跳到主要內容

臺灣博碩士論文加值系統

(44.200.86.95) 您好!臺灣時間:2024/05/30 01:23
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:徐慶松
研究生(外文):Ching-Sung Shu
論文名稱:以遙測資訊支援高雄都會區暴雨管理決策之可行性研究
論文名稱(外文):The Feasible Study of Applying Remote Sensing Information to Support the Decision Making of Storm Management in Kaohsiung City.
指導教授:陳建中陳建中引用關係
指導教授(外文):Jeng-Chung Chen
學位類別:碩士
校院名稱:輔英科技大學
系所名稱:環境工程與科學系碩士班
學門:工程學門
學類:環境工程學類
論文種類:學術論文
論文出版年:2005
畢業學年度:93
語文別:中文
論文頁數:145
中文關鍵詞:類神經網路降水預報衛星遙測
外文關鍵詞:Neural networksRainfall forecastingRemote sensing
相關次數:
  • 被引用被引用:1
  • 點閱點閱:617
  • 評分評分:
  • 下載下載:24
  • 收藏至我的研究室書目清單書目收藏:2
本研究開發出一個降水預報模式,可以用來支援高雄都會區暴雨管理的決策分析,有鑒於類神經網路對於非線性系統的複雜行為具有優異的掌握能力,所以我們選擇類神經網路來發展本研究的降水預報模式,模式的輸入參數:包括降水前三個小時的氣溫、氣壓、相對濕度、風速、風向、雲頂溫度以及雲覆蓋面積比等。
經由比對中央氣象局於1995-2002年的降水紀錄,我們選擇其中117場的大型突發性降雨事件(逐時降水量超過10mm者)作為樣本,並自中央氣象局購得上述降水事件的紅外線衛星影像以追蹤水氣傳輸的變化。這些衛星影像為400×430個象素,涵蓋了東經116度至126度與北緯19度至28度間的區域。然後再以愛河流域為基點,將上述影像劃分成四個象限,分別計算出不同象限範圍的雲頂溫度、雲覆蓋比等降水特徵值。為了分析衛星影像追蹤降水行為的最佳尺度,本研究分別以四種影像尺度(259×259 pixels、173×173 pixels、87×87 pixels、19×19 pixels)來探討降水預報能力。
整體而言,遙測資訊有助於提升模式的降水預報能力,其中氣壓、相對濕度、各個象限的雲覆蓋比、雲頂溫度極大值、極小值及平均值等為重要的降水預報因子。在影像大小的選擇上,從資訊處理負荷與降水預報的整體表現而言,173×173 pixels的衛星影像尺度最佳。
In this study, we developed a rainfall-forecasting model for supporting the decision making of storm management in Kaohsiung area. Neural Networks, which is well known due to its excellent potential to figuring out the inherent characteristics of a nonlinear system, was used to shape our rainfall-forecasting model. There are several input parameters, consist of ground temperature, pressure, relative humidity, wind speed, wind direction, cloud top temperature and cloud-covering ratio from 3 hours to 1 hour prior to precipitation, in our model.
We surveyed the rainfall events during 1995-2002 and chose one hundred seventeen rainfall events, which total accumulation of rainfall is over 10mm, to form the database of our model. We gathered the infrared satellite images of those selected rainfall events from Taiwan’s Central Weather Bureau. These images with 400×430 pixels covered the area at the latitude and longitude of 116o-126oE and 19o-28oN. Then we divided each image into four quadrants and calculated the cloud top temperature and cloud-covering ratio among each quadrant. In order to know what scale of satellite image can meet the demand of tracking precipitation, we cut the image to be four scales of 259×259 pixels, 173×173 pixels, 87×87 pixels and 19×19 pixels.
Overall remote sensing information is useful on tracking precipitation. Those factors of pressure, relative humidity, cloud-covering ratio and the maximum, minimum and average of cloud top temperature are critical to forecasting precipitation. In addition, we also concluded that the size of 173×173 pixels is the optimal scale of satellite image.
目錄
中文摘要 i
英文摘要 ii
誌謝 iii
目錄 iv
表錄 v
圖錄 vi

