摘要
臺灣係位於颱風、強降雨好發的區域，加上山區地形陡峻且地質條件亦不佳的自然環境下，致每逢颱風或暴雨來襲，引發不穩定坡地的崩塌，導致各山坡地區的災害頻傳，影響區域人民生命財產及居住環境安全至鉅，更危及重大之公共工程建設；此外，政府對受災區投入鉅額之復健經費，但復建後卻仍須面臨坡地第二次土砂災害之風險，因而使得整體產業經濟發展及運輸通路幾乎籠照在災害的陰影之下，備受威脅和考驗。因此，本文對南台灣荖濃溪流域區進行其坡地崩塌潛勢分析，規劃合理之山崩潛勢評估流程與方法，並分析致災區域特性，從而提供防治因應對策研訂時之參考。
本文以2009年莫拉克颱風降雨侵襲為始，迄2011年之三年期間，造成研究區域山崩之颱風或暴雨事件侵襲前後之情況，以基因演算自動演化類神經網路(GANN)架構，結合影像紋理分析(TA)及地理資訊系統(GIS)，應用於衛星影像之判釋與土地利用變遷之分析，藉以擷取災害記錄及地表資訊；且分別運用基因演算自動演化類神經網路及多變量不安定指數(MHEM)方法，對各項自然環境及坡地開發擾動等致災因子進行其權重值之量化分析，進而建置山崩潛勢模式，並透過GIS平台之運用，繪製研究區之山崩潛勢地圖。此外，本文亦探究各期降雨事件對坡地災害所可能造成之影響，以及崩塌地發育與區域特性之關聯性。
本文之研究結果顯示，以GANN、MHEM及GIS等方法，成功地應用於坡地擾動、自然環境與降雨等致災因子影響土砂災害之評析流程之整合建置，且在衛星影像之判釋部分，確實達到自動化的判釋運算。各不同時期衛星影像判釋分類之一致性達中高程度以上的精確度，且加入紋理資訊後，確實能提高判釋分類至高精確程度。以MHEM或GANN之評估結果繪製之研究區坡地崩塌潛勢圖，與歷史災例點位比較，平均達八成五以上之吻合度。
研究區歷經各期降雨事件後，不論裸露之數量或面積皆比降雨前明顯增加，其裸露數增量及裸露面積增量，隨平均有效累積雨量之增大而增加，且以多項式之趨勢線來進行數據擬合，其R2分別達0.83及0.92。研究區歷經各期降雨事件後，其裸露地面積與裸露地數量之比值，隨崩塌潛勢之增大而增加，且其趨勢線擬合之R2達0.82。除莫拉克颱風之極端降雨外，歷經各降雨事件侵襲後，研究區裸露地面積隨平均有效累積雨量之增大而增加，且其趨勢線擬合之R2達0.98。此外，裸露地面積與坡地擾動程度間，存在有正向之關係。裸露地面積與裸露地數量之比值，隨坡地擾動程度之增大而增加，且其趨勢線擬合之R2達0.72。結果亦發現，坡地不安定程度低時，崩塌的發生比例較低；反之，坡地不安定程度高時，崩塌的發生比例較高，亦即發生坡地崩塌點位多於未發生崩塌點位。
再者，除莫拉克颱風極端降雨事件誘發之研究區新崩塌點位數量，遠多於二次崩塌點位數外，其餘考量各期降雨事件所誘發之山崩，其二次崩塌點數量均多於新崩塌點數量，且二次崩塌點位之崩塌規模，亦大於新崩塌之點位。結果亦可發現，較多新崩塌之點位偏向脊頂發展，而較大崩塌規模之二次崩塌點位則有偏向溪流發展的趨勢。無論那一期降雨事件，當坡地擾動程度值越大時，二次崩塌發生的規模也有越大的趨勢。當研究範圍坡地之有效累積雨量越大，或坡地擾動程度越大，二次崩塌點位之崩塌增加面積也有增大的趨勢。
關鍵詞：山崩潛勢分析、山崩分布、衛星影像判釋、基因演算法、類神經網路、多變量不安定指數、地理資訊系統

SUMMARY
This study assessed rainfall-induced landslide potential and spatial distribution in Laonong River watershed of Southern Taiwan under extreme rainfall to configure reasonable assessment process and methods for landslide potential. The genetic adaptive neural network (GANN) was implemented in texture analysis techniques for the classification of satellite images of research region before and after rainfall. By using GANN weight analysis and multivariate hazards evaluation method (MHEM), factors, levels and probabilities of landslide of the research areas are presented. Then, through geographic information system (GIS) the landslide potential map is plotted. Furthermore, we explore the effect of the extreme rainfall on landslides, and the relation between landslide zones and regional characteristics.
