雲林地層下陷之脆弱度評估
與地理加權迴歸分析

吳秉昇Bing Sheng Wu、陳宇軒Yu-Hsuan Chen、 王冠棋Kuan-Chi Wang

ABSTRACT

由於雲林地區地層下陷情形嚴重,除了對當地自然環境造成影響,如海水入侵陸地及土壤鹽化,也影響社會經濟活動,例如農作物產量減少,與高鐵高架軌道下陷風險。本研究探討雲林地區受到地層下陷所造成之影響,以農業活動之金額損失與臨近重大基礎建設之潛在損失來評量脆弱程度。考量年平均地下水位差,水井數量,月平均雨量,月平均溫度,經濟所得,稻作產量,醫療據點數量,與不透水層面積等八項影響因子,為造成雲林脆弱度的潛在影響因子,透過隨機森林模式的特徵篩選方法-Boruta,篩選最具影響力的四個因子: 稻作產量,水井數量,年平均地下水位差,以及月平均雨量,同時計算四大因子的權重,建立脆弱度指標推估模式。以此模式繪製研究地區各村里的脆弱度指數分布圖,並利用地理加權迴歸模式,透過空間統計分析,檢視不同因子如何影響對各村里的脆弱度指數。研究成果顯示在脆弱度指數與四大因子具有顯著關聯性,而地層下陷也與各因子具有空間關聯性。為降低雲林地區因地層下陷造成的脆弱度影響,除了透過降雨量增加,減少地下用水使用之外,應考慮減少用水量極高的稻作產量,減少水井開鑿,並持續監控年平均地下水位差,以期維護雲林地區的永續發展。

關鍵字:地層下陷、脆弱度、隨機森林、Boruta特徵篩選、地理加權迴歸

前言

地層下陷是許多國家面臨的重大環境議題之一,為此聯合國教科文組織成立全球地層下陷研究計畫(The UNESCO Land Subsidence International Initiative),探討地層下陷如何影響全球人類生活,並提出科學分析,以減少對人類居住環境之衝擊。地層下陷的成因除了受到自然因素,如地震造成的區域性下陷之外,尚有因人 為活動導致地層應力失衡而引起下陷現象,其中又以過度開採地下水為常見之地層下陷成因(Shah et al., 2004; Mukherji, 2006; Wang et al., 2006; Wang et al., 2009; Esteban et al., 2019)。近年來臺灣沿海地區持續發生地層下陷現象,其中下陷速度最快的區域位於雲林縣土庫鎮、元長鄉與褒忠鄉交界處,土庫鎮也成為民國103年以來下陷速率最快的城鎮。儘管該地區具有豐沛地下水層,但受到該地區高度用水需求的人為活動,導致地下水過度開採,產生地層下陷問題(周桂田、曾玟學, 2017)。地層下陷對雲林縣帶來的衝擊有三: 一、雲林縣境內為臺灣高鐵必經之處,地層下陷除了提高鐵道的維護成本,也增添行駛安全上的疑慮(Chang and Wang, 2006; Hwang et al., 2008),二、雲林地區為台灣農業重要的發展區域,地層下陷導致沿海地區海水入侵、形成土壤鹽化的污染(葉昕祐、韋煙灶,2008),三、雲林縣地勢因地層下陷而逐漸下降,成為嚴重的淹水潛勢區域,以及風險極高的農業生產區(李欣輯等,2016)。 為解決地層下陷問題,當前研究著重於監測地層下陷監測方法及相關應用 (王嘉和,2008; 林崇瑋,2010; 施彥同,2011; 鄭又嘉,2014; 方熙廷等,2017; 曾俊瑋,2019),關於地層下陷對雲林地區所造成之衝擊與災害評估,缺乏進一步的分析。為探討環境變化對人類生活環境之影響,學者提出脆弱度評估與分析的概念,評量災害對區域及地方層面造成的環境變化與影響,減少受損程度與風險,並作為未來預防之參考(Cutter, 1996)。脆弱度評估方式包括歷史性敘述、語意分析、統計分析、或繪製地圖等(Cutter, 1996; Eakin and Luers, 2006),隨著電腦科技的進步,地理資訊系統(Geographic Information System, GIS)與空間計量方法廣泛被應用在脆弱度分析(Kattaa et al., 2010; Shirazi et al., 2012; Krishna et al., 2015; Mohamed and El-Raey, 2020),近年來更將機器學習理論納入脆弱度分析評估與討論(Mojaddadi et al., 2017; Lee et al., 2019; Papathoma-Köhle et al., 2019),藉此降低人類活動及所處環境遭受災害時所暴露的潛在風險,同時提升面對災害時的應對與調適能力。

