臺灣博碩士論文加值系統

颱風隨著其移動路徑帶給涵蓋地區充沛的雨量，颱風降雨量受颱風本身特性及降雨地點地域因子的影響，由對環流雨及地形雨的研究可知，有關因子對颱風降雨之共同影響為非線性。雖然有許多描述降雨機制的物理公式已被發展來推估即時降雨，但其結果都不甚理想。
　　本研究使用類神經網路中的倒傳遞網路建立颱風降雨推估模式，利用倒傳遞網路能處理非線性關係的能力，將複雜的颱風降雨機制記憶在類神經網路架構內，以推估颱風降雨量。研究中以曾文水庫管理中心的曾文電傳雨量站為例，採多個連續時段的颱風中心位置、中心最大風速、十級風暴風半徑、七級風暴風半徑、中心氣壓、颱風特性參數，及雨量站與鄰近地區之高空風速、高空風向、地面風速、地面風向、氣溫、氣壓、地形高度屏障、前期觀測雨量等資料作為網路模式的輸入因子，模擬目標時段之降雨量。
　　本研究建立兩種類神經網路模式並比較其模擬成效，模式架構採用兩層隱藏層，經過訓練學習調整網路之權值與閥值，以記憶颱風的降雨機制。模式一以主成份分析篩選出影響颱風降雨量的主要物理因子，據以建立颱風降雨量的推估模式；模式二則採用颱風特性參數、測站屏障高度、高空風速與風向、地面風速與風向、氣溫、氣壓等反應降雨機制的重要因子及前期雨量等建立網路模式。結果顯示模式二可達到網路精簡、提升學習效率與模擬精度；此外，採用3小時時距模擬之颱風降雨量及尖峰雨量發生時刻，都比1小時時距模擬的成果為佳。因此本研究所探討建立之類神經網路颱風降雨模擬模式，透過電子計算機的高速運算，能即時模擬出短時距目標的颱風降雨量，並具有良好的精度，可供未來更進一步的研究與應用。

Typhoon brought abundant rainfall on its covering area along moving path. The characteristics of typhoon itself and local terrain and meteorological factors of a gage station affect the amount of rainfall. It is difficult to estimate the real-time rainfall depth of typhoon because the relationship between rainfall and related factors is non-linear and interact. In this thesis, a Back-Propagation Artificial Neural Network model (BPN) was adopted to simulate and forecast rainfall. This model could imitate the complicated non-linear behavior of rainfall process of typhoon.
Rainfall and typhoon data of 18 typhoons of Tsengwen gage station were collected for case study. This thesis selected the data of 14 typhoons for model calibration and 4 for validation. There were 17 factors in total for model input. They could be divided into two categories. One was typhoon’s property which included position of typhoon center, wind velocity, atmospheric pressure and radius of grade 7 wind. The other was the characteristic factors of gage station. These were local wind velocity, temperature and topographic parameters.
There are two types of BPN models developed in this thesis. The model had two hidden layers to increase the ability of description. One layer had 5 processing elements and the other had 2 processing elements. By properly adjusting the values of axon weighting and neuron bias, the BPN model could memorize the physical mechanism of the process of typhoon’s rainfall. Model I selected the major factors which affect the rainfall depth through principle component analysis as the model input. Model II adopted characteristic parameter of typhoon, shield height, wind velocity and direction, temperature and atmospheric pressure, and antecedent rainfall of gage station as model input. The results showed that the model II achieved better accuracy than model I. In addition, using 3-hour as simulating time step can provide better accuracy in both rainfall pattern and peak rainfall depth than 1-hour simulation. Therefore, the BPN typhoon rainfall model proposed in this thesis could satisfactorily simulate the pattern and depth of typhoon rainfall.

中文摘要………… ……………………….. I
英文摘要……… ……………………………….. II
誌謝…… …………………………………….. III
目錄………… ………………………………….. IV
表目錄………… ……………………………….. VII
圖目錄………… …………………………….. VIII
符號表………… …………………………….. X
第一章　前言………… …………………….. 1
1.1　研究背景………………………………………………………….... 1
1.2　研究目的………………………………………………………….... 2
第二章　文獻回顧………………… ……………….. 4
2.1　颱風降雨時間分佈之研究………………………………………... 4
2.2　類神經網路應用於降雨量分析之研究………………………….... 6
2.2.1　一般降雨量之研究………………………………………... 6
2.2.2　模擬颱風降雨量之研究…………………………………... 7
第三章　理論分析………… ……………….. 10
3.1　倒傳遞類神經網路………………………………………………... 10
3.1.1　演算法……………………………………………………... 10
3.1.2　演算步驟…………………………………………………... 15
3.1.3　資料處理…………………………………………………... 18
3.1.4　網路精簡…………………………………………………... 20
3.2　主成份分析……………………………………………………….... 23
3.2.1　基本理論…………………………………………………... 23
3.2.2　主成份之選取……………………………………………... 26
3.3　颱風降雨量的推估法…………………………………………….... 26
3.3.1　颱風模式法………………………………………………... 27
3.3.2　暴雨模式法………………………………………………... 30
3.3.3　影響降雨的因素…………………………………………... 34
3.4　倒傳遞網路應用於模擬颱風降雨事件…………………………… 35
3.4.1　模式架構…………………………………………………... 35
3.4.2　演算過程…………………………………………………... 43
3.4.3　學習評鑑指標……………………………………………... 45
第四章　實例應用分析…………… ……………….. 46
4.1　研究地區簡介……………………………………………………… 46
4.2　模式分析…………………………………………………………… 47
4.2.1　颱風降雨資料蒐集與整理………………………………... 47
4.2.2　颱風降雨事件之定義……………………………………... 50
4.2.3　模式輸入因子選取………………………………………... 51
4.2.4　模式訓練與驗證…………………………………………... 57
第五章　分析結果與討論………… ………….. 58
5.1　分析結果…………………………………………………………… 58
5.2　不同組合模式之比較與討論……………………………………… 85
第六章 結論與建議………… ………….. 98
6.1　結論………………………………………………………………… 98
6.2　建議………………………………………………………………… 99
參考文獻…………… ……………………………….. 100

