颱風波浪之預測對於海岸地區防災及船隻行駛而言，扮演著重要的角色，惟颱風波浪現象較一般波浪現象不同之處，乃其影響因素較為複雜，且具有非線性的特性，故不容易以傳統數值方法或經驗公式可以精確的預測。本文利用類神經網路特性包括：(1)高速的計算能力、(2)自我學習能力、(3)高容量的記憶力、(4)容錯的能力，並採用當地氣象資料來執行類神經網路以推算颱風波浪。
首先以台灣東北海岸龍洞測站為對象，進行類神經模式的測試與驗證。網路採用示性波高、平均週期、尖峰週期、平均風向、平均風速、三秒陣風、波向、測站氣壓、平均氣溫、表面溫度等10個輸入因子。觀測站資料均以兩小時為一筆，經測試後本文網路架構為採用5個輸入值、1層隱藏層、1個輸出值，各層有5個神經元，學習因子0.7。
此外，本文針對2004年三個不同颱風路徑，分別為敏督利颱風、艾利颱風以及南瑪都颱風等，分別利用類神經網路(ANN)與SWAN模式推算颱風波浪並加以比較，結果顯示本模式推算波浪值與實際測值較符合，且可預測後6個小時颱風波浪。



關鍵詞─類神經網路、SWAN模式

Typhoon-wave forecast for coastal areas for the purposes of disaster prevention and vessel, play an important role, but the Typhoon wave phenomenon than the General wave phenomenon differs in its impact factor is more complex, and it has the characteristics of nonlinear, it is not easy to experience traditional numerical methods or formulas can accurate forecasting. This artificial neural network features include: (1) high-speed computing power, (2) self learning ability, (3) high-capacity memory, (4) fault-tolerant capability and use of local weather data to perform a type of artificial neural network to projections of Typhoon waves.
First off the northeast coast of the Taiwan longdong station for object, classes neural model of test and validation. Network indicator height, average cycle, peak periods, average wind direction, wind gust, three seconds, the wave direction, station pressure, average temperature, surface temperature and nine other input factors. Observatories data to two hours for a sum of money, after testing framework for the introduction of this network of five input values, 1 layer hidden layer, 1 output value, there are five floors, learning factor 0.7 neurons. In addition, this article is 2004 three different Typhoon track, Typhoon Mindulle, Aere and Nanmadol, respectively, using artificial neural network (ANN) and SWAN model projections of typhoons, wave and showed this pattern projection wave value and the actual measurement values are consistent with, and predictable after 6 hours of Typhoon waves.



Keywords - Artificial Neural Network (ANN) ; SWAN Model

目錄
中文摘要 i
英文摘要 ii
目錄 iii
表目錄 v
圖目錄 viii

第一章 緒 論 1
1.1前言 1
1.2文獻回顧 2
1.3研究動機 4
第二章 研究方法 5
2.1 SWAN模式介紹 5
2.2多層感知網路理論 9
第三章 模式之調整 14
3.1 SWAN模式調整 14
3.1.1流場影響項 14
3.1.2風浪成長項 15
3.1.3白沫消散項 16
3.1.4模式設定參數之決定 21
3.2多層感知網路模式 22
3.2.1資料處理 22
3.2.2參數測試結果 23
3.2.3類神經網路運算最佳模式 27
第四章 模式應用分析 28
4.1資料收集 30
4.2 龍洞測站 31
4.3 花蓮測站 51
4.4 結果與討論 63
第五章 結論與建議 65
5.1結論 65
5.2 建議 66
參考文獻 67

參考文獻
[1] 蔡清標、李宗霖、朱良翰(1999)，「倒傳遞類神經網路在波浪時序列預報之應用」，中國土木水利工程學刊，第11卷，第3期，第175-182頁。
[2] 張憲國、錢維安、何良勝(2003)，「應用類神經網路在台灣東岸海域颱風波浪之研究」，海洋工程學刊，第3卷，第1期，pp.73-95。
[3] 張憲國, 錢維安, 何良勝(2003) 「類神經網路的近岸颱風波浪推算模式」，天氣分析與預報研討會論文集，台北，第124-129頁。
[4] 張憲國、林立青、蔡獲光、徐月娟、林芳如(2006)，「類神經模糊網路之風浪推算模式」，天氣分析與預報研討會論文集，台北，第7-61-7-66頁。
[5] 吳南靖、廖哲樞、朱志誠 (2005)，「WTA類神經網路在風浪推算之應用」，中華技術，季刊，第67期。
[6] 王進德(2008)，「類神經網路與模糊控制理論」，全華圖書股份有限公司。
[7] 游智宇、蔡清標(2009)「類神經網路在暴潮偏差預測之研究-以淡水河口為例」，第31屆海洋工程研討會論文集，第133-138頁。
[8] 劉勁成、張憲國、劉沈榮、廖學瑞(2009)「聯合MIKE21_SW及類神經網之颱風波浪推算模式」，第31屆海洋工程研討會論文集，第169-174頁。
[9] 王啟竑、于嘉順、蔡清標(2009)「類神經網路應用於颱風暴潮之預測」，第31屆海洋工程研討會論文集，第615-620頁。
[10] Deo, MC., Sridhar Naidu, C. (1999) “Real time eave forecasting using neural networks,” Ocean Engineering, Vol. 26, No.3, pp. 191-203.
[11] Hasselmann, K., Barnett, T. P., Bouws, H., Carlson, H.,(1937) “Measurements of wind wave growth and swell decay during the Joint North Sea Wave Project (JONSWAP)”., Dtsch. Hydrogr. Z., Suppl.

[12] Harrison GP and A.R. Wallacem., (2005) “Sensitivity of Wave Energy to Climate change,” Energy Conversion, IEEE Transaction, Vol. 20(4), pp. 870-877.
[13] Janssen., (1989) “Wave induced stress and the drag of air flow over sea waves”., J. Phys Oceanogr., Vol. 19, pp.745-754.
[14] Janssen., (1991) “Quasi-linear theory of wind-wave generation applied to wave forecasting”., J. Phys. Oceanogr., Vol. 21, pp. 1631-1642
[15] Komen, G.J., Hasselmann, K., and Hasselmann, S., (1984) “On the existence of a fully developed wind sea spectrunm”., J. Phys. Oceanogr., Vol. 14, pp. 1271-1285.
[16] Komen, Cavaleri, L., Donelan, M., Hasselmann, K., Hasselmann, S., and Janssen, P.A.E.M., (1994) “Dynamics and modelling of ocean waves”., Cambridge University Press, pp. 532.
[17] Tsai, C. P. and Lee, T. L. (1999) “Back-propagation neural network in tidal-level forecasting”., Journal of Waterway, Port, Coastal and Ocean Engineering, ASCE, 125(4),pp.188-195.
[18] Tsai, C. P., Lin, C., and Shen, J. N. (2002). “Neural network for wave forecasting among multi-stations”., Ocean Engineering, 29, pp.1683-1695.