第一章緒論 01
1.1研究緣起 01
1.2研究目地 01
1.3論文內容 03

第二章文獻探討 04
2.1降水預報理論相關研究整理 04
2.2衛星遙測資訊解析技術之相關研究 06
2.2.1遙測基本原理 08
2.2.2氣象衛星種類 09
2.2.3氣象衛星演進 11
2.2.4GMS-5衛星 11
2.2.5衛星雲圖種類 12
2.2.6影像格式 14
2.3人工智慧應用於降水預報模式之相關研究 18
2.3.1類神經網路基本原理 20
2.3.2類神經網路基本架構 21
2.3.3類神經網路運作過程 22
2.3.4倒傳遞類神經網路介紹 24
2.3.5倒傳遞網路架構 25
2.3.6倒傳遞網路演算法 26

第三章研究方法及流程 31
3.1氣象資料之蒐集及整理 31
3.1.1降水慨念性分析 31
3.1.2地面測站氣象觀測因子與降水關係 33
3.1.3資料的篩選 35
3.2衛星影像解析 36
3.2.1網格尺度 37
3.2.2色調強化雲圖數值化 38
3.3資料同化 44
3.4類神經降水預報模式 45
3.4.1降水預報模式之建模 45
3.4.2輸入參數正規化 47
3.4.3設定網路架構與學習參數 47
3.4.4降水預報模式之定模 48
3.4.5誤差校驗方法 49
3.5敏感度分析 49

第四章結果與討論 52
4.1網格尺度 63
4.2敏感度分析 69
4.3降水預報模式之應用 72

第五章結論與建議 85
5.1結論 85
5.2建議 86

參考文獻 87
附表 98
附圖 104

表錄
表2-1點陣圖與向量圖的比較 98
表2-2點陣圖主要檔案格式 98
表2-3向量圖主要檔案格式 99
表3-1氣象因子變化之比較 99
表3-2色溫校驗表 100
表3-3模式輸入參數 101
表4-1敏感度分析結果 102
表4-2711地面觀測資訊 102
表4-3520地面觀測資訊 103
表4-4611地面觀測資訊 103