The results show that GANN, MHEM and GIS can be successfully integrated in the process of assessment for landslide caused by slope disturbance, natural environment, and rainfall. The agreement of landslide potential map is at 85% level compared with historical disaster sites. The relations between landslide potential level, slope disturbance degree, and the ratio of number and area of landslide increment corresponding six heavy rainfall events are positive. The ratio of landslide occurrence is proportional to the value of instability index. Most of the new landslide sites are near the ridge top and larger-scale secondary landslides are near the river. The greater the effective accumulative rainfall or slope land disturbance, the more likely it is that the area of secondary landslide sites become greater.
Key words: landslide, satellite image classification, artificial neural networks, multivariate hazards evaluation method

參考文獻
1. 土石流防災資訊網，http://246.swcb.gov.tw/default-1.asp。
2. 王嘉燁(2002)，「GPS/GIS應用於南橫公路邊坡崩塌災害調查與潛感危險路段之劃定研究」，屏東科技大學土木工程系碩士論文。
3. 中央氣象局全球資訊網，http://www.cwb.gov.tw/V6/index.htm。
4. 行政院農業委員會水土保持局，http://www.swcb.gov.tw/。
5. 行政院農業委員會水土保持局(2003)，「遙測技術在崩塌地、土石流及坡地管理應用計畫」，頁3-5。
6. 吳少明(1993)，「環境地質調查與分析應用在都市坡地開發適宜性規劃-以甲仙地區為例」，國立成功大學地球科學系碩士論文。
7. 李瑞陽、陳信佑(2008)，「應用3S技術於敏感性作物面積調查之研究」，空間資訊基礎建設國際研討會暨台灣地理資訊學會年會。
8. 李錫堤、費立沅(2011)，「蘭陽溪流域之山崩土石流潛在危害預測」，前瞻科技與管理，第一卷第二期，頁67-83。
9. 李錫堤、費立沅、李錦發、林銘郎、董家鈞、張瓊文(2008)，「石門水庫集水區的山崩與土石流潛勢分析」，第六屆海峽兩岸山地災害與環境保育學術研討會，台中。
10. 吳俊龍(2004)，「以影像紋理與色彩資訊輔助地物分類之研究－以台北地區為例」，國立台北大學地政學系碩士論文。
11. 吳麗娟(2000)，「霧社水庫集水區土地覆蓋及變遷與地文因子關係之研究」，國立中興大學森林學研究所碩士論文。
12. 林文傑(1995)，「應用SPOT衛星影像進行山坡地土地利用分類之研究」，中興大學水土保持研究所碩士論文。
