臺灣博碩士論文加值系統

乾旱災害的發生往往沒有前兆，當面臨乾旱災害時，最佳的限水決策時機卻已過去，若能提早預警，便能合理的使用有限的水資源。本研究利用五種預測模式:支持向量機（Support Vector Machine, SVM）、類神經網路（Artificial Neural Network, ANN）、多元迴歸、最大概似法、貝式分類法，而預測模式使用三種乾旱判別條件;二分類-乾旱情況（區分是否為乾旱）、二分類-嚴重乾旱情況（區分是否為嚴重乾旱）、三分類情況（非乾旱、乾旱、嚴重乾旱），判斷當旬至未來9旬曾文水庫的乾旱現象，評比各模式在不同判別條件之預測表現，以了解乾旱狀態在各旬進展階段及程度，做為發佈乾旱預警燈號或實施乾旱緊急應變措施的重要依據。
結果顯示在二分類之乾旱與嚴重乾旱判別情況，SVM與ANN在整體的預測表現，明顯高於其他模式，而SVM對於乾旱類別及嚴重乾旱類別之辨別能力又較ANN來的好，在這兩個類別中SVM預測正確率高於ANN約5-10%。
在三分類判別情況中對非乾旱及嚴重乾旱類別，支持向量機在各旬的預測正確率明顯優於其他的預測模式。而ANN在乾旱類別之預測表現較其他預測模式好。而各模式在三分類判別情況中對於乾旱類別仍無法有效預測，因此本研究提出二階段分類情況，並使用支持向量機模式對水庫乾旱進行乾旱預測，並與三分類（全年）情況比較預測正確率。在乾旱類別較三分類（全年）情況預測正確率高15-30%。顯示SVM-二階段分類較其他模式能更有效預測水庫乾旱現象。

Drought often occurs without signs. When facing drought disasters, the best moment for making water restriction policy has already passed. The build of early warning system of drought can help better allocate limited water resource. In this study, five models (Support Vector Machine, SVM, Artificial Neural Network, ANN, multi-variables regression, maximum likelihood and Baysin classifier) were established to predict reservoir drought in next 1-9 ten-days in Tsengwen Reservoir.The discrimination drought prediction models use three ways; two class- drought conditions (distinguish whether the drought), two class- severe drought conditions (distinguish whether the severe drought), the three class (non-drought, drought, severe drought),to estimate the next 1-9 ten-days in Tsengwen Reservoir of drought phenomenon, and assessment of the model in different circumstances to determine the performance of drought prediction. Expect to define the specific stage of drought conditions in order to release the drought warning or implement drought emergency measures.
The results show that severe drought conditions and drought conditions in SVM and ANN has good performance and in these two conditions, the differentiating of severe-drought and drought category is SVM better than ANN. The prediction accuracy of SVM is 5-10% higher than ANN.
The prediction accuracy of non-drought and severe drought categories of SVM in the next 1-9 ten-days are significantly better than other prediction models, the performance of ANN prediction in drought category is better than other prediction models.
To improve the prediction results, in this study two stage classification of support vector machine model is used to predict of reservoir drought. The results show that the predicted accuracy of two stage classification (in drought category) is 15-30% higher than the three classifications.

