請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/70907完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 廖國偉 | |
| dc.contributor.author | Shao-hua Chang | en |
| dc.contributor.author | 張少華 | zh_TW |
| dc.date.accessioned | 2021-06-17T04:43:18Z | - |
| dc.date.available | 2020-08-21 | |
| dc.date.copyright | 2018-08-21 | |
| dc.date.issued | 2018 | |
| dc.date.submitted | 2018-08-03 | |
| dc.identifier.citation | 1. 行政院農業委員會水土保持局（2015）水土保持手冊。
2. 行政院農業委員會水土保持局，民國88年公告修正，「山坡地土地可利用限度分類標準」。 3. 行政院交通部中央氣象局網站，氣候統計資料。 4. 鍾欣翰，2008，「考慮水文模式的地形穩定分析-以匹亞溪集水區為例」，國立中央大應用地質研究所碩士學位論文。 5. 姜壽浩、徐美玲，2006，「以局部穩定條件率定之邊坡土壤厚度估測模式」，地理學報(44)：023-038。 6. 王智仁、許世孟、柯建仲、蘇泰維、李錦發，20009，「山區土壤厚度與坡度關係之建立」，The 13th conference on current researches in geotechnical engineering in Taiwan。 7. 曾憲勤，劉寶元，劉瑛娜，2008，「北方石質山區坡面土壤厚度分佈特徵--以北京市密雲縣為例」，地理研 225 究. 27(6)：1281-1289。 8. 許振崑、林柏勳、邱世宜、鍾啟榮，2015，「石門水庫土壤厚度之鑽掘之鑽掘資料與空間分布特性探討」，2015年中華水土保持學會年會及學術研討會論文集。 9. 林良泰、陳乃萁 ，2010，「K-means 集群分析法應用於號誌定時時制時段劃分之研究」，運輸學刊，22(3)：347-368。 10. 賴瑩嬛，2012，「應用群集分析探討侵臺颱風之分類特性」，國立交通大學土木工程研究所碩士學位論文。 11. 連琮勛、連政佳、吳宜珍、鄭克聲等人，2014，「地理統計應用於臺北市山坡地雨量站網評估與調整」，Journal of Chinese Soil and Water Conservation， 45(3)：155-164。 12. 陳薇伊，2011，「克利金法即時修正大甲溪雷達估計降雨」，成功大學水利及海洋工程學系碩士學位論文。 13. 呂鴻廷、洪耀明，2013，「應用克利金法於山區集水區雨量推估之研究」， 水保技術，8(2): 68-78。 14. 林昭遠、黃文彥、黃文政，2016，「集水區深層崩塌區位之推估及應用」，水土保持學報，48(3)：1763-1778。 15. 詹孟浚、梁偉立，2014，「以坡地土壤厚度及垂直結構探討淺層崩塌潛勢區位」，中華水土保持學報，45(2)：85-94。 16. 陳文福、林憶志、陳明賢，2009，「地理統計方法應用於山坡地土地可利用限度分類精確化查定土壤因子之研究」，水土保持學報，41(3)：297-310。 17. 馮豐隆、黃志成，1997，「空間模式應用於林分結構母數推估之研究」，中興大學實驗林研究彙刊，19(2)：57-75。 18. 熊希蕊，2015，「資料不全下之可靠度分析-以海嘯牆為例」，國立台灣科技大學營建工程系碩士學位論文。 19. 董呈煌、李春長、陳俊麟、吳韻玲，2016，「SVR 與 OLS 在住宅價格預測正確率的比較」，住宅學報，25(2)：31-51。 20. 鄭健毅，2010，「應用SVR支援向量回歸模式來進行電子產業股價預測」，明新科技大學工業工程與管理研究所碩學位論文。 21. 吳軍，2012，「數學之美」，人民電郵之出版社。 22. 胡江堂，「最大熵模型讀書筆記」，北京大學軟件與微電子學院。 23. 吳孟庭，2015，「應用貝氏最大熵法於臺北盆地水文地質推估」，國立臺灣大學生物環境系統工程學研究所碩士學位論文。 24. 顧尚真，2010，「貝氏最大熵法於 Quantum GIS 上之建構–應用於台灣地區對空氣懸浮粒子長期暴露之研究」，臺灣大學生物環境系統工程學研究所碩士學位論文。 25. An Kao, Jui-Chung Hung & Chih-Peng Huang，2014，「支援向量迴歸建立血壓預測模型改善血壓量測的不準確性」，The 31st Workshop on Combinatorial Mathematics and Computation Theory。 26. Ahnert, F. (1970). Functional relationships between denudation, relief, and uplift in large, mid-latitude drainage basins. American Journal of Science 268(3): 243-263. 27. Akaike, H. (1974). A new look at the statistical model identification. IEEE transactions on automatic control, 19(6): 716-723. 28. Beven, K. J., & Kirkby, M. J. (1979). A physically based, variable contributing area model of basin hydrology. Hydrological Sciences Bulletin, 24(1), 43–69. 29. Bogaert, P. (2002). Spatial prediction of categorical variables: The Bayesian maximum entropy approach. Stochastic Environmental Research and Risk Assessment, 16(6), 425–448. 30. Carson, M. A. & M. J. Kirkby (1972). Hillslope form and process. London Cambridge University Press. 31. Culling, W. (1963). Soil creep and the development of hillside slopes. The Journal of Geology 71(2): 127-161. 32. Delmonaco, G., Leoni, G., Margottini, C., Puglisi, C., & Spizzichino, D. (2003). Large scale debris-flow hazard assessment: a geotechnical approach and GIS modelling. Natural Hazards and Earth System Sciences, 3, 443–455. 33. Dietrich, W.E., Reiss, r., Hsu, M, M.