13. 林文賜、黃碧慧(2012)，「應用地理資訊系統與資料探勘技術於崩塌地特性及空間關連性分析之研究─以莫拉克風災之阿里山溪集水區為例」，水保技術，第七卷第一期，頁23-29。
14. 林書毅(1999)，「區域性山坡穩定評估方法探討-以林口台地為例」，國立中央大學應用地質研究所碩士論文。
15. 林彥享(2003)，「運用類神經網路進行地震誘發山崩之潛感分析」國立中央大學應用地質研究所碩士論文。
16. 林妙雀、酈芃羽(2004)，「影響消費者對零售通路商店形象因素之研究-以基因演算法最佳化類神經網路模式加以驗證」，運籌研究集刊，第六期，頁80-97。
17. 林永祥(2004)，「環境地質因子對國道邊坡穩定之影響—以國道三號白河至竹山路段為例」，國立成功大學土木工程學系碩士論文。
18. 林淑媛(2003)，「地形地質均質區之劃分與山崩因子探討」，國立中央大學應用地質研究所碩士論文。
19. 林德貴、林永欣、吳正義、游繁結(2012)，「降雨誘發坡地土砂災害之危險度評估模式」，中華水土保持學報，第四十三卷第二期，頁139-157。
20. 林榮潤、周柏儀、許世孟、林燕初、張閔翔、黃智昭、費立沅(2013)，「應用孔內水文地質調查成果於山崩潛勢評估」，中華水土保持學報，第四十四卷第三期，頁245-254。
21. 周政宏(1996)，神經網路-理論與實務，松崗，台北。
22. 周晏勤(2000)，「以遙感探測方法探討南橫公路邊坡破壞的重要因子」，國立成功大學資源工程研究所碩士論文。
23. 胡玉城(1992)，暢談類神經網路，倚天資訊，台北。
24. 孫志鴻、朱子豪(1989)，「基隆河流域環境資料系統建立之研究-自然環境資料庫之建立」，遙感探測，第十四期，頁1-19。
25. 涂書芳(2001)，「以遙感探測方法探討公路邊坡穩定的重要因子-以南橫公路甲仙至埡口段為例」，國立成功大學資源工程研究所碩士論文。
26. 陳文福、鄭新興(1997)，「遙測與GIS應用於集水區大型坡地利用之變遷分析」，中華水土保持學報，第二十九卷第一期，頁41-59。
27. 陳安斌、張志良(2001)，「基因演算法自動演化之類神經網路在選擇權評價及避險之研究：分析與實證」，資訊管理學報，第七卷第二期，頁63-80。
28. 陳怡如(2007)，「屏東縣坡地災害潛勢分析」，國立屏東科技大學水土保持系碩士論文。
29. 陳怡睿，謝舜傑，陳景文，倪柏寧(2010)，「基因演算法自動演化類神經網路應用於山崩災害之評估」，中華水土保持學報，第四十一卷第一期，頁 61-72。
30. 陳添水(2002)，「遙測應用於大肚溪口地區環境變遷分析」，特有生物研究，第四卷第一期，頁61-74。
31. 陳盈秀(2009) ，「基因演算法自動演化類神經網路應用於衛星影像判釋與土砂災害評估模式之建置」，長榮大學土地管理與開發學系碩士論文。
32. 陳蕙華(2005)，「遙測衛星影像於南清公路崩塌地潛感分析之應用」，逢甲大學環境資訊科技研究所碩士論文。
33. 陳莉、魏曉萍、王泰盛(2004)，「監督式分類方法於遙測影像判釋之研究」，農業工程學報，第五十卷第三期，頁59-70。
34. 陳樹群、翁愷翎、吳俊鈜(2010)，「玉峰溪集水區崩塌特性與崩塌體積之探討」，中華水土保持學報，第四十一卷第三期，頁217-229。
35. 陳樹群、諸予涵、吳俊鈜(2012)，「旗山溪集水區長期降雨特性改變與崩塌分佈關係」，中華水土保持學報，第四十三卷第四期，頁293-301。
36. 陳樹群、郭靜苓、吳俊鈜(2013)，「西台灣強降雨誘發崩塌規模與區位之特性分析」，中華水土保持學報，第四十四卷第一期，頁34-49。
37. 張舜孔(2003)，「類神經網路應用在阿里山公路邊坡破壞因子之分析研究」，國立成功大學土木工程學系碩士論文。