綜上所述,為了解地層下陷對雲林地區自然環境與社會活動產生之衝擊,本研究提出下列兩項研究目標:一、如何應用脆弱度指標分析地層下陷對雲林地區所造成的潛在損失,二、影響脆弱度分析的關鍵因子在空間上有何特性。為達成上述目標,本研究應用機器學習理論中的 Boruta 演算法,分析影響雲林地層下陷之重要因子,整合關鍵因子與潛在損失進行脆弱度評估,最後利用地理加權迴歸模式進行脆弱度因子之空間相關性分析,並探討雲林地區地層下陷所造成之影響。

脆弱度定義與評估

脆弱度常被廣泛應用於氣候變遷研究及相關領域,包含環境科學、經濟學、社會學、糧食安全、公共衛生、與地理學等領域(Smit and Wandel, 2006; Schipper and Burton, 2009)。其概念為評量環境系統抵禦災害事件的能力(Timmerman, 1981),後續研究將此概念進一步延伸,Bogard(1988)認為脆弱度為描述環境受到災害衝擊的抽象性呈現,Dow(1992) 重新檢視脆弱度的核心概念,並將之定義為面對災害事件時的應對能力,同時探討脆弱度與自然及社會因子之關聯。Cutter (1996)將脆弱度視為預先判斷環境在面對災害時的衝擊程度,並依此定義兩種不同類型的脆弱度:自然脆弱度與社會脆弱度。前者形成主因為自然災害,而後者則受到社會狀態,文化背景,與政治經濟等因素所影響。後續研究議題接續上述兩類型脆弱度之定義,廣泛探討環境災害對人為活動之衝擊(Bohle et al., 1994; Cutter et al., 2000; Adger et al., 2004)。

應用脆弱度評估一地受到災害衝擊的程度時,其評量準則之一為透過災後統計或推估模式,計算受災地區之經濟損失(Dottori et al., 2016; Papathoma-Köhle et al., 2019; D’Ayala et al., 2020),如 Papathoma-Köhle et al.(2019)探討土石流災害對於山區房屋造成的脆弱度影響,將房屋特徵相關因子作為自然脆弱度的一部分,並且透過災損報告解釋環境脆弱度的經濟意涵。Ludeña 與 Yoon(2015)指出農業收入受到災害造成的農業經濟損失,可被視為脆弱度的衡量標準。Das 等 (2020)分析氣候變遷對人類活動與生活環境造成之社會經濟損失,包括農產品與家畜數量減少,以及人類居住房舍受到損害等,以此探討印度Bengal三角洲在氣候變遷下的脆弱度與風險評估。由於雲林地區地層下陷為長期且緩慢累積的過程,雖然對於當地居民並未造成立即性危害,但在地層下陷過程中,土壤易受到海水入侵與鹽化的方式污染,增加土地維護成本。 此外,當土地高度低於海平面之後,為便於利用農耕機具進行耕作,並在土壤鹽化情況下維護土地養分,需增加額外填土成本,否則易造成該土地無法進行生產,並因地層下陷造成地勢低窪,形成淹水潛勢地區,最終影響該區之農業活動(葉昕祐、韋煙灶,2008)。