圖錄
圖2-1四種不同頻道之雲圖 104
圖2-2點陣圖放大失真情形 104
圖2-3向量圖放大不失真 104
圖2-4生物神經元 105
圖2-5人工神經元 105
圖2-6三層式具有隱藏層的類神經網路架構圖 106
圖2-7對數雙彎曲轉移函數 106
圖3-1研究架構圖 107
圖3-2慨念性的降水機制分析 108
圖3-3中央氣象局四種不同的雲圖 108
圖3-4研究區域示意圖 109
圖3-5不同尺度範圍及pixels值 109
圖3-6相對雲頂溫度 110
圖3-7色溫校驗圖 110
圖3-8資料同化示意圖 111
圖3-9以Matlab開發敏感度分析介面 111
圖3-10敏感度分析示意圖 112
圖4-1(a)神經元學習錯誤率-1hr 113
圖4-1(b)神經元學習錯誤率-2hr 113
圖4-1(c)神經元學習錯誤率-3hr 113
圖4-2(a)高雄站預報能力測試結果-1hr 114
圖4-2(b)高雄站預報能力測試結果-2hr 114
圖4-2(c)高雄站預報能力測試結果-3hr 114
圖4-3驗證雨量站地理位置圖 115
圖4-4(a)711模擬測試圖-左營站 115
圖4-4(b)711模擬測試圖-鳳山站 115
圖4-5(a)520模擬測試圖-左營站 116
圖4-5(b)520模擬測試圖-鳳山站 116
圖4-6(a)611模擬測試圖-左營站 116
圖4-6(b)611模擬測試圖-鳳山站 117
圖4-6(c)611模擬測試圖-高雄站 117
圖4-7(a)加入遙測資訊-1hr 118
圖4-7(b)加入遙測資訊-2hr 118
圖4-7(c)加入遙測資訊-3hr 118
圖4-8(a)未加入遙測資訊-1hr 119
圖4-8(b)未加入遙測資訊-2hr 119
圖4-8(c)未加入遙測資訊-3hr 119
圖4-9(a)19x19pixels-1hr 120
圖4-9(b)19x19pixels-2hr 120
圖4-9(c)19x19pixels-3hr 120
圖4-10(a)87x87pixels-1hr 121
圖4-10(b)87x87pixels-2hr 121
圖4-10(c)87x87pixels-3hr 121
圖4-11(a)173x173pixels-1hr 122
圖4-11(b)173x173pixels-2hr 122
圖4-11(c)173x173pixels-3hr 122
圖4-12(a)259x259pixels-1hr 123
圖4-12(b)259x259pixels-2hr 123
圖4-12(c)259x259pixels-3hr 123
圖4-13(a)敏感度-1hr 124
圖4-13(b)敏感度-2hr 124
圖4-13(c)敏感度-3hr 124
圖4-14(a)2001/07/11-16時降水模擬累積分布圖 125
圖4-14(b)2001/07/11-17時降水模擬累積分布圖 125
圖4-14(c)2001/07/11-18時降水模擬累積分布圖 125
圖4-14(d)2001/07/11-19時降水模擬累積分布圖 126
圖4-14(e)2001/07/11-20時降水模擬累積分布圖 126
圖4-14(f)2001/07/11-21時降水模擬累積分布圖 126
圖4-14(g)2001/07/11-22時降水模擬累積分布圖 127
圖4-14(h)2001/07/11-23時降水模擬累積分布圖 127
圖4-15(a)2004/05/20-13時降水模擬累積分布圖 128
圖4-15(b)2004/05/20-14時降水模擬累積分布圖 128
圖4-15(c)2004/05/20-15時降水模擬累積分布圖 128
圖4-15(d)2004/05/20-16時降水模擬累積分布圖 129
圖4-15(e)2004/05/20-17時降水模擬累積分布圖 129
圖4-15(f)2004/05/20-18時降水模擬累積分布圖 129
圖4-15(g)2004/05/20-19時降水模擬累積分布圖 130
圖4-15(h)2004/05/20-20時降水模擬累積分布圖 130
圖4-16(a)2005/06/11-24時降水模擬累積分布圖 131
圖4-16(b)2005/06/12-01時降水模擬累積分布圖 131
圖4-16(c)2005/06/12-02時降水模擬累積分布圖 131
圖4-16(d)2005/06/12-03時降水模擬累積分布圖 132
圖4-16(e)2005/06/12-04時降水模擬累積分布圖 132
參考文獻
1. 葉怡成,1999,應用類神經網路,儒林圖書有限公司。

2. 強智星,2000,MATLAB程式設計與應用,清蔚科技。

3. 羅華強,2001,類神經網路-MATLAB的應用,清蔚科技。

4. 中央大學太空及遙測研究中心衛星遙測實驗室,1998,使用者手冊,中央大學。

5. 經濟部水利處及財團法人維謙基金會,2001,颱風豪雨防災手冊。

6. 陳泰然、李清勝、王時鼎、紀水上、周仲島,1993,豪雨預報技術改進之研究-颱風部份研究計畫,交通部中央氣象局82年度委託研究計畫,(CWB82-2M-10)。

7. 王如意、李如晃,1993,颱洪逐時區域平均雨量最佳估計之研究,農工學報,第39卷,第3期。

8. 陳炫東、鄭克聲、張尊國,1993,水庫集水區之土地覆蓋判釋-運用衛星影像與地理資訊系統,82年度農業工程研討會論文集,第131-145頁。

9. 顏世坤,1994,Wavelet轉換於遙測影像之分析及其應用,國立中央大學太空科學所,碩士論文。

10. 王如意、李如晃、謝龍生、朱子偉,1994,八掌溪流域降雨預報模式之研究,行政院國家科學委員會專題研究計畫。
11. 阮聖裕,1994,類神經網路應用於地表覆蓋分類之研究,國立台灣大學農業工程研究所,碩士論文。

