臺灣博碩士論文加值系統

本研究將Adaptive-Network-Based Fuzzy Inference System（ANFIS）模式應用於都市雨水下水道水位站雨水下水道水位預警模式(ANFIS for Sewer Stage Forecasting，簡稱ASF模式)，並結合Web GIS實作一雨水下水道水位預警系統(ANFIS for Sewer Stage Forecasting System，簡稱ASFS系統)，展示水位站地理位置與水位預警結果。以台北市第四排水分區的中港與玉成抽水站系統作為研究區域，此系統在颱風暴雨期間會進行每分鐘監測水位資料紀錄，因此，本研究利用2004~2006年颱風事件共8場，抽水站水位資料，作為ASF模式建立之輸入資料，以5場颱風事件資料作為訓練，2場颱風暴雨事件資料作為驗證，1場颱風事件做為測試，並探討雨量與抽水站水位的相關性，以及在不同超前預測時距（如提前5、10、60分鐘）下ASF模式預測結果的精確性與實用性。經由初步模擬結果，雨量對於抽水站水位的相關性較低，不適合作為抽水站水位模擬預測之輸入資料，而ASF模式在超前預測5分鐘與10分鐘有較佳之預測效果。

The study applies Adaptive-Network-Based Fuzzy Inference System (ANFIS) to sewer stage forecasting, called as ASF model, with Web GIS to set up a ANFIS for Sewer Stage Forecasting System, called as ASFS. In Taipei city, Zhung-Gung and Yu-Cheng drainage systems are employed for the practical case study in that the drainage system minutely record observed water stages in each storm event. Accordingly, ASF model adopts the observation data from 8 storm events in 2004~2006 as ASF model inputs. Of the 8 storm events, 5 storm events are adopted for the training set; 2 storm events, for validation set; and 1 storm event, for test case. Investigations regard 1) the correlation between rainfalls and water stages, and 2) the prediction accuracy and applicability due to computing time, by ASF model based on the different forecast periods, 5 minutes, 10 minutes and 1 hour respectively. As a result, rainfall data is not proper to be used as the ASF model inputs due to weak correlations between rainfall data and output water stages. In consequence, ASF model provides excellent predictions for 5-minute and 10-minute forecast periods.

目錄
中文摘要 i
Abstract ii
誌謝 iii
目錄 iv
圖目錄 vi
附圖目錄一 x
附圖目錄二 xiii
表目錄 xvii
附表目錄一 xviii
附表目錄二 xix
第一章 緒論 1
1.1. 前言 1
1.2. 研究目的 3
1.3. 研究方法與步驟 4
1.4. 論文組織 6
第二章 雨水下水道水位預警模式 7
2.1. 模糊理論概述 7
2.2. ANFIS理論概述 8
2.3. 資料說明 10
2.4. ASF模式建立 20
2.5. 小結 45
第三章 Web GIS展示技術 47
3.1. Web GIS功能簡介 47
3.2. Web GIS伺服器架構 50
3.3. Web GIS相關檔案介紹 52
3.4. Web GIS作業流程 53
第四章 雨水下水道水位預警系統建立與展示 55
4.1. 雨水下水道水位預警系統建立 55
4.2. 雨水下水道水位預警系統展示 60
第五章 結論與建議 63
5.1. 結論 63
5.2. 建議 64
參考文獻 66