根據行政院經濟建設委員會提出的雲彰地區長期地層下陷具體解決方案(行政院經濟建設委員會,2001),雲林地區地層下陷最快速的地方為土庫鎮及臨近鄉鎮,且該區域的經濟活動以農業活動為大宗,大量使用地下水進行農作物灌溉是該區域造成地層下陷之重要因素,此外,該地區有高鐵設施經過,鐵路高架之建築重量也成為地層下陷的重要影響因子之一。 故選擇農業活動之金額損失與臨近重大基礎建設之潛在損失為脆弱度之分析依據,來探討地層下陷所造成之環境衝擊。由於考量脆弱度指數時,需根據脆弱度的主要影響條件選擇關鍵因子(Ludeña and Yoon, 2015),並考量自然與社會面向之脆弱度因子(林冠慧、孫志鴻,2004)。雲林地區農業活動以稻作為大宗,而重大基礎建設則以高鐵興建成本為主要考量,透過上述兩類經濟損失之影響,具體反應地層下陷對雲林地區產生的脆弱程度,並分析形成脆弱度因子在自然條件(如溫度或降雨)、環境條件(如地表高程或地下水位),以及社會經濟條件(如人口或經濟活動)之下,是否與脆弱度指數,亦即經濟損失,具有空間關聯性。因此本研究考量下列因子,作為脆弱度分析之候選參數:

(一)年平均地下水位差、水井數量與不透水層面積

地層下陷與過度抽取地下水有密切關聯(Shah et al., 2004; Wang et al., 2006; Wang et al., 2009),而雲林地區抽取地下水之方式為開鑿水井,用於農作灌溉及民生用水。水井開鑿深度多為深度一百公尺之內,並以抽取淺層地下水為主,當淺層地下水被抽至地表後,會造成地下含水層 之間的水位變化,故可測得地下水位在開鑿水井前後之水位差(江崇榮等,1995; 經濟部水利署水文技術組,2019)。當地下水被抽取後,若可透過地表水流入地下進行補注,則可減少地層下陷之速率,反之,若地表土地被建築,交通用地,公有設施等覆蓋,會大幅影響地表水滲入地下水層之速率。故此三項因子可用來分析地下水抽取後對地層下陷之影響。資料來源採用經濟部水利署水文資訊網站的在 2011 年至2018年的水井數量,以及地下水年平均水位,並由經濟部水利署發布之技術報告(經濟部水利署水文技術組, 2019),取得不透水層面積資料。

(二)降水與氣溫

受到氣候變遷影響,近年來全球極端氣候出現頻率逐漸上升,對臺灣造成的重大影響便是降水型態以及溫度變化日趨極端,亦即在相同年總雨量的情況下,降水趨勢集中於特定時間,而四季的溫度差異迥異於往常,除了影響農作物的生長週期,也影響農業用水之調節。若農耕季節降水量不足,氣溫又偏高的環境 下,為確保作物順利生長,抽取地下水成 為農業活動的必然行為,此一行為進一 步引發地層下陷問題(鄭立甫,2010; 萬 勝徨,2011; 國家災害防救科技中心等, 2017),因此降水與氣溫成為自然脆弱度的重要考量因子。降水資料及氣溫資料為計算2011年至 2017年的氣溫及降雨標準差平均,作為觀察此兩項自然因子的變化趨勢。

(三)農作物產量與經濟所得

雲林縣為農業大縣,當地農作物以水稻、玉米、花生與蒜頭等作物為主,其中水稻栽種需大量水源進行灌溉,水源不足時,便抽取地下水,作為灌溉用水的來源,當農地受到地層下陷影響而減少稻作產量,可藉此分析地層下陷對農業活動產生之衝擊。若農作物產量減少,容易造成當地居民收入減少,並影響居民生計,但如果當地居民經濟條件較為理想,較能承擔災害造成的經濟所得損失,且具備較佳的調適能力(Cuevas, 2011),因此在考量社會脆弱度的因子時,選擇農作物產量與所得稅作為農業活動與經濟資本之指標,用以反應經濟條件在面對地層下陷時受到的衝擊,與後續的調適能力。農作物產量與經濟所得資料為2011年至2017年雲林縣各鄉鎮的統計年報資料。

