有效降雨強度。 輸出層神經元有兩個輸出結果: (1，0)(0，1) 輸出(1，0):表示沒有土石流發生 (0，1):表示有土石流發生

在隱藏層內神經元J的確定需根據以下規則: I、K: 分別表是在輸入層和輸出層的神經元數量 因此，隱藏層神經元計算為 用四捨五入獲得實際在隱藏層中神經元數字為5。

類神經網路分析、 預測土石流圖

權重訓練和結果 資料選定:台灣東部1983~1993年11個觀測站所得到的178筆土石流資料。 本研究將所得到的資料送入類神經網路網路，進行分析和預測。 在178筆資料中，隨機選取142筆資料做類神經網路訓練，其餘36筆做為預測。 觀測站分布圖

顯示訓練階段成功率達98.59% 顯示通過訓練的權重在測試階段成功率達75% 總結178筆資料數據正確性預測率93.82% 訓練和測試土石流成功率

結論 本研究提出使用倒傳遞類神經網路，分析和預測土石流。為了得到穩定、可靠的預測，選定7項土石流顯著因素做為類神經網路輸入和分析。這7項顯著因素分別為:(一)溪流長度、(二)平均坡度、(三)有效集水區面積、(四)集水區形狀、(五)土壤中質粒徑、(六)有效累積雨量、(七)有效降雨強度。 資料選用台灣東部地區1983年~1993年178筆土石流資料。

在隨機選取執行後，訓練和預測成功率分別達到98.59%和75%。正確性比例為93.82%。 由此說明，利用人工類神經網路模型預測土石流發生的這項減災系統是穩定、可靠的。而這也說明因為土石流性質複雜，必須考慮到其他因素，來獲得更高的成功預測率。 在防護系統中，這個分析模型可以用來預測當前條件；而其他狀態必須透過改變因子或輸入值來預測。儘管如此，還是需要進一步研究來提高預測的準確性。例如:臨界值和各因素的影響百分比需要更多的調查和研究。此外，評估土石流風險程度也需要做更多工作。