圖目錄
圖 1 研究流程架構 5
圖 2 FIS架構 8
圖 3 ANFIS架構 8
圖 4 中港抽水站系統與鄰近雨量站之相對位置 12
圖 5 博嘉國小雨量站歷史雨量組體圖 14
圖 6 北政國中雨量站歷史雨量組體圖 14
圖 7 中港1、2、3水位站歷史水位歷線圖 15
圖 8 test1模式與test2模式輸入與輸出 15
圖 9 test1模式預測中港3水位站超前五分鐘水位結果 17
圖 10 test2模式預測中港3水位站超前五分鐘水位結果 18
圖 11 玉成抽水站系統水位站位置圖 19
圖 12 test3模式與test4模式輸入與輸出 20
圖 13 三興雨量站歷史雨量組體圖 21
圖 14 留公雨量站歷史雨量組體圖 21
圖 15 玉成4、8、10水位站歷史水位歷線圖 22
圖 16 test3模式預測玉成10水位站超前五分中水位 23
圖 17 test4模式預測玉成10水位站超前五分中水位 23
圖 18 2004~2006年颱風事件之中港1、2、3水位歷線圖 25
圖 19 2004~2006年颱風事件之玉成4、8、9、10水位歷線圖 25
圖 20 C_SHAN_5_1模式預測結果 27
圖 21 C_SHAN_5_2模式預測結果 27
圖 22 C_SHAN_5模式預測結果 30
圖 23 C_SHAN_5預測值對觀測值散佈圖 30
圖 24 C_SHAN_10模式預測結果 31
圖 25 C_SHAN_10預測值對觀測值散佈圖 31
圖 26 C_SHAN_20模式預測結果 32
圖 27 C_SHAN_20預測值對觀測值散佈圖 32
圖 28 C_SHAN_30模式預測結果 33
圖 29 C_SHAN_30預測值對觀測值散佈圖 33
圖 30 C_SHAN_40模式預測結果 34
圖 31 C_SHAN_40預測值對觀測值散佈圖 34
圖 32 C_SHAN_50模式預測結果 35
圖 33 C_SHAN_50預測值對觀測值散佈圖 35
圖 34 C_SHAN_60模式預測結果 36
圖 35 C_SHAN_60預測值對觀測值散佈圖 36
圖 36 Y_SAOMAI_5模式預測結果 38
圖 37 Y_SAOMAI_5預測值對觀測值散佈圖 38
圖 38 Y_SAOMAI_10模式預測結果 39
圖 39 Y_SAOMAI_10預測值對觀測值散佈圖 39
圖 40 Y_SAOMAI_20模式預測結果 40
圖 41 Y_SAOMAI_20預測值對觀測值散佈圖 40
圖 42 Y_SAOMAI_30模式預測結果 41
圖 43 Y_SAOMAI_30預測值對觀測值散佈圖 41
圖 44 Y_SAOMAI_40模式預測結果 42
圖 45 Y_SAOMAI_40預測值對觀測值散佈圖 42
圖 46 Y_SAOMAI_50模式預測結果 43
圖 47 Y_SAOMAI_50預測值對觀測值散佈圖 43
圖 48 Y_SAOMAI_60模式預測結果 44
圖 49 Y_SAOMAI_60預測值對觀測值散佈圖 44
圖 50 Web GIS Server整體架構 50
圖 51 MapServer架構 51
圖 52 Web GIS系統作業流程 54
圖 53 ASFS系統架構流程 55
圖 54 Web 頁面區塊 56
圖 55 ASFS系統中水位歷線圖 57
圖 56 Web GIS展示樣板 57
圖 57 create_shapefile.php原始程式碼 59
圖 58 模擬結果展示於Web GIS上 60
圖 59 事件選單 61
圖 60 超過警戒水位之時間選單 62
圖 61 模擬結果展示於Web GIS上 62