目錄
摘要 I
ABSTRACT III
謝誌 V
目錄 VII
表目錄 XI
圖目錄 XVII
壹、 前言 1
貳、文獻回顧 5
一、水資源預警指標 5
二、水庫乾旱文獻 6
三、支持向量機之相關文獻 8
四、類神經網路相關文獻 9
五、多元迴歸相關文獻 10
六、最大概似法及貝氏分類法相關文獻 11
參、研究方法 13
一、分類應用於資料分析 13
二、支持向量機 13
（一）結構風險最小化 14
（二）線性支持向量機 16
（三）非線性支持向量機 19
（四）多類支持向量機分類法 20
三、類神經網路 22
（一）發展起源 22
（二）類神經網路理論 22
四、多元迴歸模式 26
（一）逐步迴歸分析 26
（二）多元迴歸分析 27
（三）模式檢定 28
五、最大概似法與貝氏分類法 29
肆、研究區域 33
一、曾文水庫操作規線 35
伍、結果與討論 39
一、相關性分析 40
二、水庫乾旱機率分析 44
三、多元迴歸模式 48
四、數值標準化比較 50
五、二分類 55
（一）嚴重乾旱情況 55
（二）乾旱情況 61
六、三分類 67
（一）三分類（全年）情況 67
（二）三分類（枯水期）情況 76
七、二階段分類情況 85
陸、結論與建議 93
一、 結論 93
二、 建議 94
參考文獻 95
附錄 99
作者簡介 157

1. 王如意、趙啟迪（1990），「區域乾旱之模擬及應用於曾文溪流域農業水資源之規劃」，台灣水利，38（3）:15-36。
2. 王景南（2002），「多類支持向量機之研究」，元智大學資訊管理學系研究所碩士論文，pp.3-28。
3. 李明軒（2008），「支撐向量機與模糊推論於流量預報及時誤差修正之研究」，國立成功大學水利及海洋工程學系碩士論文，pp.71-78。
4. 邱皓政（2000），「社會與行為科學的量化研究與統計分析:SPSS中文視窗版資料分析範例解析」，五南圖書出版公司，pp.35-50。
5. 林宥成（2006），「水利設施多元系統可靠度之研究」，台灣大學土木工程學系碩士論文，pp.6-8。
6. 吳雷根（2004），「曾文水庫枯水期長期入流量預測之研究」，國立成功大學水利及海洋工程學系碩士論文，pp.50-52。
7. 周家慶（2004），「水庫供水操作及枯旱管理之研究—以曾文-烏山頭供水系統為例」，國立臺灣海洋大學河海工程學系碩士論文，pp.15-37。
8. 郭育全（1997），「分散度指標應用於遙測影像分類特徵選取之研究」，台灣大學農業工程學研究所碩士論文，pp.10-15。
9. 孫建平（1997），「類神經網路及其應用於降雨及逕流過程之研究」，國立臺灣大學農業工程學系碩士論文，pp.6-15。
10. 孫建成（2004），「基於支持向量機的多類數字調制方式自動識別算法」，西安交通大學學報，（38）:619-622。
11. 葉怡成（2003），「類神經網路模型應用與實作」，儒林圖書有限公司，pp.35-65。
12. 陳承、史天元（2007），「支持向量機應用於水稻田辨識之研究航測及遙測學刊」，12（3）:225-240。
13. 陳彥璋，張斐章，梁晉銘（2001），「應用幅狀基底函數神經網路預測高屏溪流域颱洪時期水位」，九十年度農業工程研討會，pp.795-801。
14. 許東鳴（2009），「淡水河流域水文時空變異分析」，國立中央大學水文與海洋科學研究所碩士論文，pp.17-18。
15. 許晉嘉（2006），「應用支援向量機法於高解析度衛星影像分類之研究」，逢甲大學環境資訊科技研究所碩士論文，pp.8-10。
16. 莊友欽（1997），「分類法應用於水庫乾旱之研究」，國立台灣大學農業工程學研究所碩士論文，pp.10-25。
17. 張逸凡（2005），「支持向量機在即時河川水位預報之應用」，國立成功大學水利及海洋工程研究所碩士論文，pp.25-36。
18. 楊明德、劉益誠、張騏顯（2008），「應用衛星影像於石門水庫水質優養監測」，水利工程研討會，2008，M2-1、M2-7。
19. 廖紹安（2008），「應用資料探勘技術及紋理分析於崩塌地變遷評估之研究-以九份二山為例」，明道大學環境規劃暨設計研究所碩士論文，pp.14-17。
20. 魏曉萍（2003），「QuickBird衛星影像探討分類方法之研究」，中華大學土木工程學系碩士論文，pp.28-37。
21. 賴建信，陳彥璋（2003），「以類神經網路預測玉峰橋站高水位時期之流量」，中華水土保持學報，34（3）:261-269。
22. 謝明翰（2002），「應用倒傳遞類神經網路於水庫水質之分析-以德基與曾文水庫為例」，臺灣大學土木工程學研究所，碩士論文，pp.20-24。
23. 蕭政宗（2000），「乾旱時期水庫供水策略對缺水影響分析」，農業工程學報，46（2）:54-74。
24. 蕭政宗（2005），「以聯結函數探討雙變數水文事件之機率分佈」，淡江大學水資源及環境工程學系行政院國家科學委員會專題研究計畫 成果報告計畫編號：NSC94-2211-E-032-009-
25. 蕭國鑫（1998），「多時遙測光學與雷達資料於水稻田辨識之研究」，國立交通大學土木工程學系碩士論文，pp.63-64。
26. 顏君凌（2003），「翡翠水庫不同乾旱限水標準之評比」，國立成功大學水利及海洋工程學系碩士論文，pp.5-10。
27. Asaad, Y. S., Kieran, M. C. and Liang, G. C., 1997. Methods for combining the outputs of different rainfall-runoff models. Journal of Hydrology. (19)7: 203-229.