38. 張斐章、張麗秋、黃浩倫(2003)，類神經網路理論與實務，東華，台北。
39. 游中榮(1996)，「應用地理資訊系統於北橫地區山崩潛感之研究」，國立中央大學應用地質研究所碩士論文。
40. 倪柏寧(2009)，「土砂災害潛勢區風險評估模式之建置」，長榮大學土地管理與開發學系碩士論文。
41. 莊智瑋、林昭遠、陳正湘(2009)，「利用紋理因子改善影像分類準確度之研究」，中華水土保持學報，第四十一卷第二期，頁153-168。
42. 曾正輝(2002)，「景觀生態計量方法於集水區生態水文之研究-以淡水河為例」，中國文化大學地學研究所地理組碩士論文。
43. 曾炫學(2003)，「土石流發生臨界曲線之研究-模糊集合及類神經網路」，國立台灣大學土木工程研究碩士論文。
44. 曾志豪(2003)，「降雨對阿里山公路邊坡破壞模式分析之影響研究」，國立成功大學土木工程研究所碩士論文。
45. 湯國安、楊昕(2006)，ArcGIS 地理信息系統空間分析實驗教程，北京：科學出版社。
46. 楊明德、黃奕達、黃凱翔、張益祥(2012)，「利用崩塌潛勢圖作風險評估之應用－以陳有蘭溪流域為例」，中華水土保持學報，第四十三卷第一期，頁1-11。
47. 楊智堯(1999)，「類神經網路於邊坡破壞潛能分析之應用研究」，國立成功大學土木工程學系碩士論文。
48. 楊龍士、周天穎(2000)，遙感探測理論與分析實務，逢甲大學地理資訊系統研究中心，台中。
49. 溫振宇(2005)，「結合地震與颱風因子之山崩分析模式」，國立成功大學地球科學研究所碩士論文。
50. 黃文仁、徐弘明、許中立(2010)，倒傳遞類神經網路法模擬崩塌滑移特性，坡地防災學報，第九卷第一期，頁33-42。
51. 黃春銘(2005)，「使用模糊類神經網路進行山崩潛感分析-以臺灣中部國姓地區為例」，國立中央大學應用地質研究所碩士論文。
52. 黃韋凱、林銘郎、陳良健、林彥享、蕭震洋(2010)，「物件導向分析方法應用於遙測影像之分區及崩塌地與人工設施分類」，航測及遙測學刊，第十五卷第一期，頁29-49。
53. 黃筱婷、楊哲銘、曹孟真、董家鈞、劉家男、王泰典等(2011)，「地質構造與大型崩塌之關係－以阿里山公路為例」，中華水土保持學報，第四十二期第四卷，頁279-290。
54. 游行健（2003），「以類神經網路法評選北台灣道路邊坡保護工法之研究」，國立台灣科技大學營建工程系碩士論文。
55. 郭秀玲(2003)，「紋理分析於農地利用判釋之研究－以苗栗縣大湖鄉為例」，逢甲大學土地管理學系碩士論文。
56. 雷祖強、萬絢、林沂樺、吳仕傑、李素馨(2012)，「運用空間知識探勘技術在土石流分類模式建立之研究－以陳有蘭溪流域為例」，水保技術，第七卷第四期，頁198-211。
57. 葉怡成(2002)，類神經網路模式應用與實作，七版，台北，儒林。
58. 劉守恆、林慶偉(2004)，「SPOT衛星影像之崩塌地自動分類研究」，航測與遙測學刊，第九卷第二期，頁9-22。
59. 廖浩鈞(2005)，「以Quickbird高解析度遙測影像以分類法判釋南二高邊坡保護工程之研究」，國立成功大學資源工程學系碩士論文。
60. 蔡光榮、陳建富(2005)，「遙測技術應用於台灣中部及集集地震災區崩塌地植生處理工程之植生指數評估」，航測與遙測學刊，第十卷第二期，頁203-212。
61. 蔡光榮、陳昆廷、謝正倫(2010)「太麻里溪與知本溪二流域土砂災害因子之量化評估分析研究」，水保技術，第五卷第一期，頁49-57。
62. 鄭錦桐、張玉璘、顧承宇、邱顯晉、陳錦清、趙芳成、余勝雄、楊勳得、焦中輝、黃連通(2011)，「遙測技術及地理資訊系統應用於水庫集水區崩塌地調查」，土木水利，第三十六卷第六期，頁34-38。
63. 潘國樑、林彥享、黃春銘、柯傑夫、鄭錦桐、冀樹勇(2011)，「小林埋村事件之還原---衛星影像判釋」，航測及遙測學刊，第十六卷第一期，頁63-78。