-L., Montgomery, D.R. (1995). A Process-based Model for Colluvial soil depth and shallow landsliding using Digital Elevation Data. Hydrological Processes 9, 383-400. 34. Goovaerts, P. (1997). Geostatistics for natural resources evaluation. Oxford Univ. Press, New York. 35. Heimsath, A. M., Dietrich, W. E., Nishiizumi, K., &Finkel, R. C. (1999). Cosmogenic nuclides, topography , and the spatial variation of soil depth. Geomorphology, 27, 151–172. 36. Journel, A. G. & C. J. Huijbregts (1978). Mining geostatistics, Academic press. 37. Kuriakose, S. L., Devkota, S., Rossiter, D. G., &Jetten, V. G. (2009). Prediction of soil depth using environmental variables in an anthropogenic landscape, a case study in the Western Ghats of Kerala, India. Catena, 79(1), 27–38. 38. Small, E. E., Anderson, R. S., Hancock, G. S., &Harbor, J. (1999). Estimates of the rate of regolith production using (super 10) Be and (super 26) Al from an alpine hillslope. Geomorphology, 27; 1-2(May 1998), 131–150. 39. Shannon, C. E. (1948). A mathematical theory of communication. The Bell System Technical Journal, 27(July 1928), 379–423. 40. Wood, P. A., &Wood, P. A. (2018). Flexible Accumulation and the Rise of Business Services Linked references are available on JSTOR for this article : services, 16(2), 160–172. 41. Zhou, G., Esaki, T., Mitani, Y., Xie, M., &Mori, J. (2003). Spatial probabilistic modeling of slope failure using an integrated GIS Monte Carlo simulation approach. Engineering Geology, 68(3–4), 373–386. 42. Ziadat, F. M. (2010). Prediction of Soil Depth from Digital Terrain Data by Integrating Statistical and Visual Approaches. Pedosphere, 20(3), 361–367. 43. Burrough, P. A. (1986). Principles of geographical information systems for land resource6 assessment Palaeosols , their recognition and interpretation. (1986), 108. 44. Ozernoy, V. M., Smith, D. R., & Sicherman, A. (1981). Evaluating computerized geographic information systems using decision analysis. Interfaces 11(5): 92-100. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/70907 | - |
| dc.description.abstract | 管理土地資源時，土壤深度是其中一項重要的參考因子，在難以現地勘查的位置，便需要進行土壤深度推估。然而，在過往的研究中，還無法達到很好的推估效果。因此本研究的目的，便是以土壤深度的空間分布關係與相關地文因子為依據，找出更有效的推估方法，並提高土壤深度推估的準確性。
為了建置土壤深度推估模式，首先考量土壤深度與地文因子之關聯性，整理前人研究文獻後，篩選出較具代表性的地文因子包括坡度、坡向、剖面曲率、平面曲率、地形濕度指數及地質等。接著，使用貝氏最大熵法推估土壤深度，輸入資料包括實測土壤深度資料及利用前述地文因子所建置的土壤深度模式，結合以上兩項資料進行區域內未知點的土壤深度推估。同時亦使用克利金法進行土壤深度推估，比較傳統線性空間推估方法與貝氏最大熵法的推估準確率。 依據山坡地土地可利用限度中對土壤深度之分級規範，分為甚淺層、淺層、深層、甚深層四個等級，本文中使用不同推估方式時，均依照上述四種類別計算準確率。首先，利用土壤深度的實測資料，檢測現今使用土壤深度圖之正確率，結果僅達27.81%，顯示土壤圖有更新的必要性。比較克利金法及貝氏最大熵法推估之準確率，分別為40.40%及82.94%。克利金法雖可考量資料空間分佈之特性，但無法將地文因子對土壤深度之影響納入考量，且克利金法之前提假設為常態與最佳線性不偏推估等，並非完全符合實際資料狀況。相對而言，貝氏最大熵法可同時納入常態、非常態之資料，並結合實測點資料與香 地文因子資料，進行非線性的推估，因此準確度最佳。 | zh_TW |
| dc.description.abstract | Soil depth is one of the most essential information for land resource management; however, the predictions of soil depth in previous studies still have certain differences compared with measured soil depth. The objective of this study is thus to propose an effective approach that is able to improve the accuracy of soil depth estimation, considering its spatial variability and using some spatial soil parameters derived from high-resolution digital elevation data.