28. Brower, J. C. and D. F. Merriam, 2001. Thematic Map Analysis Using Multi-variables regressions. Mathematical Geology. 33(3): 353-368.
29. Chen, B. F., Chu, C. C. and Wu, C., 2000. Neural networkin hydrological forecasting and supplement of Kao-Pin-Chi. The Fourth International Conference Hydroinformatics. pp. 268.
30. Chang, C. C. and Lin, C. J., 2001. LIBSVM : a library for support vector machines. Software available at http://www.csie.ntu.edu.tw/~cjlin/.
31. Chih, W.H., Chang C. C. and Lin, C. J., 2009. A Practical Guide to Support Vector Classification. Software available at http://www.csie.ntu.edu.tw/~cjlin/.
32. Cigizoglu, H. K., 2002. Suspended sediment estimation and forecasting using artificial neural networks. Turkish Journal of Engineering & Environmental Sciences. (26): 15-25.
33. Dibike, Y. B. and Solomatine, D., 2001. River flow forecasting using artificial neural networks. Journal of Physics and Chemistry of the Earth, Part B: Hydrology; Oceans and Atmosphere. 26(1):1-8.
34. Field, A., 2000. Discovering Statistics Using SPSS for Windows. London, Thousand Oaks. New Delhi. pp. 116-131.
35. Gurmessa, T. K. and Bardossy, A., 2009. A principal component regression approach to simulate the bed-evolution of reservoirs. Journal of Hydrology. 36(8): 30-41.
36. Jennrich, R.J., 1995. An introduction to computational statistics, regression analysis. Prentice-Hall, Englewood Clifs.pp.20-50.
37. Liong, S. Y. and C. Sivapragasam , 2002. Flood stage forecasting with support vector machines. Journal of the American Water Resources Association. 38(1): 173-186.
38. Nagy, H. M., Watanabe, K. and Hirano, M., 2002. Prediction of sediment load concentration in rivers using artificial neural network model. Journal of Hydraulic Engineering. 128( 6): 588-595.
39. Mohsen B., Keyvan A., Morteza E. and Maziar P., 2009. Generalization performance of support vector machines and neural networks in runoff modeling. Expert Systems with Applications 36(4):7624–7629.
40. Miyatani, M., Kanehisa, H., Ito, M., Kawakami, Y. and Fukunaga, T., 2003. The accuracy of volume estimates using ultrasound muscle thickness measurements in different muscle groups. European Journal of Applied Physiology. 91(2-3): 264-272.
41. Melgani, F., and Bruzzone, L., 2004. Classification of hyper spectral remote sensing images with support vector machines. IEEE Trans. Geosci. Remote Sens. 42(8):1778-1790.
42. Mohammad S. K., Paulin, C., 2006. Application of support vector machine in lake water level prediction. Journal of Hydrologic Engineering. 11(3) :199-205.
43. Rouhani S., Cargile, K. A., 1989. A geostatistical tool for drought management. Journal of Hydrology. (108):257-266.
44. Hong, W.C., Lai, C.Y., 2008. Reliability forecasting by recurrent support vector regression. International Journal of Artificial Intelligence and Soft Computing. 1(1) :114 -129.
45. Vapnik, V. N., 1998. Statistical learning theory. New York: John Wiley.
46. Tokar A. S. and Johnson P. A., 1999. Rainfall-runoff modeling using artificial neural networks. Journal of Hydrologic Engineering. (4):232–239.