年降水量的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到附近那裡買和營業時間的推薦產品

青藏高原積雪圖集

為了解決年降水量的問題，作者陳多 這樣論述：

本圖集利用衛星遙感積雪資料和青藏高原地面積雪觀測資料首次以地圖的形式直觀地展示了近30年來青藏高原積雪覆蓋、積雪日數、降雪日數和積雪深度等主要積雪要素的時空分佈狀況和變化規律，客觀地揭示了青藏高原積雪的基本特徵和變化事實，對瞭解青藏高原積雪資源、全球變暖對青藏高原積雪資源的影響以及開展積雪相關的防災減災工作和應對氣候變化具有重要參考意義。 前言 製圖說明 青藏高原積雪概況 圖組一青藏高原積雪覆蓋 青藏高原主要山脈、河流與湖泊 青藏高原氣象觀測站分佈圖 青藏高原年平均積雪覆蓋率 青藏高原春季平均積雪覆蓋率 青藏高原夏季平均積雪覆蓋率 青藏高原秋季平均積雪覆蓋率 青藏高原冬季平

均積雪覆蓋率 青藏高原1月平均積雪覆蓋率 青藏高原2月平均積雪覆蓋率 青藏高原3月平均積雪覆蓋率 青藏高原4月平均積雪覆蓋率 青藏高原5月平均積雪覆蓋率 青藏高原6月平均積雪覆蓋率 青藏高原7月平均積雪覆蓋率 青藏高原8月平均積雪覆蓋率 青藏高原9月平均積雪覆蓋率 青藏高原10月平均積雪覆蓋率 青藏高原11月平均積雪覆蓋率 青藏高原12月平均積雪覆蓋率 青藏高原年平均積雪覆蓋率變化趨勢 青藏高原春季平均積雪覆蓋率變化趨勢 青藏高原秋季平均積雪覆蓋率變化趨勢 青藏高原年平均積雪覆蓋率標準差空間分佈 青藏高原春季平均積雪覆蓋率標準差空間分佈 青藏高原秋季平均積雪覆蓋率標準差空間分佈 圖組二青藏高

原積雪日數 青藏高原平均年積雪日數空間分佈 青藏高原春季平均積雪日數空間分佈 青藏高原夏季平均積雪日數空間分佈 青藏高原秋季平均積雪日數空間分佈 青藏高原冬季平均積雪日數空間分佈 青藏高原1月平均積雪日數空間分佈 青藏高原2月平均積雪日數空間分佈 青藏高原3月平均積雪日數空間分佈 青藏高原4月平均積雪日數空間分佈 青藏高原5月平均積雪日數空間分佈 青藏高原6月平均積雪日數空間分佈 青藏高原7月平均積雪日數空間分佈 青藏高原8月平均積雪日數空間分佈 青藏高原9月平均積雪日數空間分佈 青藏高原10月平均積雪日數空間分佈 青藏高原11月平均積雪日數空間分佈 青藏高原12月平均積雪日數空間分佈 青藏高

原年積雪日數變化趨勢 青藏高原春季積雪日數變化趨勢 青藏高原秋季積雪日數變化趨勢 青藏高原冬季積雪日數變化趨勢 青藏高原年積雪日數標準差空間分佈 青藏高原春季積雪日數標準差空間分佈 青藏高原秋季積雪日數標準差空間分佈 圖組三青藏高原雪日數 青藏高原平均年降雪日數空間分佈 青藏高原春季平均降雪日數空間分佈 青藏高原夏季平均降雪日數空間分佈 青藏高原秋季平均降雪日數空間分佈 青藏高原冬季平均降雪日數空間分佈 青藏高原1月平均降雪日數空間分佈 青藏高原2月平均降雪日數空間分佈 青藏高原3月平均降雪日數空間分佈 青藏高原4月平均降雪日數空間分佈 青藏高原5月平均降雪日數空間分佈 青藏高原6月平均降雪

