前言為了避免上述災害和水資源短缺造成不便，專家和研究人員利用地形、空中拍攝、衛星影像以及現場勘驗監測來驗證土石流發生。監測土石流發生與數據收集是一項耗時且繁瑣的工作。因此，在台灣如何預測土石流發生已經成為重要且艱鉅的課題。為了能預測土石流，有許多預測土石流的方法已經被研究，不過成功預測率始終無法維持穩定和一定的可靠性，而本研究的目的就是要發展出一個穩定、可靠的土石流預測模式。本研究提出了一個人工類神經網路模型，由七個顯著因素，採用倒傳遞類神經算法。七個顯著因素包括:(一)溪流長度、(二)平均坡度、(三)有效集水區面積、(四)集水區形狀、(五)土壤中質粒徑、(六)有效累積雨量、(七)有效降雨強度。試區選定台灣東部178筆土石流資料作類神經網路訓練和測試。測試結果，平均成功率達93.82%，表示類神經網路與七個顯著因素對於土石流預測可以提供穩定、可靠的結果，達成減災與保護效果。研究動機和目的這七個顯著因素採用倒傳遞類神經模式(BPN)算法分析和預測土石流。訓練後，調整權重，送入類神經網路模型直接用來預測土石流。這項模型可以被用來協助和驗證減災和預警系統的監測數據。土石流影響的因素(三)有效集水區面積:在台灣東部，約有59%的土石流潛勢溪流有效範圍在10~120公頃內。有效集水區面積大小與收集的雨量有關。大的有效集水區可以收集較多雨量。因此，大的有效集水區面積具有較高誘發土石流發生的機會。(四)集水區形狀:地形因素是流域特色之一，也是影響土石流的因素之一。形狀因子F定義為:F=A/L2A=流域面積、L=主流長度。形狀因子的分布和流速有關，狹長形流域有較小的形狀因子，且他的平均流速形狀是平坦的；窄圓形的流域有較大的形狀因子，其流量形狀成峰狀。這意味著大形狀在單位時間內徑流量比小形狀多。因此如果其它條件保持不變，流域面積大的形狀因子，導致土石流發生的情況較高。(五)土壤中質粒徑:在流域地區，土石流粒徑大小與河床沉積物有關。粒徑大小是土壤性質之一。一般情況下，粒徑小在淺水容易造成土石流；粒徑大則在較深的地方。(六)有效累積雨量:為前期有效累積雨量加上累積雨量之和。除了不斷紀錄、觀察外，土石流發生是很難確定其發生時間。(七)有效降雨強度:發生土石流之有效累積雨量除以該降雨延時即為『有效降雨強度』。倒傳遞類神經網路倒傳遞類神經網路模式的基本原理是利用最陡坡降法(TheGradientSteepestDescentMethod)的觀念，將誤差函數予以最小化。其學習過程通常以一次一個訓練範例的方式進行，直到學習完所有訓練範例，即一個學習回合(LearningEpoch)，一個網路可以訓練範例反覆學習，直到網路的學習達到收斂。在這項研究中，是選擇倒傳遞類神經網路和被監督學習(即學習樣品)。學習(或訓練)後，訓練權重可被用於未來預測土石流的發生。倒傳遞類神經網路是一個流行的神經網路，使用反向傳播算法已被廣泛應用於科學和商業領域的非線性分析和預測。倒傳遞類神經網路結構倒傳遞類神經網路結構包含三個層次:輸入層、隱藏層和輸出層。每層圓圈分別表示節點I、J、K，節點稱為神經元。連接圓圈的箭頭代表每個數值的權重。Wij為輸入層和隱藏層間的權重植；Wjk為隱藏層和輸出層間權重。在計算每個隱藏層和輸入層的神經元。倒傳遞類神經學習算法是由兩個程序所組成:(a)前饋階段、(b)倒傳遞類神經權重訓練。前饋階段倒傳遞權重訓練研究地區分析土石流的倒傳遞類神經網路結構在隱藏層內神經元J的確定需根據以下規則:I、K:分別表是在輸入層和輸出層的神經元數量因此，隱藏層神經元計算為用四捨五入獲得實際在隱藏層中神經元數字為5。19權重訓練和結果顯示訓練階段成功率達98.59%結論在隨機選取執行後，訓練和預測成功率分別達到98.59%和75%。正確性比例為93.82%。由此說明，利用人工類神經網路模型預測土石流發生的這項減災系統是穩定、可靠的。而這也說明因為土石流性質複雜，必須考慮到其他因素，來獲得更高的成功預測率。在防護系統中，這個分析模型可以用來預測當前條件；而其他狀態必須透過改變因子或輸入值來預測。儘管如此，還是需要進一步研究來提高預測的準確性。例如:臨界值和各因素的影響百分比需要更多的調查和研究。此外，評估土石流風險程度也需要做更多工作。