12. 林錦全,1995,衛星影像資料於集水區地表覆蓋分類之研究,台灣大學農業工程學研究所,碩士論文。

13. 周乃昉,鄭子璉,1995,分佈型類神經網路降雨逕流模式之研究,成功大學水利及海洋工程研究所,碩士論文。

14. 孫建平、張斐章,1995,倒傳遞神經網路演算法於時雨量預測之研究,84年農業工程研討會論文集,第209-233 頁。

15. 孫建平,1996,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研究所,碩士論文。

16. 張斐章、黃源義、梁晉銘、孫建平,1996, 類神經網路在水文歷程之研析,第二屆海峽兩岸水利科技交流研討會論文集,第253-266頁。

17. 楊錦釧、葉克家、湯有光,1996,台灣暴雨雨型之認證,台電工程月刊,第579期。

18. 鄭克聲、許敏楓、葉惠中,1996,雨量站網設計與評估-區域化變數理論之應用,台灣水利,第44卷,第1期。

19. 鄭子璉,1996,分佈型類神經網路降雨逕流模式之研究,國立成功大學水利及海洋工程研究所,碩士論文。
20. 陳昶憲、楊朝仲、王益文,1996,類神經網路於烏溪流域洪流預報之應用,中華水土保持學報,27卷4期,第267-274頁。

21. 蔡敏之,1996,應用輔助資訊及類神經網路於遙測影像土地利用分類之研究-以識別都市區為例,國立成功大學測量工程研究所,碩士論文。

22. 詹進發,1997,類神經網路應用於遙測影像分類之研究,台大實驗林研究計劃。

23. 陳益凰,1997,應用多時段衛星影像辨識水稻田之研究,國立成功大學測量工程學系,碩士論文。

24. 陳繼藩、徐守道、陳世旺,1997,應用非監督性類神經網路於SPOT衛星影像分類之研究,航測及遙測學刊,vol. 2(1),pp.1-12。

25. 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,國立台灣大學農業工程學研究所,碩士論文。

26. 周乃昉、鄭子璉,1997,分佈型類神經網路降雨逕流模式之研究,86年電子計算機於土木水利工程應用研討會論文集,第993-1004頁。

27. 李天浩、王時鼎、張志琳,1998,淡水河流域颱風面積定量降雨氣候預報模式研究,第九屆水利工程研討會論文集。

28. 蕭國鑫,1998,多時遙測光學與雷達資料於水稻田辨釋之研究,國立交通大學土木工程系,碩士論文。
29. 江良印,1998,紋理特徵應用於遙測影像判釋之理論研究,國立台灣大學農業工程學系研究所,碩士論文。

30. 張斐章、梁晉銘,1998,倒傳遞神經網路參數訓練演算法於水文系統之研究,第九屆水利工程研討會論文集,pp.I105-112。

31. 張斐章、胡湘帆,1998,反傳遞模糊類神經網路於流量推估之應用,中國農工學報,44卷3期,第26-38頁。

32. 陳莉、楊人傑,1998,人工智慧超矩形學習模式於逕流量推估之研究,第九屆水利工程研討會論文集,第141-148頁。

33. 黃智顯、張仁德、林茂佟、陳泉旭,1999,類神經網路在都市雨水下水道應用之研究,第十屆水利工程研討會論文集。

34. 劉長齡、李孟武,1999,類神經網路水庫模糊操作模式之建立與應用,第十屆水利工程研討會論文集。

35. 鄭克聲,1999,台灣地區降雨等級分類之研究,88年度防災專案計畫。

36. 鄭克聲、許恩菁,1999,暴雨延時特性與雨型分析之研究(二),農業水資源經營技術88年度研究計畫。

37. 謝信良、王時鼎、鄭明典、葉天降、丘台光,1999,建立台灣地區颱風預報輔助系統之研究,中央氣象局專題研究報告(CWB87-1M-01)。
38. 楊志賢,1999,台灣地區颱風災害之潛勢分析,台灣大學土木工程研究所,碩士論文。