To establish the prediction model, considering the relation between soil depth and terrain attributes, six attributes are chosen to construct the soil depth model, including slope, aspect, plane curve, profile curve, geology and compound topographic index. Selection of the aforementioned attributes are based on earlier studies. Secondly, Bayesian maximum entropy (BME) approach is utilized to estimate the soil depth, which is a non-linear method based on a rigorous statistic theories and the processing of diverse information sources. The traditional linear geostatistic method, Kriging, is also presented; based on the analyzed results, BME processes a better prediction performance compared to that of the Kriging approach. Classification of soil depth in Taiwan are fairly shallow, shallow, deep, fairly deep. Based on the above classification, the accuracy of Kriging and BME approach through the classification, it is 40.40% and 82.94% respectively. To discuss the difference, Kriging method is based on a least-squares function and remain linear estimators. In contrast, the BME approach is completely non-linear and consider the terrain attributes simultaneously, which makes it a better tool to process soil depth estimation. | en |
| dc.description.provenance | Made available in DSpace on 2021-06-17T04:43:18Z (GMT). No. of bitstreams: 1 ntu-107-R05622015-1.pdf: 4951940 bytes, checksum: 70f8171d1147f12d59f50240d2f72441 (MD5) Previous issue date: 2018 | en |
| dc.description.tableofcontents | 第一章 緒論 1
1.1前言 1 1.2研究流程 2 1.3 本文架構 3 第二章 文獻回顧 4 2.1 山坡地土地可利用限度分類 4 2.1.1 平均坡度 5 2.1.2 土壤有效深度 6 2.1.3土壤沖蝕程度 6 2.1.4母岩性質 7 2.2 台灣現有土壤圖 7 2.3 土壤深度模式 8 2.3.1 模式理論 8 2.3.2 土壤深度模式之應用 11 2.4 土壤深度推估方法 13 2.4.1 影響土壤深度之地文因子 13 2.4.2 克利金法 16 2.4.3 地形濕度指數K-means分群法 24 第三章 試驗樣區與資料蒐集 30 3.1 樣區介紹 30 3.1.1 水文與氣候 31 3.1.2 地形 32 3.1.3 地質 33 3.2 土鑽資料 33 3.3 地理資訊系統 34 3.4 STARBME 35 3.5 地文因子資料產製 37 第四章 研究方法 46 4.1 時空推估理論 46 4.2 低頻資料處理 46 4.2.1 Leastsquare Support Vector Machine (LSSVM) 47 4.2.2 Support Vector Regression (SVR) 50 4.2.3 KNN 近鄰演算法 52 4.2.4 模式選擇 53 4.3 共變異數模式 53 4.4 貝氏最大熵法 55 4.4.1 熵 (Entropy) 55 4.4.2貝氏最大熵 (Bayesian Maximum Entropy, BME) 57 4.5 土壤深度推估流程 58 4.6 土壤深度推估準確率計算方式 59 第五章 研究結果 61 5.1 低頻資料建置 61 5.2 共變異數模式 62 5.3 貝氏最大熵法推估成果 62 5.4 土鑽實測點與土壤圖比較 72 5.5 其他推估方式 74 5.6 新竹地區土壤深度圖 79 第六章 結論與建議 80 6.1 結論 80 6.2 建議 81 第七章 參考文獻 82 | |
| dc.language.iso | zh-TW | |
| dc.subject | K-means分群法 | zh_TW |
| dc.subject | 土壤深度 | zh_TW |
| dc.subject | 山坡地土地可利用限度 | zh_TW |
| dc.subject | 地理資訊系統 | zh_TW |
| dc.subject | 貝氏最大熵法 | zh_TW |
| dc.subject | 克利金法 | zh_TW |
| dc.subject | 地形濕度指數 | zh_TW |
| dc.subject | Bayesian maximum entropy (BME) | en |
| dc.subject | Geographic information system | en |
| dc.subject | Kriging method | en |
| dc.subject | Soil depth | en |
| dc.title | 應用貝氏最大熵法推估土壤有效深度 | zh_TW |
| dc.title | Prediction of Soil Depth Using Bayesian Maximum Entropy Approach | en |
| dc.type | Thesis | |
| dc.date.schoolyear | 106-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.oralexamcommittee | 范正成,余化龍 | |
| dc.subject.keyword | 土壤深度,山坡地土地可利用限度,地理資訊系統,貝氏最大熵法,克利金法,地形濕度指數,K-means分群法, | zh_TW |
| dc.subject.keyword | Soil depth,Bayesian maximum entropy (BME),Geographic information system,Kriging method, | en |
| dc.relation.page | 86 | |
| dc.identifier.doi | 10.6342/NTU201802476 | |
| dc.rights.note | 有償授權 | |
| dc.date.accepted | 2018-08-03 | |
| dc.contributor.author-college | 生物資源暨農學院 | zh_TW |
| dc.contributor.author-dept | 生物環境系統工程學研究所 | zh_TW |
| 顯示於系所單位： | 生物環境系統工程學系 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| ntu-107-1.pdf 未授權公開取用 | 4.84 MB | Adobe PDF |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。