以隨機森林方式建立臺北盆地之地盤放大係數模型

Abstract

隨機森林(random forest)模型是由Breiman和Culter在2001年提出之機器學習演算法。通過在森林中建構一棵棵各自獨立之決策樹(分類樹或迴歸樹)，並以投票方式(眾數或平均數)決定最終結果，以此提高模型之預測精度。該建模方式之優點包含運轉速度快、處理大量數據時表現優異、可提供特徵參數之重要性以及便於計算特徵參數之非線性作用，並提供特徵參數間之交互作用。 綜觀歷年地盤放大係數之研究，多數研究者於不同地區提供之迴歸方程式中所使用之參數不乏用以表示線性區間之VS30以及非線性區間之PGAr。由於難以有效將其餘對地盤放大係數產生影響之因子進行量化，致使該作法對於特殊地形或不規則地下岩盤之特定區域無法順利奏效。此外，由於研究區域乃半地塹之構造盆地，在特定入射方向上之震波可能會引致盆地中彈性波之建設性干涉而產生表面波，使得盆地內部分地點之主頻與震幅發生變化。有鑑於此，本研究將基岩深度與地表地形納入考量，透過自由場測站之加速度資料求得譜加速度，並使用TAP071測站作為參考測站以計算臺北盆地之地盤放大係數。接續彙整各項場址參數及地盤放大係數，分別作為數據庫之特徵參數與預測值，並使用Python作為建模環境以建立隨機森林模型。利用傅立葉分析觀察不同地震下之各測站頻域，比較傳統迴歸分析與隨機森林演算法之地盤放大係數預估值。