跳到主要內容

臺灣博碩士論文加值系統

(3.236.68.118) 您好!臺灣時間:2021/08/04 21:18
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:林浩維
研究生(外文):Lin, Haowei
論文名稱:洪水位預報敏感度分析之研究
論文名稱(外文):A Study Of Sensitivity For The Flood Stage Forecasting
指導教授:段鏞
指導教授(外文):DUAN, YONG
口試委員:陳主惠傅金城
口試委員(外文):Chen, Zhu-HuiJin-cheng Fu
口試日期:2012-06-22
學位類別:碩士
校院名稱:中國科技大學
系所名稱:土木與防災設計研究所
學門:工程學門
學類:土木工程學類
論文種類:學術論文
論文出版年:2012
畢業學年度:100
語文別:中文
論文頁數:67
中文關鍵詞:適應性網路模糊推論系統八掌溪洪水位颱洪暴雨敏感度分析
外文關鍵詞:ANFISPachang Riverflood water levelfloodstormsensitivity analysis
相關次數:
  • 被引用被引用:3
  • 點閱點閱:150
  • 評分評分:
  • 下載下載:18
  • 收藏至我的研究室書目清單書目收藏:0
台灣每年都會面臨許多大大小小的颱風侵襲,特別是4~6月間的梅雨季節及7-10月更平均每年 3 個以上的颱風入侵,強大的風力外,同時也夾帶著大量而驚人的雨量,而大部分之降水迅速成為逕流,使下游及低窪地區引發嚴重水災。
為能達到減少甚至避免突然來臨之颱洪造成之災損,希望能發展能準確預報颱洪洪水位之洪水水位演算模式,預先得到可能之危險洪水水位。若能預先獲悉洪水資訊,即可以做為洪災應變與救災措施之參考,以減少人民生活之影響與經濟損失。
本研究主要建立適應性網路模糊推論系統(ANFIS)進行河川中之洪水水位的預報,經由對八掌溪之河川洪水之模擬、驗證,得到以適應性網路模糊推論系統(ANFIS)建立的洪水預報模式,從中探討其不同敏感度模擬結果之分析,使其達到一個簡單快速又能達到一定準確之洪水水位預報模式。
本研究結果顯示,在不同的敏感度模擬結果中,雨量使用平均分配法之模擬結果較優於雨量使用等差級數法之結果,且輸入資料使用原始資料不做更動之模擬結果,有較佳之預報結果;研究分析不同的上游輸入條件之資料,以同時將雨量站和水位站為上游輸入資料,所預報出之結果,在提前2小時之模擬預報時有最佳的預報值RMSE值為0.522、R2值為0.7855;而以平均分配法做水位上升處之提前1小時模擬時,有較佳之預報結果RMSE值為0.456、R2值為0.7558。

In plum rain season from April to June and there are more than 3 typhoons invasion Taiwan in July to October every year. It is not only brings strong wind but also carries storm.
In order to reduce the disaster, we develop a model can accurate forecast the flood stage. If we can get flood stage information in advance, that can be used as a reference of the flood disaster contingency and relief measures to reduce the impact of people's lives and economic losses.
This study is mainly to build an adaptive network fuzzy inference system (ANFIS) to forecast of the flood level in river. By the flood simulation of Panchang River basin, we construct a flood forecasting models of ANFIS and to explore the different sensitivity of the analysis of simulation results. That is a simple, fast and accurate flood level prediction models.
In this study, the simulation results of the rainfall data by using the average distribution is better than the simulation results of the rainfall data by using arithmetic progression in the different sensitivities and input data using the raw data without any changes, we get better predict results. In the analysis of different data for the upstream inputs in this study, rainfall station data and water level station data at the same time as the upstream input data, the simulation results better. In two hours in advance of the forecasted simulation, the RMSE value is 0.522, R2 value is 0.7855. The rainfall data using the average distribution In the water level began to rise and 1 hour in advance, RMSE value is 0.456, R2 value is 0.7558.
摘 要
ABSTRACT
謝 誌
目 錄
圖索引
表索引
第一章 緒論
1.1研究動機
1.2研究目的
第二章 文獻回顧
2.1水位預報
2.1.1類神經網路系統
2.1.2模糊理論
2.1.3適應性網路模糊推論相關應用
第三章 模式理論
第四章 研究區域
4.1水文
4.2地文
4.3產業發展
第五章 結果與討論
5.1模式訓練與預報
5.2敏感度分析
5.2.1雨量平均分配法和等差級數法同時間預報
5.2.2雨量平均分配法和等差級數法於水位洪峰段之預報
5.2.3雨量平均分配法和等差級數法扣除初始水位預報
5.2.4雨量平均分配法和等差級數法水位洪峰段扣除初始水位預報
5.2.5不同資料輸入之預報
5.3各項輸入方式與實際洪峰時間水位之比較結果
第六章 結論與建議
6.1結論
6.2建議
第七章 參考文獻
作者簡介
授權書

1.王如意、易任(1982),「應用水文學」。
2.段鏞(1984),「二重疏洪道完成後淡水河系洪水演算模式之研究」,國立台灣大學土木工程研究所碩士論文。
3.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,1-12 頁。
4.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,第27 卷第4 期,267-274 頁。
5.張斐章、孫建平(1997),「類神經網路及其應用於降雨-逕流過程之研究」,中國農業工程學報,第43 卷第1 期,9~25 頁。
6.張良正、楊朝仲、陳昶憲(1998),「模糊理論在洪流預測之應用」,第九屆水利工程研討會論文集,I-95-I-104 頁。
7.張斐章、梁晉銘(1999),「類神經模糊推論模式在水文系統之研究」,臺灣水利,第47 卷第2 期,1-12 頁。
8.陳昶憲、黃尹龍、吳青俊、蔡曜隆(2001),「應用倒傳遞與反傳遞神經網路模式於洪流量之預測」,臺灣水利,第49 卷第3 期,65-77 頁。
9.段鏞、傅金城(1984),「適應性網路模糊推論系統在洪水演算之研究」,中國農業工程學報,第50 卷第3 期,71-81 頁。
10.蔡亞欣(2003),模糊範例學習推論系統於水位預測之研究,國立台灣大學生物環境系統工程學研究所碩士論文。
11.張斐章、張麗秋、黃浩倫(2005),「類神經網路」
12.蔡亞欣、邱昱禛、張麗秋、張斐章(2005),蘭陽溪-水文防洪預測模式之建置,中國農業工程研討會。
13.方俊峰(2009),「適應性網路模糊推論系統於流域暴雨-河川洪水位預報模式之研究」,中國科技大學土木與防災應用科技研究所碩士論文。
14.Zedach, L. A. (1965), “Fuzzysets”, Inform. And Contr., Vol.8. ,pp.338~353.
15.Robert, Hecht-Nielsen, R. (1987), “Counter-propagation networks”, ICNN-87,pp. 19-32.
16.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.
17.Chang F. J ,Chang Y. T., (2006), “Adaptive Neuro-Fuzzy in Ference System for Prediction of Water Level in Reservoir”, Advanced in Water Resources, Vol.29 pp.1-10.
18.Rumelhart, D. E., Hinton, G. E., 1986. Learning representations by back-propagation error, Nature, 323, 533-536.

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top