附圖目錄一
附圖1- 1 C_SAOMAI_5模式預測結果 68
附圖1- 2 C_SAOMAI_10模式預測結果 68
附圖1- 3 C_SAOMAI_20模式預測結果 68
附圖1- 4 C_SAOMAI_30模式預測結果 69
附圖1- 5 C_SAOMAI_40模式預測結果 69
附圖1- 6 C_SAOMAI_50模式預測結果 69
附圖1- 7 C_SAOMAI_60模式預測結果 69
附圖1- 8 C_TALIM_5模式預測結果 70
附圖1- 9 C_TALIM_10模式預測結果 70
附圖1- 10 C_TALIM_20模式預測結果 70
附圖1- 11 C_TALIM_30模式預測結果 71
附圖1- 12 C_TALIM_40模式預測結果 71
附圖1- 13 C_TALIM_50模式預測結果 71
附圖1- 14 C_TALIM_60模式預測結果 71
附圖1- 15 C_BILIS_5模式預測結果 72
附圖1- 16 C_BILIS_10模式預測結果 72
附圖1- 17 C_BILIS_20模式預測結果 72
附圖1- 18 C_BILIS_30模式預測結果 73
附圖1- 19 C_BILIS_40模式預測結果 73
附圖1- 20 C_BILIS_50模式預測結果 73
附圖1- 21 C_BILIS_60模式預測結果 73
附圖1- 22 C_HAIMA_5模式預測結果 74
附圖1- 23 C_HAIMA_10模式預測結果 74
附圖1- 24 C_HAIMA_20模式預測結果 74
附圖1- 25 C_HAIMA_30模式預測結果 75
附圖1- 26 C_HAIMA_40模式預測結果 75
附圖1- 27 C_HAIMA_50模式預測結果 75
附圖1- 28 C_HAIMA_60模式預測結果 75
附圖1- 29 C_BOPHA_5模式預測結果 76
附圖1- 30 C_BOPHA_10模式預測結果 76
附圖1- 31 C_BOPHA_20模式預測結果 76
附圖1- 32 C_BOPHA_30模式預測結果 77
附圖1- 33 C_BOPHA_40模式預測結果 77
附圖1- 34 C_BOPHA_50模式預測結果 77
附圖1- 35 C_BOPHA_60模式預測結果 77
附圖1- 36 C_LONGWANG_5模式預測結果 78
附圖1- 37 C_LONGWANG_10模式預測結果 78
附圖1- 38 C_LONGWANG_20模式預測結果 78
附圖1- 39 C_LONGWANG_30模式預測結果 79
附圖1- 40 C_LONGWANG_40模式預測結果 79
附圖1- 41 C_LONGWANG_50模式預測結果 79
附圖1- 42 C_LONGWANG_60模式預測結果 79
附圖1- 43 C_SHAN模式 誤差趨勢 80
附圖1- 44 C_SAOMAI模式 誤差趨勢 80
附圖1- 45 C_TALIM模式 誤差趨勢 80
附圖1- 46 C_BILIS模式 誤差趨勢 80
附圖1- 47 C_HAIMA模式 誤差趨勢 81
附圖1- 48 C_BOPHA模式 誤差趨勢 81
附圖1- 49 C_LONGWANG模式 誤差趨勢 81