39. 李光敦,1999,利用數值高程資料進行集水區逕流模擬(二),農委會88科技-1.7-林-01-3(8)研究計畫。

40. 蕭百齡,1999,類神經網路與SPOT 衛星影像分類之研究,國立屏東科技大學熱帶農業研究所,碩士論文。

41. 張右峻,1999,利用類神經網路探討土地利用型態與環境變遷之研究,私立逢甲大學土地管理研究所,碩士論文。

42. 邵泰璋,1999,類神經網路於多光譜影像分類之應用,國立交通大學土木工程系,碩士論文。

43. 謝信良、王時鼎、鄭明典、葉天降、丘台光,2000,建立台灣地區颱風預報輔助系統之研究,中央氣象局專題研究計劃(CWB88-1M-01)。

44. 周晏勤,2000,以遙感探測方法探討南橫公路邊坡破壞的重要因子,國立成功大學資源工程研究所,碩士論文。

45. 洪皓人,2000,衛星影像分類方法之研究-以鳳山溪上游集水區為例,國立中興大學水土保持研究所,碩士論文。

46. 盧文鴻,2000,超矩形學習模式應用於遙測影像分類判釋之研究,私立中華大學土木工程研究所,碩士論文。
47. 吳俊穎,2000,衛星影像監測永和山水庫水質之研究,私立中華大學土木工程研究所,碩士論文。

48. 周乃昉、鄭子璉、林柏承,2000,應用類神經網路於颱風降雨量之推估,第11屆水利工程研討會論文集,第c23-c28 頁。

49. 王安培、黃群岳,2000,颱風洪流量之神經網路預測,中原大學土木工程研究所,碩士論文。

50. 黃謙順、莊益誠,2000,類神經網路模式的資料探勘以颱風降雨分佈為例,中國文化大學資訊管理研究所,碩士論文。

51. 黃誌勇,2001,SPOT 自然色影像產生之研究,國立中央大學土木工程研究所,碩士論文。

52. 樊采虹、許佳容,2001,台灣地區颱風降雨量預測之統計方法探討及校驗,國立中央大學統計研究所,碩士論文。

53. 陳昶憲、黃尹龍、吳青俊、蔡曜隆,2001,應用倒傳遞與反傳遞類神經網路模式於洪流量之預測,台灣水利,第49卷,第3期,第65-77頁。

54. 江衍銘、張麗秋、張斐章,2002,回饋式類神經網路於二階段即時流量預測,台灣水利,第50卷,第2期,第7-13頁。

55. 陳建中、徐慶松,2004,應用遙測資訊進行都會區暴雨水污染衝擊之預報,第二屆環境資訊研討會。

References
1. Atiya, A.F., El-Shoura, S.M., Shaheen, S.I., El-Sherif, M.S., 1999. A comparison between neural network forecasting. techniques-case study : river flow forecasting. IEEE Trans. on NN, vol. 10, pp. 402-409.

2. Burpee, R. W., Black, M. L., 1989. Temporal and spatial variations of rainfall near the centers of two tropical cyclones. Mon Wea. Rev.,vol. 117, pp. 2204-2218. (Monthly Weather Review)

3. Bishof et al.,1992. Multispectral classification of landsatlmages using neural network. IEEE Transactions on Geoscience and Remote Sensing ,pp. 482-490.

4. Baban, S. M. J., 1993. Detecting water quality parameters in the Norfolk Broads , U. K.using Landsat imagery. Int . J . Remote Sensing ,vol. 14, pp. 1247-1267.

5. Bender, M. A., 1997. The effect of relative flow on the asymmetric structure of the interior of hyrricanes. J.Atmos.Sci., vol. 54,pp. 703-724.(Journal of the Atmospheric Sciences)

6. Chen, J. C., Shiu, C. S., Chang, N. B., 2003. Web-based Decision Support System for Flooding Prevention and Mitigation in an Urban Region Using Remote Sensing and Numerical Modeling, the 30th International Symposium on Remote Sensing of Environment, November 10-14, Honolulu, Hawaii.

7. Chen, J. C., Chang, N. B., Chen, C.Y., Lee, M. T.,2003. Mitigating the Impacts of Combined Sewer Overflow to an Urban River System via Web-based Share-Vision Modeling, Journal of Civil Engineering and Environmental Systems, vol. 20(4), pp. 213-230.

8. Chen, J. C., Chang, N. B., Chen, C.Y.,2004. Minimizing Ecological Risk of Combined Sewage Overflow in an Urban River System by a System-based Approach, Journal of Environmental Engineering, ASCE, vol. 130(10), pp. 1154-1169.