日數空間分佈 青藏高原7月平均降雪日數空間分佈 青藏高原8月平均降雪日數空間分佈 青藏高原9月平均降雪日數空間分佈 青藏高原10月平均降雪日數空間分佈 青藏高原11月平均降雪日數空間分佈 青藏高原12月平均降雪日數空間分佈 青藏高原年降雪日數變化趨勢 青藏高原春季降雪日數變化趨勢 青藏高原夏季降雪日數變化趨勢 青藏高原秋季降雪日數變化趨勢 青藏高原冬季降雪日數變化趨勢 青藏高原年降雪日數標準差空間分佈 青藏高原春季降雪日數標準差空間分佈 青藏高原秋季降雪日數標準差空間分佈 圖組四青藏高原積雪深度 青藏高原雪深極值空間分佈 青藏高原春季雪深極值空間分佈 青藏高原夏季雪深極值空間分佈 青藏高原秋

季雪深極值空間分佈 青藏高原冬季雪深極值空間分佈 青藏高原平均年最大雪深空間分佈 青藏高原春季平均最大雪深空間分佈 青藏高原夏季平均最大雪深空間分佈 青藏高原秋季平均最大雪深空間分佈 青藏高原冬季平均最大雪深空間分佈 青藏高原1月平均最大雪深空間分佈 青藏高原2月平均最大雪深空間分佈 青藏高原3月平均最大雪深空間分佈 青藏高原4月平均最大雪深空間分佈 青藏高原5月平均最大雪深空間分佈 青藏高原6月平均最大雪深空間分佈 青藏高原7月平均最大雪深空間分佈 青藏高原8月平均最大雪深空間分佈 青藏高原9月平均最大雪深空間分佈 青藏高原10月平均最大雪深空間分佈 青藏高原11月平均最大雪深空間分佈 青藏

高原12月平均最大雪深空間分佈 青藏高原年最大雪深變化趨勢 青藏高原春季最大雪深變化趨勢 青藏高原夏季最大雪深變化趨勢 青藏高原秋季最大雪深變化趨勢 青藏高原冬季最大雪深變化趨勢 圖組五青藏高原氣溫 青藏高原年平均氣溫空間分佈 青藏高原春季平均氣溫空間分佈 青藏高原夏季平均氣溫空間分佈 青藏高原秋季平均氣溫空間分佈 青藏高原冬季平均氣溫空間分佈 青藏高原1月平均氣溫空間分佈 青藏高原2月平均氣溫空間分佈 青藏高原3月平均氣溫空間分佈 青藏高原4月平均氣溫空間分佈 青藏高原5月平均氣溫空間分佈 青藏高願6月平均氣溫空間分佈 青藏高原7月平均氣溫空間分佈 青藏高原8月平均氣溫空間分佈 青藏高原9

月平均氣溫空間分佈 青藏高原10月平均氣溫空間分佈 青藏高原11月平均氣溫空間分佈 青藏高原12月平均氣溫空間分佈 青藏高原年平均氣溫變化趨勢 青藏高原春季平均氣溫變化趨勢 青藏高原夏季平均氣溫變化趨勢 青藏高原秋季平均氣溫變化趨勢 青藏高原冬季平均氣溫變化趨勢 青藏高原年平均最高氣溫空間分佈 青藏高原春季平均最高氣溫空間分佈 青藏高原夏季平均最高氣溫空間分佈 青藏高原秋季平均最高氣溫空間分佈 青藏高原冬季平均最高氣溫空間分佈 青藏高原1月平均最高氣溫空間分佈 青藏高原4月平均最高氣溫空間分佈 青藏高原7月平均最高氣溫空間分佈 青藏高原10月平均最高氣溫空間分佈 青藏高原年平均最高氣溫變化趨勢

青藏高原春季平均最高氣溫變化趨勢 青藏高原夏季平均最高氣溫變化趨勢 青藏高原秋季平均最高氣溫變化趨勢 青藏高原冬季平均最高氣溫變化趨勢 青藏高原年平均最低氣溫空間分佈 青藏高原春季平均最低氣溫空間分佈 青藏高原夏季平均最低氣溫空間分佈 青藏高原秋季平均最低氣溫空間分佈 青藏高原冬季平均最低氣溫空間分佈 青藏高原1月平均最低氣溫空間分佈 青藏高原4月平均最低氣溫空間分佈 青藏高原7月平均最低氣溫空間分佈 青藏高原lo月平均最低氣溫空間分佈 青藏高原年平均最低氣溫變化趨勢 青藏高原春季平均最低氣溫變化趨勢 青藏高原夏季平均最低氣溫變化趨勢 青藏高原秋季平均最低氣溫變化趨勢 青藏高原冬季平均最低氣