附圖目錄二
附圖2- 1 Y_CHANCHU_5 模式預測結果 82
附圖2- 2 Y_CHANCHU_10 模式預測結果 82
附圖2- 3 Y_CHANCHU_20 模式預測結果 82
附圖2- 4 Y_CHANCHU_30 模式預測結果 83
附圖2- 5 Y_CHANCHU_40 模式預測結果 83
附圖2- 6 Y_CHANCHU_50 模式預測結果 83
附圖2- 7 Y_CHANCHU_60 模式預測結果 83
附圖2- 8 Y_HAIMA_5模式預測結果 84
附圖2- 9 Y_HAIMA_10模式預測結果 84
附圖2- 10 Y_HAIMA_20模式預測結果 84
附圖2- 11 Y_HAIMA_30模式預測結果 85
附圖2- 12 Y_HAIMA_40模式預測結果 85
附圖2- 13 Y_HAIMA_50模式預測結果 85
附圖2- 14 Y_HAIMA_50模式預測結果 85
附圖2- 15 Y_BILIS_5模式預測結果 86
附圖2- 16 Y_BILIS_10模式預測結果 86
附圖2- 17 Y_BILIS_20模式預測結果 86
附圖2- 18 Y_BILIS_30模式預測結果 87
附圖2- 19 Y_BILIS_40模式預測結果 87
附圖2- 20 Y_BILIS_50模式預測結果 87
附圖2- 21 Y_BILIS_60模式預測結果 87
附圖2- 22 Y_BOPHA_5 預測結果 88
附圖2- 23 Y_BOPHA_10 預測結果 88
附圖2- 24 Y_BOPHA_20 預測結果 88
附圖2- 25 Y_BOPHA_30 預測結果 89
附圖2- 26 Y_BOPHA_40 預測結果 89
附圖2- 27 Y_BOPHA_50預測結果 89
附圖2- 28 Y_BOPHA_60 預測結果 89
附圖2- 29 Y_LONGWANG_5預測結果 90
附圖2- 30 Y_LONGWANG_10預測結果 90
附圖2- 31 Y_LONGWANG_20預測結果 90
附圖2- 32 Y_LONGWANG_30預測結果 91
附圖2- 33 Y_LONGWANG_40預測結果 91
附圖2- 34 Y_longwang_50預測結果 91
附圖2- 35 Y_LONGWANG_60預測結果 91
附圖2- 36 Y_SHAN_5預測結果 92
附圖2- 37 Y_SHAN_10預測結果 92
附圖2- 38 Y_SHAN_20預測結果 92
附圖2- 39 Y_SHAN_30預測結果 93
附圖2- 40 Y_SHAN_40預測結果 93
附圖2- 41 Y_SHAN_50預測結果 93
附圖2- 42 Y_SHAN_60預測結果 93
附圖2- 43 Y_TALIM_5預測結果 94
附圖2- 44 Y_TALIM_10預測結果 94
附圖2- 45 Y_TALIM_20預測結果 94
附圖2- 46 Y_TALIM_30預測結果 95
附圖2- 47 Y_TALIM_40預測結果 95
附圖2- 48 Y_TALIM_50預測結果 95
附圖2- 49 Y_TALIM_60預測結果 95
附圖2- 50 Y_CHANCHU模式 誤差趨勢 96
附圖2- 51 Y_HAIMAI模式 誤差趨勢 96
附圖2- 52 Y_BILIS模式 誤差趨勢 96
附圖2- 53 Y_BOPHA模式 誤差趨勢 96
附圖2- 54 Y_LONGWANG模式 誤差趨勢 97
附圖2- 55 Y_CHAN模式 誤差趨勢 97
附圖2- 56 Y_SAOMAI模式 誤差趨勢 97
附圖2- 57 Y_TALIM模式 誤差趨勢 97

表目錄
表 1 颱風事件表 11
表 2 預測變數與中港3水位站水位之相關係數 13
表 3 test1模式與test2模式架構 16
表 4 test1與test2模式效能比較 17
表 5 預測變數與玉成10水位站水位之相關係數 19
表 6 test3模式與test4模式架構 22
表 7 test3與test4模式效能比較 23
表 8 子模式命名方式 26
表 9 SHAN_5_1 與SHAN_5_2訓練與驗證事件比較 27
表 10 C_SHAN_5_1 與C_SHAN_5_2模式效能比較 27
表 11 中港3水位站珊珊颱風事件預結果效能表 29
表 12 玉成10水位站桑美颱風事件預結果效能表 37
表 13 Web GIS與GIS之比較 49
表 14 Shapefile相關檔案 52

附表目錄一
附表1- 1 桑美颱風事件預結果效能表 68
附表1- 2 泰利颱風事件預結果效能表 70
附表1- 3 碧利斯颱風事件預結果效能表 72
附表1- 4 海馬颱風事件預結果效能表 74
附表1- 5 寶發颱風事件預結果效能表 76
附表1- 6 龍王颱風事件預結果效能表 78