1. 王時鼎，「台灣的颱風」，財團法人中興工程科技研究發展基金會，2004。
2. 王如意、易任，「應用水文學」，國立編譯館，1991 。
3. 王如意、謝龍生、嚴玉書，「以類神經網路模式分析颱風降雨與半分布並聯式水庫概念模擬颱洪歷線之串聯應用」，農業工程學報，第44卷，第2期，1998。
4. 王如意、謝龍生、王鵬瑞，「八掌溪流域降雨-逕流預報模式串聯應用之研究」，臺灣水利，第46卷，第1期，1998。
5. 吳宗堯、戚啟勳，「用比擬法預估颱風侵臺期內之降水量（二）」，氣象學報，第19卷，第3期，pp.10~19，1973。
6. 吳宗堯、謝信良、喬鳳倫、陳正改、黃清芬，「曾文水庫集水區降水特性分析及颱風降水預報之研究」，大氣科學，第8期，1981。
7. 李鴻源、黃威雄，「應用類神經網路於颱風降雨預報之研究」，第十一屆水利工程研討會論文集，臺灣，台北，第 C35 – C39 頁，2000。
8. 周淑貞、張如一、張超，「氣象學與氣候學」，明文書局，1996。
9. 周乃昉、鄭子璉、林柏承，「應用類神經網路於颱風降雨量的推估」，第十一屆水利工程研討會論文集，臺灣，台北，第 C23 - C28 頁，2000。
10. 易任、葉惠中，「臺灣中部地區降雨空間分佈之研究」，臺灣水利，第39卷，第4期，1991。
11. 林雨我、徐晉淮，「侵襲臺灣颱風之降雨分佈研究」，氣象學報，第34卷，第3期，1988。
12. 林國峰、莊正育，「以颱風模式法推求水庫之最大可能降雨量」，第十一屆水利工程研討會論文集，臺灣，台北，第 L37 – L41 頁，2000。
13. 林國峰、王俊明、高士傑，「區域性設計雨型之建立及應用」，國立臺灣大學台大工程學刊，第92期，2004。
14. 林震岩，「多變量分析：SPSS的操作與應用：（Multivariate Analysis：SPSS Operation and Application）」，智勝文化事業有限公司，2006。
15. 段智懷，「倒傳遞類神經網路小區域颱風降雨預報-前饋式與遞迴式之比較」，逢甲大學水利工程研究所碩士論文，2004。
16. 陳嘉榮，「區域雨量分析與降雨－逕流預報之研究」，博士論文，國立成功大學水利及海洋工程研究所，2000。
17. 陳昶憲、陳柏蒼，「未設測站流量推估-利用類神經網路建構模式」，中國土木水利工程學刊，第16卷，第1期，2004。
18. 陳正改、謝信良，「新店新流域颱風定量降雨預報之研究」，行政院國家科學委員會研究報告， 1987 。
19. 陳正斌，「應用模糊理論於颱風降雨量的推估」，國立成功大學水利及海洋工程研究所碩士論文，2004。
20. 張守陽，「降雨事件分割之研究」，農業工程學報，第41卷，第3期，1995。
21. 張斐章、張麗秋，「類神經網路」，東華書局，2004。
22. 張斐章、江衍銘、蔡孟蓉，「類神經網路結合衛星影像於颱風降雨預報」，臺灣水利，第55卷，第1期，2007。
23. 張宏達，「水庫集水區雨量時間分佈之研究」，國立成功大學水利及海洋工程研究所碩士論文，1993。
24. 葉怡成，「類神經網路 — 模式應用與實作」，儒林， 1993 。
25. 鄭連焜、陳秀娟，「颱風模式法推估PMP之進一步研究」，中興顧問社，1998。
26. 鄭克聲、衛強，「時空尺度對應用氣象衛星影像推估降雨量之影響」，臺灣水利，第50卷，第2期，2002。
27. 鄭克聲、衛強，「應用氣象衛星影像於降雨量推估之研究」，臺灣水利，第50卷，第3期，2002。
28. E. Toth, A. Brath and A. Montanari, “Comparison of short-time rainfall prediction models for real-time flood forecasting”, Journal of the Hydrology , vol. 239, pp.132- pp.147, 2000。

29. French, M. N., W. F. Krajewskia and R. R. Cuykendallb, “Rainfall forecasting in space and time using a neural network”, Journal of the Hydrology, vol. 137, pp.1- pp.31, 1992。
30. Kin C. Luk, J. E. Ball and A. Sharma, “An Application of Artificial neural networks for rainfall forecasting ”, Neural networks , vol. 33, Issue.6-7, pp.683- pp.693, 2001。
31. Maria Cleofe Valverde Ramirez, Haroldo Fraga de Campos Velho and Nelson Jesus Ferreira, “Artifical neural network technique for rainfall forecasting applied to the São Paulo region”, Journal of the Hydrology , vol. 301, pp.146- pp.162, 2005。