溫變化趨勢 圖組六青藏高原降水 青藏高原平均年降水量空間分佈 青藏高原春季平均降水量空間分佈 青藏高原夏季平均降水量空間分佈 青藏高原秋季平均降水最空間分佈 青藏高原冬季平均降水量空間分佈 青藏高原1月平均降水量空間分佈 青藏高原2月平均降水量空間分佈 青藏高原3月平均降水量空間分佈 青藏高原4月平均降水最空間分佈 青藏高原5月平均降水景空間分佈 青藏高原6月平均降水量空間分佈 青藏高原7月平均降水量空間分佈 青藏高原8月平均降水量空間分佈 青藏高原9月平均降水量空間分佈 青藏高原10月平均降水量空間分佈 青藏高原11月平均降水量空間分佈 青藏高原12月平均降水量空間分佈 青藏高原年降水最變

化趨勢 青藏高原春季降水量變化趨勢 青藏高原夏季降水量變化趨勢 青藏高原秋季降水量變化趨勢 青藏高原冬季降水量變化趨勢 青藏高原春季降水量占年降水量百分比 青藏高原夏季降水量占年降水量百分比 青藏高原秋季降水量占年降水量百分比 青藏高原冬季降水量占年降水量百分比

年降水量進入發燒排行的影片

以人本尺度探討綠覆及遮蔽率對行人步道熱環境之影響模式

為了解決年降水量的問題，作者束博 這樣論述：

都市熱環境的優劣直接影響戶外公共空間的舒適性和安全性，而且間接影響都市公眾健康、建築能耗。都市行人步道為人行主要戶外空間，本研究將以人本尺度探討行人步道熱環境的立體動態空間變化，微氣候之熱輻射、熱對流及熱傳導等作用於都市行人步道。都市行道樹為我們的都市提供了許多環境、社會和經濟效益。這項研究探索了新生南路二段、忠孝東路三段的行人步道區域之樹植在改善行人步道熱環境的作用。本研究將運用熱影像鏡頭進行街道表面熱環境進行數據收集，並利用動態都市探針掃描得到街道立體的空氣溫度、濕度、風速等氣候地圖資訊。從表面熱環境與垂直空間熱環境兩個方面深度解析都市行人步道熱環境，進而探討綠覆及遮蔽率影響下，建物立面

及街道地坪產生的反射溫度衰減現象，瞭解熱環境緩解效果。本研究改善過去都市行人步道熱環境以往二維氣候地圖的靜態呈現，研究通過三維垂直空間數據更準確真實空間溫度變化。研究將會對於未來新建街區或老舊街區改善等提供熱環境相應理論基礎。

超級智能時代：智慧革命中，前2%的人掌握世界，其餘98%將被淘汰

為了解決年降水量的問題，作者吳軍 這樣論述：

世界經濟論壇：第四次工業革命來臨，2020年前，將有500萬個工作機會消失…… 　　第一次工業革命，瓦特帶來了蒸汽機； 　　第二次工業革命，愛迪生發明了電氣； 　　電腦的發明，讓我們迎來資訊革命； 　　若你還在適應資訊革命，來勢洶洶的第四次工業革命──智慧革命， 　　將讓你在超級智能時代成為被機器取代的革命犧牲者。 　　　　 　　曾於谷歌、騰訊擔任要職，同時也是約翰霍普金斯大學工學院董事會董事的作者吳軍， 　　同時身為研究者與科技人，用最深入淺出的文字告訴我們， 　　什麼是人工智慧？什麼是大數據？ 　　這些對一般人來說很模糊的概念，又會怎麼影響我們的生活？ 　　◎現有產業＋人工智慧＝新產業

　　未來的農業、製造業、體育界、醫療、律師，甚至記者編輯，所有產業都將迎來嶄新的變化。 　　◎農業＋人工智慧＝滴灌技術 　　乾旱國家以色列，在年降水量只有兩百毫米的狀態下，利用自動化的電腦控制，將沙漠變成綠洲──甚至成為農產品出口大國，被譽為歐洲的廚房。 　　◎體育＋人工智慧＝金州勇士隊 　　長期來的送分球隊勇士隊，在數據分析的管理之下，除了打造出神射手明「咖哩」，還創下全賽季82場獲勝73場的紀錄──從吊車尾晉升冠軍球隊。 　　◎製造業＋人工智慧＝特斯拉 　　先取消代理商制度，藉此壓低成本；從不雇用生產線人員，員工只有IT人員。在引進大數據與人工智慧，讓汽車這個老行業脫胎換骨後──自