附表目錄二
附表2- 1 珍珠颱風事件預結果效能表 82
附表2- 2 海馬颱風事件預結果效能表 84
附表2- 3 碧利斯颱風事件預結果效能表 86
附表2- 4 寶發颱風事件預結果效能表 88
附表2- 5 龍王颱風事件預結果效能表 90
附表2- 6 珊珊颱風事件預結果效能表 92
附表2- 7 泰利颱風事件預結果效能表 94

1.Elliott, A.H., Trowsdale, S.A., 2007, “A Review of Models for Low Impact Urban Stormwater Drainage,” Environmental Modelling & Software,Vol. 22, pp.394-405.
2.http://bfshapefiles.sourceforge.net
3.Jang, J. S. R., 1993,”ANFIS: Adaptive – Network – Based Fuzzy Inference System”, IEEE Transactions on Systems, Man, And Cybernetics, Vol. 23, No. 3 pp. 665~685.
4.Loke, E., Warnaars, E. A., Jacobsen, P., Nelen, F. and Almeida, M. do C’eu, 1997, “Artificial Neural Networks as a Tool in Urban Storm Drainage,” Water Resources Management., Vol. 36, No. 8-9, pp.101-109.
5.Lu, Y. H., Yeh, F. H., Li, C. L., Wu M. T. and Lin C., 2003 “Study of Ductile Fracture and Perform Design of Upsetting Process Using Adaptive Network Fuzzy Inference System”, Journal of Materials, Vol. 140, pp. 576~582.
6.Mahmut Firat , Mahmud Gungor, 2007,”River Flow Estimation Using Adaptive Neuro Fuzzy Inference System”, Mathematics and Computers in Simulation 75 (2007)87–96.
7.Ross, J.T., 2005, Fuzzy Logic with Engineering Applications , Wiley, New York.
8.Stephenson, D., M. E. Meadows, 1986. “Fnematic Hydrology and Modeling”. Elsevier,Amsterdam, The Netherlands.
9.Zedach, L. A., 1965. “Fuzzy Sets”, Information and Control., Vol. 8., pp. 115~133.
10.中央研究院空間資訊技術中心，2004，「Web GIS技術、系統架構與應用」，中研院。
11.王安培、翁偉明，2008，「結合模糊類神經與遺傳演算法於水庫即時操作」，碩士論文，中原大學土木工程學系。
12.吳上煜， 2000，「網際網路淹水預警資訊系統介面設計之研究」，碩士論文，國立台灣大學地理學系。
13.張斐章、徐國麟，1990，「利用模糊集理論推估河川流量之研究」，中國農業工程學報，第36卷第4期，pp 1~12。
14.張良正、楊朝仲、陳昶憲，1998，「模糊理論載洪流預測之應用」，第九屆水利工程研討會論文集，pp I-95~ I-104。
15.張斐章、梁晉銘，1999，「類神經模糊推論模式在水文系統之研究」，台灣水利，47(2): 1-12。
16.張斐章、張麗秋，2005，「類神經網路」，東華書局，台北。
17.張凱堯、張仁德、胡湘帆、張麗秋，2007，「以倒傳遞類神經網路建立雨水下水道水位預測模式」，第十一屆海峽兩岸水利科技交流研討會，長春。
18.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，中壢市。
19.廖宏彬、蘇仲鵬、吳敏惠，2001，「ANFIS系統建立教師人力需求的預測模式之建構」，教育與心理研究，第24卷第1期，pp 1~17。
20.蕭其文， 2005，「自由軟體的生態應用―林試所植物標本館Web GIS查詢系統」， 林業研究專訊期刊， Vol.12., No.6.
21.顏利玲， 2001，「淹水災情網際網路回報及災情推估系統之建置」，國立台灣大學地理環境資源研究所碩士論文。
22.藍武王、葉信宏，2001，「不同冒險度駕駛人之跟車行為：適應性類神經模糊推論系統」，中國土木水利工程學看，第13卷第2期，pp 427~434。