64. 謝獻仁(1998)，「應用類神經網路於落石坡危險度之評估」，國立交通大學碩士論文。
65. 蘇木春、張孝德(2001)，機器學習：類神經網路、模糊系統以及基因演算法，三版，台北，全華。
66. 藍世欽(2000)，「工程地質因子對道路邊坡穩定性之影響－以南橫公路甲仙至梅山段」，國立成功大學資源工程研究所碩士論文。
67. 賴姵蓁(2007)，「利用福衛二號影像於花生田及水稻田判釋之研究」，逢甲大學土地管理學系碩士論文。
68. 盧建成、詹錢登(2011)，「運用ArcMap區域統計法及遙測影像分析農地利用及灌溉需水量」，農業工程學報，第五十七卷第二期，頁1-15。
69. 盧育聘(2003)，「類神經網路於公路邊坡破壞潛能之評估」，立德管理學院資源與環境管理所碩士論文。
70. 魏鎮東(2001)，「南橫公路邊坡落石坍方可能性之探討」，國立台北科技大學材料及資源工程系碩士論文。
71. 羅華強(2001)，類神經網路-MATLAB的應用，清蔚科技，新竹。
72. 羅佳明(2003)，「GPS/GIS/RS應用於地震災區坡地災害防治工程調查及其風險評估模式」，屏東科技大學土木工程系碩士論文。
73. 羅建霖(2005)，「土石災害集水區之環境敏感區位分析-以雲林古坑華山地區為例」，明道管理學院環境規劃暨設計研究所碩士論文。
74. 瀨尾克美、船崎昌継(1973)，「土砂害(主に土石流的被害)と降雨量について」,砂防学会誌(新砂防)，26(2)(通卷89号)，pp. 22-28.
75. 蕭國鑫、劉進金、何心瑜、楊孟學(2010)，「多時影像與DEM資料應用於頭前溪口變遷分析」，地籍測量，第二十九卷第一期，頁1-12。
76. 顧承宇、陳建忠、張怡文、許世孟、陳耐錦、溫惠鈺(2012)，「氣候變遷下極端降雨引致廣域坡地災害評估技術之研究」，中華水土保持學報，第四十三卷第一期，頁75-84。
77. Chadwick, J., Dorsch, S., Glenn, N., Thackray, G., and Shilling, K. (2005), “Application of multi-temporal high-resolution imagery and GPS in a study of the motion of a canyon rim landslide,” ISPRS Journal of Photogrammetric Engineering and Remote Sensing, 59(4), pp. 212-221.
78. Chen, J. W., Chue, Y. S. and Chen, Y. R. (2013), “The Application of Genetic Adaptive Neural Network in Landslide Disaster Assessment,” Journal of Marine Science and Technology, 21(4), pp. 442-452.
79. Chen, Y. R., Chen, J. W., Shih, S. C. and Ni, P. N. (2009), “The Application of Remote Sensing Technology to the Interpretation of Land Use for Rainfall-induced Landslides Based on Genetic Algorithms and Artificial Neural Networks,” IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing (JSTARS), 2(2), pp. 87-95.