動駕駛汽車問世。 　　當AlphaGo打敗世界圍棋冠軍李世乭， 　　電腦的獲勝，正式宣告了智慧時代的來臨， 　　許多人開始感到危機，害怕有一天機器會搶走人的飯碗…… 　　但機器不會控制人類，只有製造出那些機器智慧的人可以。 　　而我們能做的，就是了解正在發生的技術改革，面對現實。 　　一旦抓住智慧革命的機運，你會發現這場革命將是人類的勝利。 　　每次的技術革命，都帶來半世紀的動盪，我們為了不再重蹈覆轍， 　　唯有讓自己成為革命下的受益者──成為前2％的人。 　　那麼，要如何才能進入前2％的行列？ 　　很簡單，正面擁抱這場智慧革命。 名人推薦 　　創新工場創辦人／李開復 　　中華民國人工

智慧學會理事長／吳毅成 　　智慧推薦！ 　　「這是一本我認為跟《必然》同樣重要，甚至更有現實意義的年度好書。大量的工作崗位消失，大量的人被迫離開自己熟悉的環境和生活，大量的人在新的社會撕裂中陷入命運的顛簸。你會是領跑者嗎？」──邏輯思維    羅胖 　　「這是一部近代科技的歷史書，也是一部科普書，也可以說是一本指導創新的教科書。」──中國工程院院士　鄔賀銓 　　「即將到來的這個智慧時代，人類將遭遇前所未有的不連續性。如何在新的時代裡生存，跨越底層認知的不連續性，……如何在智慧時代跨越思維的不連續性？此書也許是尋求答案時最恰當的一本。──混沌大學創始人　李善友 作者簡介 吳軍 　

　霍普金斯大學計算機科學博士，於2002年進入谷歌，2010年加盟騰訊，擔任搜尋和搜尋廣告的副總裁。是當前谷歌中日韓文搜尋演算法的主要設計者。2014年於矽谷創辦豐元資本風險投資公司，也同時在美國兩家風險投資基金擔任董事和顧問。 　　身兼約翰霍普金斯大學工學院董事會董事，以及該校國際事務委員會顧問。著有《數學之美》、《浪潮之巔》、《文明之光》等書。   推薦序一 智慧時代的推手 推薦序二 智慧時代，未來已到 前 言 第四次工業革命，將是人類的勝利 第一章 下一次革命 第二章 將智慧問題轉為數據問題，電腦從此無敵 第三章 我們想知道的，都在數據裡 第四章 在未來，大數據和

人工智慧就像水和電 第五章 大數據和智慧革命的技術挑戰 第六章 未來的智慧化產業 第七章 成為前2%的人   作者序 第四次工業革命，將是人類的勝利 　　2016年是人工智慧史上一個具有紀念意義的年分，它是一個時代的結束，也是新時代的開端。距離1956年約翰•麥卡錫（John McCarthy）、馬文•閔斯基（Hyman Minsky）、納薩尼爾•羅切斯特（Nathaniel Rochester）和克勞德•夏農（Claude Shannon）等人提出人工智慧的概念，正好過去了六十年，按照中國的習慣來說，正好經過了一甲子。而當年在達特茅斯會議提出此概念的十位科學家中，最後一位科學家閔斯

基，也在該年年初離開了人世。這或許表示人類在人工智慧領域第一階段的努力，落下了帷幕。 　　就在閔斯基去世後的兩個月，Google的圍棋電腦AlphaGo，在與世界著名選手李世乭的對局中，以四比一取得了壓倒性的勝利，成為第一個戰勝圍棋世界冠軍的機器人。它的意義要遠遠超過1997年， IBM的電腦深藍（Deep Blue）戰勝西洋棋大師卡斯帕洛夫（Garry Kasparov），因為從難度上講，圍棋比國際象棋要難六到九個量級。這件事不僅是人類在人工智慧領域取得的又一個里程碑，且表示一個新的時代——智慧時代的開始。 　　從電腦發展的角度看，智慧型機器在所有棋類中戰勝人類，其實只是時間問題，因為機