(四)醫療據點

當災害對環境產生衝擊時,除了面對自然與社會層面的損失之外,如何因應災情進行調適,以利早日回復至災害前的運作模式,便成為社會脆弱度的重要考量因素(Ludeña and Yoon, 2015),災難急救除了可及時搶救寶貴生命,也成為社會經濟調適與降低脆弱度風險的重要功能 (Cuevas,2011),因此醫療據點與相關資源的取得,可視為社會脆弱度的重要指標之一。醫療據點資料為 2011年至2017 年雲林縣各鄉鎮的統計年報資料。

為呈現雲林地區受到地層下陷所造成的脆弱程度,本研究以雲林地區各村里農業產量損失和高鐵興建成本損失之加總,作為脆弱度的具體表現。由於雲林地區之 主要經濟活動為農業(行政院經濟建設委 員會,2001),尤其以需水量極高的稻美為主要農作物,故農業產量損失計算根據行政院農業委員會農糧署公告之白米零售價格乘以農作物產量,而高鐵興建成本損失依據政府投入之建置成本,乘以雲林縣人口之比例,代表雲林縣之高鐵建置成本。再將兩類金額加總,視為地層下陷對於雲林地區所產生的潛在經濟損失,藉此反應雲林地區的脆弱度,同時搭配上述自然與社會等脆弱度因子,探討不同因子在脆弱度評估中所產生的影響程度。

脆弱度指標計算

進行脆弱度分析時,常見方法為因素分析或主成份分析,將脆弱度之評量因子進行資料維度縮減,透過迴歸分析,以探討多重因子與脆弱度之間的關聯性(賴政佑,2017;Das et al., 2020),然上述分析方法主要探討如何將不同因子對於 脆弱度產生的影響進行連結,缺乏各因子在脆弱度分析中的權重變化(Cutter et al., 2003)。由於大數據之廣泛應用,發展許多人工智慧演算法,透過機器學習進 行大數據分析,應用迭代(iteration)模 式,盡可能求得最佳解,預判最重要因子 (Dietterich, 1997; Kursa et al., 2010; Kursa and Rudnicki, 2010)。其中常用的演算模式為隨機森林的特徵篩選方法-Boruta (Kursa and Rudnicki, 2010),此類方法可進行因子的篩選與權重調整,近年來也逐漸應用於脆弱度指標計算與相關分析研究(Papathoma-Köhle et al., 2019; Tiwari et al., 2021; Wei et al., 2021)。其中如Papathoma-Köhle等人(2019)利用隨機森林的特徵篩選方法,找出造成土石流的重要因子及各因子之權重,並將候選因子與土石流造成之財物損害進行相關性分析,以得到研究地區的脆弱度指標計算公式。因此本研究利用Boruta演算法,篩選影響雲林地區脆弱度之最重要因子,同時給予相應之權重,藉此分析不同脆弱度因子對於地層下陷之重要性。

在Boruta演算法中,以農業及高鐵經濟損失代表雲林地區受到地層下陷所產生的脆弱程度,並探討與前述四類脆弱度因子之顯著性。透過多次迭代計算,給與不 同因子加權數值,以代表其重要性,並繪製Boruta重要性箱型圖(圖 1)。該圖呈現三類結果,第一類為陰影變數,以藍色箱型圖表示,並細分成最小值、平均值與 最大值。第二類為顯著性因子,以綠色箱型圖表示,是經由多次迭代後,最終與經濟損失有關聯性的因子。最後一類非顯著因子,以紅色箱型圖表示,此類因子表示與經濟損失無相關性,表示後續探討脆弱度與影響因子之關聯性時,這類因子無需納入考量。

圖1 Boruta結果示意圖

經由Boruta演算法篩選完具有顯著性的因子後,接著利用其計算後的重要性數值,進一步給予每個因子適當權重, 才能了解這些因子帶來的不同影響。權重的計算使用Boruta計算出來的重要性 (Importance),作為權重計算的依據,其計算方式如下。

當顯著脆弱因子與各因子權重確立後,使用多元回歸模式建立脆弱度指標 (VL)之計算:

其中Xni為第i個脆弱度因子標準化之後的數值,wi則為第i個脆弱度因子所配置的權重,透過此一迴歸公式,便可建立雲林地區各村里的脆弱度指數。

脆弱度之空間分析

在進行脆弱度指標量化分析時,常利用線性迴歸模式探討脆弱度因子與脆弱度之關聯性,但線性迴歸模式僅提供統計分析結果,無法呈現因子與脆弱度在空 間上的變異性。為了考慮空間非平穩性 (Spatial non-stationarity),Fotheringham et al.(1998)以傳統線性迴歸模式的最小平方法(Ordinary Least Squares, OLS)為基礎,提出地理加權回歸(geographically weighted regression, GWR),計算環境變數在地理空間上的殘差值,藉由殘差值的空間聚集現象,判斷變數的空間群聚性,並分析變數的空間分布特徵與空間關聯性,其迴歸模式式如下:

其中y(g)為地物在空間上預測值,Xni為第i個變數的標準化數值,ai(g)為第i的地物的地理空間加權,b(g)則為地物g的截距。

探討災害相關議題時,除了檢視重要因子的關聯性之外,由地理空間的角度切入,也可幫助了解各因子間造成的空間影響,如Karaye 與 Horney(2020) 討論美國的社會脆弱度與新冠肺炎 (COVID-19)之關聯時,透過OLS分析歸納出社會脆弱度與全球病例增加有關,並利用地理加權迴歸模式,分析美國各州新冠肺炎染病狀況的空間差異。又如 Blachowski(2016)應用地理加權迴歸分析波蘭城市受到礦場挖掘造成不同情況的地層下陷原因。為了探討雲林地區各村里的脆弱度指數與顯著性因子的空間相關 性,本研究利用地理加權迴歸,計算脆弱度因子在迴歸模式下的殘差值與偏迴歸係數,了解各因子在脆弱度模式推估上,是否出現高估或低估的現象。並觀察各因子在脆弱度的空間相關性分布圖中,對於哪些村里的影響範較為顯著,除了幫助了解各因子在實際範圍的影響趨勢,同時也可針對不同地區特性,提供強化脆弱度之相關建議。

研究地區

自1992年起,雲林縣地層下陷情況,以雲林縣地理中心位置的鄉鎮最為嚴重,沿海地區地層下陷幅度雖然不若雲林縣內部鄉鎮,但由於地層下陷易導致海水入侵,造成土壤鹽化並淹沒沿岸建築設施,因此沿海鄉鎮的地層下陷與脆弱度之關聯,也應加以探討。本研究選定內陸三個地層下陷最嚴重之鄉鎮:元長鄉、土庫鄉、與褒忠鄉,以及沿海兩個地層下陷較為明顯之鄉鎮:麥寮鄉與台西鄉,作為主要研究區域(圖2),以此建構地區性的脆弱度評估。

圖2 雲林累積地層下陷圖(1992-2015),白線為累積地層下陷深度的等值線圖

脆弱度分析與討論

由於本研究以農業活動之金額損失與高鐵建設之潛在損失為地層下陷引發之脆弱度評估依據,並考慮自然條件、環境條件,以及社會經濟條件下的誘發因子,是否與脆弱度指數具有空間關聯性,依上述考量選擇八項變數作為脆弱度因子:年平均地下水位差,水井數量,月平均雨量,月平均溫度,稅收,農作物產量,醫療據點數量,以及不透水層面積,資料收集時間範圍自2011年至2017年。另以稻作產量與行政院農業委員會農糧署公告糧價之乘積,視為農業活動因地層下陷所造成之金額損失,同時依據交通部鐵道局公告之高鐵建置成本(交通部鐵道局,2020),依興建年度雲林縣人口占總人口比例進行估算,視為高鐵建設於雲林縣之建置成本。 上述資料整理完畢後,為避免後續統計分析時,因不同因子數值差距過大而影響分析結果,利用極小值與極大值正規化 (min-max normalization)方法,將所有數值標準化為0至1的區間,再利用R程式 語言撰寫Boruta演算法,並將正規化後的所有資料導入Boruta演算法,經由多次迭代,篩選具顯著性之脆弱度因子,並計算各脆弱度因子的重要性,其結果如圖3所示,其中醫療據點及稅收的Boruta結果低於最大陰影變數值,表示該兩項因子不具顯著性,故加以排除。其餘六個因子再進行最小平方法分析,以檢視脆弱度因子與經濟損失之是否具有統計上的顯著性 (表1),由表中可發現,溫度及不透水層面積兩項因子的顯著性偏低(p-value > 0.05),因此最終被保留的因子為稻作產量、水井、地下水位差以及雨量。將四項脆弱度因子進行Boruta分析(圖4),獲得各因子的權重(表2),再以此建立研究範圍內各村里的脆弱度指標(VL)計算公式:

VL=0.53X稻作產量+0.31X水井數量+0.09X地下水年均差 +0.08X雨量 (公式4)

圖3 Boruta篩選脆弱度因子之結果
圖4 Boruta模式計算脆弱度因子之權重

表1 Boruta篩選後之脆弱度因子統計顯著性

變數係數機率(p-value)VIF
截距0.0000480.792139———-
稻作產量0.5332550.0000001.972813
水井0.3054160.0000001.775986
地下水位0.0863840.0000005.482173
雨量0.0752340.00000011.210669
溫度-0.0002740.28135712.271811
不透水層面積0.0001670.3156781.078936

表2 脆弱度因子權重

變數名稱重要性數值權重
稻作產量21.960.53
水井數量12.590.31
地下水年均差3.560.09
雨量3.090.08
加總41.201

當脆弱度指數公式建立後,分別計算研究區內各村里的脆弱度指數,將脆弱度指數與損失程度繪製散布圖(圖 5)。其中可看出脆弱度指數與損失程度具高度相關性,僅有兩個明顯的離群值: 麥寮鄉興華村及土庫鎮忠正里。表3列出麥寮鄉興華村與土庫鎮忠正里根據公式4所計算出的脆弱度指數,以及相對應的參數值。麥寮鄉興華村的脆弱度指數及損失程度皆為研究地區中的最大值,而土庫鎮忠正里的脆弱度指數偏高,但損失程度極低。影響麥寮鄉興華村脆弱度指數的最關鍵因子為稻作產量,表示稻作產量上升,用水量大幅提升,因而容易加速地層下陷,進而造成經濟損失。土庫鎮忠正里脆弱度指數與水井數量有較高關聯性,但當地稻作產量比例極低,表示該村里受到水井數量影響,而有較高的脆弱度,但對於經濟損失所造成的影響有限。

圖5 脆弱度指數與損失程度關係圖

表3 麥寮鄉興華村及土庫鎮忠正里之脆弱度指標與各參數數值

村里稻作產量水井數量地下水年均差雨量脆弱度指數損失程度
麥寮鄉興華村
0.4260.2400.0790.0071.001.00
土庫鎮忠正里0.0050.2150.0010.0530.430.011

利用Natural break分類法,將脆弱度指數分為五類,繪製脆弱度地圖,以呈現研究地區脆弱程度的空間分布(圖6)。由圖中可見脆弱度偏高的地區,大致與地層下陷有正向的空間關聯性,在內陸地層下陷較嚴重處,脆弱度較高,而沿海地區地層下陷情況較不嚴重,脆弱度相對較低。為了探究研究地區各村里的脆弱度指數與各項因子的空間相關性,首先利用最小平方法進行四個關鍵因子的空間統計分析(表4),其R-square值為0.99998, Koenker(BP)統計量為10.967977,統計概率(p-value)為0.026960,表示在95% 信賴水準下,這些關鍵因子存在空間非平穩性,可進一步透過地理加權迴歸分析並檢視各因子與脆弱度之空間關聯性,因此利用ArcGIS軟體的地理加權迴歸分析方法,繪製地理加權迴歸空間殘差圖(圖 7)。圖中可見大部份村里殘差值均落在兩個標準差,表示大部份村里的脆弱度程度與地理加權迴歸模式推估的誤差,仍在可接受範圍內。由地理加權迴歸的分析角度觀之,雲林地區脆弱度因子與脆弱程度在空間上有一定程度的相關性。

