本研究為一跨領域研究計畫，嘗試整合水文水資源專業領域與光學衛星遙測領域，以創新的角度探討可能影響坡地災害的重要因素，包括不同的颱風特性與路徑、不同時空間的降雨特徵，更加入多光譜衛星影像分析，以機器學習方法建立崩塌地自動化辨識系統，藉自動化辨識系統分析颱風事件衛星影像，探討歷史坡地災害型態，並進一步建立颱風特性與降雨特徵等致災因子對於坡地災害的空間與規模分佈的預測模式。本研究流程分成兩個部分，第一部份為分析不同颱風特性，透過發展颱風類型指標(Typhoon Type Index, TTI)，結合科技部災害管理資訊研發應用平台大規模崩塌災害歷史坡地災害事件資料，以聚類分析、資料探勘、時空特徵萃取與機器學習建模，了解颱風於台灣之風雨特徵空間分布對崩塌地的影響。TTI概念為空間上的統計迴歸模型，將數個颱風分為風型和雨型，風型定義為某區域的整體損壞由強風控制，而雨型則定義為某區域的整體損壞由強降雨控制。TTI擬合全國氣象站基本線性迴歸模型的殘差分析，颱風的累積降雨量與風速一般呈正相關，在迴歸線上(或附近)為正常的颱風事件，離迴歸線越遠則表示偏向某特徵的特殊情況，當殘差值為正，颱風特徵偏向Ｙ軸(最高75％風速的平均)為強風颱風；殘差值為負，颱風特徵偏向Ｘ軸(颱風期間累積降雨量)為暴雨颱風，其與擬合線的殘差距離即為雨型和風型颱風定量分類的指標。而本研究亦發展了基於空間相關性的聚類分析方法，更有效且精準地依風雨特性分類大量颱風事件，利用圖像掃描方式將二維空間TTI的分布情形轉置為一維的TTI變動特徵，計算各颱風間空間序列上的相關係數作為聚類的距離依據，使用非監督式機器學習法之階層式聚類分析，將具有相似空間分布特徵之颱風事件分於同群。第二部份為運用隨機森林將多光譜衛星影像進行崩塌地的判釋，發展高效及高精度的衛星遙測影像崩塌地自動辨識系統，對於崩塌辨識與型態分析，本研究以多波段衛星遙測資料計算多種土地覆蓋指標作為機器學習特徵，對土地覆蓋建立分類器模型，以辨識颱風災後之崩塌地，得到其空間分佈、面積、形狀等資訊。隨機森林為整合學習多棵獨立學習和作預測的決策樹(單一分類器)之整合分類器，為一種監督式機器學習演算法，而隨機森林在訓練過程中可評估輸入參數的特徵重要性，有助理解不同地表覆蓋分類對於各參數的敏感性。最後整合兩部份研究結果，以瞭解颱風風雨特性與坡地災害型態之影響機制。

本研究為一跨領域知識整合研究，包括水文水資源專業領域、環境科學專業領域、防災專業領域、資訊應用大數據分析專業領域、氣候變遷專業領域、地球科學領域、環境遙測地理資訊系統專業領域與風險評估專業領域。首創探討不同颱風型態對應崩塌地分布，結合衛星影像辨識，建立颱風特性對於坡地災害的空間與規模分佈的預測模式。

透過跨領域整合，除了建立颱風特性對於坡地災害的空間與規模分佈的預測模式，及原創颱風特徵指標(TTI)以外，更延伸分析不同颱風類型造成農業損失之風險，上述研究成果及開發技術，可提供政府機構、教研單位及相關產業參考及應用，如坡地災害辨識、災害情資分析、防災應變以及災害風險預警等面向。

本技術內容獲得科技部年輕學者養成計畫「愛因斯坦計畫」補助。
本技術部分內容與國家實驗研究院國家太空中心及國家災害防救科技中心合作。
本技術部分內容已發表於全球知名的美國氣象學會(American Meteorological Society)旗下頂尖SCI國際期刊Journal of Applied Meteorology and Climatology (JAMC) 
Yuan-Chien Lin; Wen-Hsin Wang; Chun-Yeh Lai; Yong-Qing Lin. Typhoon Type Index: A New Index for Understanding the Rain or Wind Characteristics of Typhoons and Its Application to Agricultural Losses and Crop Vulnerability. J. Appl. Meteor. Climatol. (2020) 59 (5): 973–989.
https://doi.org/10.1175/JAMC-D-19-0208.1