80. Chen, Y. R., Hsieh, S. C. and Liu, C. H. (2010), “Simulation of Stress-Strain Behavior of Saturated Sand in Undrained Triaxial Tests Based on Genetic Adaptive Neural Networks,” Electronic Journal of Geotechnical Engineering, EJGE, 15(Q), pp.1815-1834.
81. Chen, Y. R., Hsieh, S. C., Tsai, K. J. and Lin, W. C. (2012), “Construction of Evaluation Model for Landslide Potential after Rainfall due to Slope Land Use,” Proceedings of 11th International & 2nd North American Symposium on Landslide, ISL & NASL, Banff, Alberta, Canada, Eberhardt et al. (eds), pp. 479-486.
82. Cohen, J. (1960), “A coefficient of agreement for nominal scales,” Educ. Psychol. Meas., 20, pp. 37–46.
83. D’Ambrosio, D., Spataro, W. and Iovine, G. (2006), “Parallel genetic algorithms for optimizing cellular automata models of natural complex phenomena: An application to debris flows,” Computer and Geosciences, 32, pp. 861–875.
84. Ercanoglu, M. (2005), “Landslide susceptibility assessment of SE Bartin (West Black Searegion, Turkey) by artificial neural networks”, Natural Hazards and Earth System Sciences, 5, pp. 979–992.
85. ESRI (2010), ArcGIS 10 Desktop Tutorial, Environmental Systems Res. Inst.
86. ERDAS Worldwide Headquarters (2010), ERDAS IMAGINE Tour Guide, ERDAS.
87. Francis, R.L., McGinnis, L.F. and White, J.A. (1992), Facility Layout and Location : An Analytical Approach, New Jersey : Prentice-Hall Inc.
88. Garson, G. D. (1991), “Interpreting neural-network connection weights,” AI Expert, 6(7), pp. 47-51.
89. Goldberg, D. E. (2007), Genetic Algorithms in Search, Optimization, and Machine Learning, Addison-Wesley, Reading.
90. Goh, A. T. C. (1994), “Seismic Liquefaction Potential Assessed by Neural Networks,” Journal of geotechnical engineering, ASCE, 120(9), pp. 1467-1480.
91. Guillande, G., Pascale, G., Jacques-Marie, B., Robert, B., Jean, C., Benoît, D. and Jean-François, P. (1995), “Automated mapping of the landslide hazard on the island of Tahati based on digital satellite data,” Mapping Sciences and Remote Sensing, 32(1), pp. 59-70.
92. Hansen, A., “Landslide hazard analysis,” in Slope Instability (Brunsden, D. and Prior, D.B. eds.), John Wiley and Sons, New York, pp.523~602, 1984.
93. Haralick, R.M., Shaunmmugam, K. and Dinstein I. (1973), “Textural Features for Image Classification”, IEEE Trans. On Syst., Man, and Cybern., 3(3):610-620.
94. Holland, J. H. (1975), Adaptation in Natural and Artificial Systems, The University of Michigan Press.
95. ISRM (1981), Rock Characterization Testing and Monitoring-ISRM Suggested Method, Pergamon, London.
96. Jarvis, C. H. and Stuart, N. (1996), “The Sensitivity of a Neural Network for Classifying Remotely Sensed Imagery,” Computers and Geosciences, 22(9), pp. 959-967.
97. Javadi, A.A. (2006), “Estimation of air losses in compressed air tunneling using neural network,” Tunnelling and Underground Space Technology, 21(1), pp. 9-20.
98. Jibson, R.W., Harp, E. L. and Michael, J. A, (2000), “A method for producing digital probabilistic seismic landslide hazard maps,” Engineering Geology, 58, 271-289.
99. Joyce, K. E., Belliss, S. E., Samsonov, S. V., McNeill, S. J., and Glassey, P. J. (2009), “A review of the status of satellite remote sensing and image processing techniques for mapping natural hazards and disasters,” Progress in Physical Geography, 33, pp. 183-207.