圖6 雲林地區脆弱度地圖

表4 脆弱度因子最小平方法統計分析結果

變數係數機率 (p-value)VIF
截距 0.0000540.747295———-
稻作產量0.5331830.0000001.752828
水井數量0.3053980.0000001.766194
地下水年均差0.0864110.0000004.770228
雨量0.0749540.0000004.698389

圖7 研究地區地理加權迴歸最小平方法殘差圖

接著分析各因子的地理加權迴歸偏迴歸係數圖(圖8),該係數圖呈現每個因子在不同村里影響脆弱度指數的權重。首先觀察稻作產量因子的空間分佈,可看出稻作產量在沿海地區,尤其在台西鄉,具有較高的影響權重,代表該因子的數值變化,容易造成脆弱度指數的大幅變動,表示沿海地區的稻作產量增加,則當地的脆弱度指數會出現較明顯上升,而內陸地區的稻作產量增加,對於當地脆弱度指數的上升情形,相對較不敏感。接著探討水井數量因子於研究區域的空間分布,可發現水井數量權重較高的地方,大多分布於內陸地區,表示內陸地區脆弱度指數易受到水井數量變化,而產生差異,亦即內陸地區的水井數量增加後,容易提高當地的脆弱度指數,但是在沿海地區,水井數量增加對於當地脆弱度數值提升較不明顯。接著分析地下水年均差因子,其權重在研究地區的空間分布,與稻作產量的空間分布型態相似,都是對沿海地區(特別是台西鄉)的脆弱度指數有較高的影響,表示地下水位年均差異值增大,容易導致當地脆弱度指數上升。最後探討雨量因子,其權重的空間分布型態雖然與稻作產量及地下水位年均差相仿,但在沿海地區的麥寮鄉與台西鄉,雨量因子的權重值明顯較高,表示雨量增加後,易造成沿海兩個鄉鎮脆弱度指數明顯上升的情形。

圖8 地理加權迴歸偏迴歸係數圖:(a)稻作產量(b)水井數量(c)地下水年均差(d)雨量

上述空間分析的統計結果顯示,四項因子對於各村里的脆弱度指數整體而言, 有顯著影響力,透過地理加權迴歸分析後,可看出各別因子在不同地區下,對於脆弱度因子所產生的影響程度有所差異。 整體而言,稻作產量,地下水年均差,以及雨量因子,對於沿海地區的脆弱度指數有較明顯的影響力,其中雨量因子呈現的影響情況明顯聚集於麥寮鄉及台西鄉,但是在內陸地區,這三項因子的脆弱度影響力則較不顯著。水井數量因子是唯一與其它三項因子在空間分布型態上相反的因子,該因子對於內陸地區的脆弱度指數有較高影響力,但對於沿海地區村里的影響力則較不明顯。由於各因子皆代表地層下陷之可能成因,故可推論雲林地區受到地層下陷所造成的脆弱程度,與稻作產量,地下水年均差,雨量,及水井數量,除了具統計上的關聯性之外,從地理加權迴歸分析,也可看出各項因子與脆弱度指數的空間相關性。

結論

本研究探討雲林地區受到地層下陷所造成之影響,並以脆弱度指數進行量化分析。經由Boruta演算法分析,判斷影響雲林地區各村里脆弱度的重大影響因子為稻作產量,水井數量,地下水年均差,以及雨量等四項因子,其中稻作產量與水井數量的影響力遠高於地下水年均差以及雨量因子。將上述因子進行脆弱度指數計算並繪製脆弱度空間分布圖,可發現雲林地區各村里的脆弱度大致與地層下陷有正向的空間關聯性。另將脆弱度指數及因子利用地理加權迴歸進行空間統計分析,發現水井數量對於內陸地區的脆弱度指數有顯著影響力,而稻作產量,地下水年均差, 以及雨量等因子則對於沿海地區的脆弱度有較大影響,再與地層下陷分布情況進行比對,則水井數量與地層下陷有正向之空間關聯。若要改善因地層下陷所造成的脆弱程度,由社會脆弱度因子角度分析,應減少沿海地區的稻米栽種,同時減少內陸地區水井開鑿數量,方能減緩地層下陷速率,同時改善地下水年均差,進而提升雲林地區環境永續發展之可能。

 
 

Share this Post