9. Chen, J. C., Tsou, P. S., Chang, N. B., 2005. Combined remote sensing with water quality modeling for storm management, The first international conference on environmental science and technology, January 23-26, USA, New Orleans.

10. Dvorak, V. F., 1984. Tropical cyclone intensity analysis using satellite data. NOAA Technical Memorandum NESDIS 11, US Department of Commerce, pp. 47. Washing DC.

11. DeMaria, M., Kaplan J.,1993. Upper-level eddy angular momentum fluxes and tropical cyclone intensity change. J.Atmos.Sci.,vol. 50 ,pp. 1133-1147.(Journal of the Atmospheric Sciences)

12. Ellis, S. R., Lindner, J. B., 1983. Effects of increased urbanization on the storm runoff from a small urban basin in metropolian. International Symposium on Urban Hydrology and Sediment Control,pp 79-85. Denver,Colorado.

13. French, M. N., Krajewski, W. F., Cuykendall, R. R., 1992. Rainfall forecasting in space and time using a neural network. Journal of Hydrology, vol. 137, pp. 1-31.
14. Frank, Ritchie, E. A., 1999. Effects on environmental flow upon tropical cyclone structure. Mon Wea. Rev.,vol. 127,pp. 2044-2061.(Monthly Weather Review)

15. Halff, A. H., Azmoodeh, M., 1993. Predicting runoff from rainfall using neural networks. ASCE National Conference on Hydraulic Engineering, pp. 760-765, San Francisco.

16. Hsu, K-L , Gupta, H. V., Sorooshian, S., 1995. Artifical neural network modeling of the rainfall-runoff process. Water Resources Research,vol. 31(10), pp. 2517-2530.

17. Lillesand, T. M., Johnson, W. L., Deveil, R. L., Lixdstrom, O. M., Meisner, D. E., 1983. Use of Landsat data to predict the trophic state of Minnesota lakes. Photogrammetric Engineering & Remote Sensing , vol. 49(2), pp. 219-229.

18. Lorrai, M., Sechi, G. M., 1995. Neural nets for modeling rainfall-runoff Transformations. Water Resources Mangerment, vol. 9, pp. 299-313.

19. Lichen, 2003. A study of applying genetic programming to reservoir trophic state evaluation using remote sensor data. Int.J. Remote Sensing, vol. 24(11), pp. 2265-2275.

20. Parlos, A.G., Rais, O.T., Atiya, A.F., 2000. Multi-step-ahead prediction using dynamic recurrent neural networks. Neural Networks, vol. 13,pp. 765-786.
21. Rodgers, E. B., Chung, S. W., Pierce, H. F., 1994. A satellite observational and numerical study of precipitation characteristics in Western North Atlantic tropical cyclones. J. Appl. Meteor.,vol. 33,pp.129-139.(Journal of Applied Meteorology)

22. Shapiro, 1983. The asymmetric boundary-layer flow under a translating hurricane. J. Atoms. Sci.,vol. 40,pp. 1984-1998.(Journal of the Atmospheric Sciences)

23. Tassan, S., 1993. An improved in-water algorithm for the determination of chlorophyll and Suspended sediment concentration form thematic Mapper data in coastal waters. Int . J . Remote Sensing ,vol. 14(6) ,pp. 1221-1229.
(ISPRS J. of Photogrammetry & Remote Sensing)

24. Tokar, A. S., Johnson, P. A., 1999. Rainfall-runoff modeling using artificial neural networks. J. Hydrologic Engrg., ASCE, vol. 4(3), pp. 232-239.

25. Wu, R., Weinman, J.A., Chin, R.F., 1985. Determination of rainfall rate fron GOES satellite images by a pattern recognition technique. Journal of Atmospheric and Oceanic Technology ,vol. 2, pp. 314-330.

26. Williamson, H. D., 1989. The discrimination of irrigated orchard and vine crops using remotely sensed data. Photogrammetric Engineering and Remotely Sensed Data, vol. 61(1), pp. 77-82.
27. Yen, B.C., Chow, V.T., 1980. Design hyetographs for small drainage structures. Journal of the Hydraulics Division, ASCE,vol. 106(6), pp. 1055-1076.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top