學位論文
Permanent URI for this collectionhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/73900
Browse
3 results
Search Results
Item 利用環境資料預測地表位移及坡地災害事件(2024) 何其恩; Ho, Chi-En自1940年代起，隨著全球氣溫逐年升高，災害發生頻率也顯著上升。重大災害事件數從每年約20起增加至每年超過400起，顯示全球均溫上升驅動了更多致災因子，直接反映在災害事件數量上及次生災害之比率。劇烈天氣事件能改變近地表地質特性、觸發地質災害事件如地層下陷、土壤液化、坡地災害等，由於這些地質災害事件可反應在地表變形資料上，如何利用環境資料（包含大氣類、地下水、潮汐等資料）預測地表變形資料（GNSS和地震資料）及坡地災害事件？這幾個問題驅動了我們對「天然災害鏈預測」可行性評估的動機。本研究的主要工作目標為利用長短期記憶模型（LSTM模型）及支持向量迴歸（SVR模型）之演算法，建立地下水位、地表變形及坡地災害之預測模型。首先我們利用2004年至2020年潮州地區兩個自動氣象站所提供的氣溫、雨量、風向、風速，以及目標預測測站之歷史地下水位，預測十二個地下水測站的地下水位，比較LSTM模型和SVR模型的表現，結果顯示，大部分地下水測站的LSTM模型在測試集上的平均決定係數高達0.90。其次，我們應用相同方法，探討2013年至2020年垂直地表變形預測，新加入了氣壓、相對濕度以及潮位資料，發現GNSS測站的LSTM模型在測試集上的平均決定係數達0.94，而更高採樣點率寬頻地震站位移場的平均決定係數達0.89，不同測試皆證實LSTM較SVR模型預測表現更佳。最後，我們以農業部農村發展及水土保持署的坡地災害事件目錄為基礎，評估了不同年份組成的四個資料集。由2010年至2012年的訓練集以及2013年至2014年的測試集組成的資料集表現最佳，顯示了環境資料在坡地災害預測中的潛力，準確率達0.83，精準率為0.95，召回率為0.67。綜合以上， LSTM模型展示了對於時序資料強大的預測能力，並強調了環境資料在地表變形及坡地災害預測中的關鍵作用。本研究並測試六個不同的氣象參數在預測模型之貢獻度，依照重要程度依序如下：氣溫、氣壓、風速、風向、相對濕度、雨量，然而同時考慮此六個氣象參數的模型，其預測效能仍優於單一氣象參數。本研究具體提供了氣象與地質災害間的預測方法論，期能在未來用於近即時警報/預報、並為未來政策制定提供即時參考依據。Item 臺灣雲解析差時系集颱風定量降水預報應用研究(2023) 陳鑫澔; Chen, Shin-Hau臺灣的颱風降雨雖為主要的水源之一，但也常因此造成災害。數值天氣預報開發以來，時常面臨著不確定性造成的困難，眾多研究者嘗試使用各式方法獲取防災資訊，本研究面對臺灣颱風防災的需求，嘗試在現有資源限制下，建構針對臺灣颱風降水於防災的建議系統。具體而言，本研究使用雲解析風暴模式，建構上採用了2.5km水平格點間距，每六小時進行八天的預報，在本研究的十個目標颱風內，經過評估後皆能在各颱風風雨影響臺灣前至少52小時前，也就是大約兩天以前，找出颱風影響期間總累積降雨量的相似技術得分(Similarity Skill Score，簡稱SSS) 大於0.6的高解析度的降水情境，顯示此方法實際應用上可以在有反應時間的前提下，提供有效的降水情境。 防災事前可以針對最糟糕的降水情境做防範，但為了更有效的找出較有參考價值的預報，本研究針對十個西行侵臺颱風選出105個預報參數，使用機器學習嘗試建構能夠預估降水指引(SSS為其中之一)與路徑指引的模型並進行評估，評估後大多數機器學習預估的SSS皆能適度掌握不同初始時間預報中的實際降水SSS好壞。機器學習預估的結果約在實際颱風影響臺灣26小時前可以產出，當預估的SSS中位數達0.6以上時，實際的SSS也有71%超過0.6，顯示可以在中心登陸兩天前預先指出那些預報的可信度低，那些的可信度高。 本研究進行機器學習訓練時進入模型的颱風數量上不多，可當作ㄧ初步之研究，文章中亦討論了許多颱風預報相關性分析，並提出了幾個可能的改進方向。總體來說，高解析差時系集預報輔以機器學習可在臺灣西行颱風的防災預警上，提供有效的降水情境，並指出較具可信度的預報。Item 基於單類別分類之構造長微震偵測架構設計(2021) 吳宇翔; Wu, Yu-Siang在臺灣，自發型構造長微震（以下簡稱「長微震」）之好發區域為中央山脈南段，具有(1)持續時間長，可達數分鐘至數小時、(2)不具明顯可見之體波、(3)能量富集於2至8 Hz間，並可在數十公里遠的測站有幾乎一致的到時特性，而偵測手段仰賴多測站的包絡化波形進行互相關係數與測站間到時差。前人研究也發現，在臺灣進行長微震偵測時，較吵雜的背景噪訊與短時間密集發生的區域地震（震央距50-200公里）容易與長微震波形混淆，使最終的長微震目錄底定必須經過人工目視，較為耗時且涉及主觀成分。為探索以機器學習進行地震與長微震自動分類的可能，本研究以k-最近鄰居法搭配29項特徵對2016年間5,796筆區域地震與6,746筆長微震事件進行分類，搭配循序向前特徵選取法（Sequential Forward Feature Selection）達到96.4至99.1 %分類率，初步證明運用機器學習於長微震分類上之可行性。然而訓練多類別分類器必須針對所有類別進行定義、抽樣與標籤化，難以實現於連續偵測。本研究進一步以單類別分類器支援向量資料描述（Support Vector Data Description），設計長微震連續偵測架構，其優勢在於只需要長微震資料進行訓練，而不需針對大量類別進行處理。藉由設立多測站投票制度與持續時間門檻以及使用2016年1月1日至7月18日長微震事件進行訓練，本研究成功於2016年7月19日至9月10日，使用三個測站偵測出共132,240秒長微震。當提升測站數至九站，只使用水平分量於單站決策並在多站投票時以各站訊噪比為權重，偵測出總計10,620秒的長微震事件，但經目視後保留之事件比例，從使用三站的5.8 %提升至九站的31.6 %，證實了應用單類別分類於多站長微震偵測的可行性。