器運算能力的提升是指數級增長，而人類智力能做到線性增長就不錯了。因此，在所有的棋類比賽中，智慧型機器總有一天會超過人。在1997年 IBM的深藍戰勝卡斯帕洛之後，圍棋不僅是電腦尚未超越人類的最後一項棋類，而且還蘊含著上千年的東方文化，即棋道。雖然大部分人相信，電腦最終可以在圍棋上超越人類，但總覺得那仍是幾年後的事情。 　　就在AlphaGo 和李世乭比賽之前，李世乭本人也認為前者的水準和他相差一到兩個子，也就是說，即使他讓先也能以五比○獲勝。中國圍棋界的泰斗聶衛平也認為，電腦是不可能戰勝人類冠軍的。就連曾經在Google 工作過的 IT業老兵李開復博士，也不相信AlphaGo 能贏。這並非李

開復等人對人工智慧的發展狀況不夠了解，而是因為下圍棋本就是一件太難的事情。 　　2015年年底，AlphaGo 僅僅贏了樊麾二段而已，離九段還差得遠。但大家忘記了一件事，那就是AlphaGo 在水準的提升上，並不需要人那麼長的時間。事實上，在Google 內部，大家在開賽前已經知道AlphaGo 的水準並不在九段之下。 　　2016年3月9日，AlphaGo 和李世乭的世紀大戰開始。AlphaGo 在第一盤出人意料的輕鬆獲勝。當然，大部分人在讚譽AlphaGo 的同時，依然認為這可能是李世乭在試探電腦而已，畢竟那是五盤棋的比賽，用一盤棋試探對手未嘗不是明智之舉。但是，當AlphaGo 在第

二盤獲得連勝，並且下出許多令人預想不到的好棋後，對人工智慧抱持懷疑態度的聶衛平等人，都對它產生了敬意。 　　AlphaGo證明了，人是打不過電腦的 　　在AlphaGo 獲得第三盤勝利之後，很多超一流棋手都渴望與它一戰，希望以此檢驗自己的水準，並且提高技藝。雖然李世乭在第四盤抓住AlphaGo 的一個失誤，打了一場漂亮的勝仗，但是AlphaGo 在最後一盤仍穩穩掌控局面，直到勝利。在那次的人機大戰之後，圍棋界對人工智慧，從懷疑變成了頂禮膜拜，大家都意識到，按照AlphaGo 在過去幾個月內的進步速度，只要Google 願意繼續進行研發，很快的，所有圍棋高手都無法和它過招了。 　　電腦之所

以能戰勝人類，是因為機器獲得智慧的方式和人類不同，它不是靠邏輯推理，而是靠大數據和智慧演算法。在數據方面，Google 使用了幾十萬盤圍棋高手之間對弈的數據來訓練AlphaGo，這是它獲得所謂智慧的原因。在計算方面，Google 採用上萬台伺服器來訓練AlphaGo 下棋的模式，並且讓不同版本的AlphaGo 相互對弈上千萬盤，才保證能做到算無遺策。 　　而具體的下棋策略，AlphaGo 有兩個關鍵的技術。第一個關鍵技術是把棋盤上當前的狀態，變成獲勝概率的數學程式，這個程式沒有任何人工規則，而是完全靠前面所說的數據訓練出來。第二個關鍵技術是啟發式搜索算法——蒙特卡羅樹搜索演算法（Monte

Carlo Tree Search），它能將搜索空間限制在非常有限的範圍內，保證電腦能快速找到好的下法。雖然AlphaGo 的訓練使用了上萬台伺服器，但它在和李世乭對弈時，僅用了幾十台伺服器（一千多個CPU的內核以及一百多個GPU）。 　　相比國際象棋，圍棋的搜索空間要大很多倍，AlphaGo 的計算能力與深藍相較，其實並沒有提高這麼多，它靠的是好的搜索演算法，能夠準確聚焦搜索空間，因此能在很短的時間內算出最佳行棋步驟。由此可見，下圍棋這個看似智慧型的問題，從本質上講，是一個大數據和演算法的問題。 　　當然，Google開發AlphaGo的最終目的，並非要證明電腦下棋比人強，而是要開發一種