100. Kanungo, D. P., Arora, M. K., Sarkar, S. and Gupta, R. P. (2006), “A comparative study of conventional, ANN black box, fuzzy and combined neural and fuzzy weighting procedures for landslide susceptibility zonation in Darjeeling Himalayas,” Engineering Geology, 85, pp. 347-366.
101. Kim, K.J. and Han, I. (2000), “Genetic algorithms approach to feature discretization in artificial neural networks for the prediction of stock price index,” Expert Systems with Applications, 19(2), pp. 125-132.
102. Lee, S., Ryu, J. H., Lee, M. J., and Won, J. S. (2003), “Use of an artificial neural network for analysis of the susceptibility to landslides at Boun, Korea,” Environmental Geology 44, pp. 820-833.
103. Lin, F. L., Lin, J. R. and Lin, Z. Y. (2009), “A Zonation Technique for Landslide Susceptibility in Watershed,” Journal of Chinese Soil and Water Conservation, 40(4), pp. 438-453. (in Chinese)
104. Liu, H. Y., Gao, J. X. and Li, Z. G. (2001), “The advances in the application of remote sensing technology to the study of land covering and land utilization,” Remote Sensing for Land and Resources, 4, pp. 7-12.
105. Ma, Y., & Xu, R. (2010), “Remote sensing monitoring and driving force analysis of urban,” Habitat International, 34, pp. 228-238.
106. MATLAB (2013), User Guide, The Mathworks.
107. Meunier, P., Hovius, N. and Haines, J.A. (2008), “Topographic site effects and the location of earthquake induced landslides,” Earth and Planetary Science Letters, 275, pp. 221-232.
108. Nikolakopoulos, K. G., Vaiopoulos, D. A., Skianis, G. A., Sarantinos, P. and Tsitsikas, A. (2005), “Combined use of remote sensing, GIS and GPS data for landslide mapping,” Proceedings of Geoscience and Remote Sensing Symposium, IGARSS, IEEE international, pp. 5196-5199.
109. Schott, J. R. (1997), Remote Sensing, Oxford University Press.
110. Sexton, R. S. and Gupta J. N. (2000), “Comparative evaluation of genetic algorithm and backpropagation for training neural networks,” Information Sciences, 129, pp. 45-59.
111. Sklansky, J. (1978), “Image Segmentation and Feature Extraction,” IEEE Trans. Syst., Man Cybern., 8, pp. 238-247.
112. SPSS Inc. (2005), SPSS 14.0 Brief Guide, SPSS Inc., Chicago.
113. Su, M. B., H. S. Tsai and L. B. Jien (1998), “Quantitative Assessment of Hillslope Stability in a Watershed,” Journal of Chinese Soil and Water Conservation, 29(2), pp. 105–114. (in Chinese, with English Abstract)
114. Tucker, C. J. (1979), “Red and photographic infrared linear combinations for monitoring vegetation,” Remote Sensing of Environment, 8, pp. 127- 150.
115. Verbyla, D.L. (1995), Satellite Remote Sensing of Natural Resources, New York: CRC Press.
116. White, A.J. (1998), “A genetic adaptive neural network approach to pricing options : a simulation analysis,” Journal of Computational Intelligence in Finance, 6(2), pp. 13-23.
117. Wilson, J.P., and Gallant, J.C. (2000), Terrain Analysis, New York: John Wiely & Sons.
118. Yoshida,T. and Omatu, S. (1994), “Neural Networks Approach to Land CoverMapping,” IEEE Transactions on Geoscience and Remote Sensing, 32(5), pp. 1103-1109.
119. Zhang, L. (1998), “Predicting Seismic Liquefaction Potential of Sands By Optimum Seeking Method,” Soil Dynamics and Earthquake Engineering, 17, pp. 219-226.