機器學習的工具，讓電腦能夠解決智慧型問題。AlphaGo和李世乭對弈，實際上是對當今人工智慧水準的測試。從樊麾到李世乭，他們是用自己的專才在幫助Google測試當今人工智慧的水準。在人機對弈的第四盤，李世乭反敗為勝的過程中，他無意中發現AlphaGo的一個缺陷。因此，Google的成功也有李世乭等棋手的功勞。從這個角度來講，AlphaGo的勝利也表示人類在人工智慧達到了一個嶄新的水準，因此它是人類的勝利。   對數據了解的程度，看出你有多文明在很多人的印象中，數據就是數字，或必須是由數字構成，其實不然，數據的範疇比數字要大得多。網際網路上的任何內容，比如文字、圖片和影片都是數據；醫院裡包括

醫學影像在內的所有檔案，也是數據；公司和工廠的各種設計圖紙也是數據；出土文物上的文字、圖示，甚至它們的尺寸、材料，也都是數據；甚至宇宙在形成過程中，也留下了許多數據，比如宇宙中的基本粒子數量。雖然數據本身為客觀存在，但它的範疇隨著文明的進程不斷變化和擴大。在電腦出現以前，一般書籍上的文字內容並不被看成是數據，而今天，這種以語言和文字形式存在的內容，是全世界各種資訊處理中最重要的數據，也是世上通信領域和資訊科技產業的核心數據──包括我們的信件、電話和電子郵件內容、電視和廣播節目、網絡網頁，以及各種社交產品中由使用者產生的內容（User Generated Content，簡稱UGC）。這些數據的

共同點，是以語音和文字為載體。因此，研究人員為了研究和處理它們，還建立了專門針對語音和文字的數據庫，即所謂的語料庫（Corpus）。在語料庫中，數據主要是語音和文字，反而沒有多少數位內容。將數據的外部延伸擴大，那些醫學影像資料、工業中的各種設計圖紙，都可以被劃分為數據。事實上，它們已經是今天大數據處理的對象了。我們人類的活動本身，也可以被看成是一種特殊的數據，比如我們玩遊戲的行為、社會關係、每天的活動等。可以想像，我們下一代所談論的數據，一定比今天的範圍更廣泛。可以說，數據是文明的基石，人類對它的認識也反映出文明的程度。現今談論數據時，人們常常將它和資訊的概念混同，比如在談論數據處理和資訊處理

時，其實想表達的意思相差不大。然而嚴格來講，數據和資訊雖然有相通之處，但還是不同的。

重大地質災害山崩崩塌比時空變異趨勢分析

為了解決年降水量的問題，作者李秉宸 這樣論述：

本研究選定1999年之九二一地震及2009年莫拉克風災為重大地震及降雨事件，以台灣本島為例。利用全台五千分之一圖幅，將台灣本島分為5485個相同大小的區域。根據中央氣象局的九二一地震資料及莫拉克風災報告，將圖幅依九二一地震及莫拉克風災影響的大小各分為五類，並結合地調所及林務局從1989年至2017年的崩塌目錄，計算每一類圖幅的歷年崩塌比，探討崩塌比回歸至背景值的時間，及每一類平均崩塌比在重大地質災害前後的變異性。最後由阿里山鄉地區的崩塌比時序曲線，綜合分析地震及降雨事件兩者交互影響之下的結果。經本研究分析結果顯示九二一地震最大地表加速度(以下用PGA表示)，在PGA 400gal至600ga

l的區域在事件發生年度具有最高的崩塌比，且由九二一地震PGA分類圖幅大致在2003回歸至崩塌背景值，恢復期約為4年。莫拉克風災累積雨量在1800mm至2400mm的區域在事件發生年度具有最高的崩塌比，且受莫拉克風災影響約在2012、2013年回歸至崩塌背景值，恢復期約為3~4年。將崩塌潛在因子之坡度與地質納入考量後發現，在崩塌潛勢低的區域(坡度小於20度、沖積層)以地震PGA600gal為一個門檻，超過600gal時崩塌比會開始明顯上升，而降雨事件的大小在此區域並不會造成崩塌比太大的變異。在崩塌潛勢高的區域(坡度30~40度、三峽群及其相當地層)則以地震PGA 400gal為門檻，超過400g

al崩塌比開始上升。降雨事件則是當累積雨量達600mm以上崩塌比便會明顯上升，且在1800mm至2400mm時崩塌比達高峰0.2，需特別注意。在阿里山鄉地區因為受九二一地震、莫拉克風災以及其餘大小地震降雨事件不斷交互影響，在崩塌比時曲線上較難回歸至背景值，但可看出降雨事件對崩塌比的影響較大，且整體此地區受莫拉克風災影響較九二一地震更為顯著。