跳到主要內容

臺灣博碩士論文加值系統

(3.235.185.78) 您好!臺灣時間:2021/07/30 00:19
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:林明毅
研究生(外文):Ming-YiLin
論文名稱:海域鄰近測站流速及流向之補遺及預測
論文名稱(外文):Supplementation and Prediction of Current Velocity and Direction at Marine Neighboring Region
指導教授:顏沛華顏沛華引用關係
指導教授(外文):Pei-Hua Yan
學位類別:碩士
校院名稱:國立成功大學
系所名稱:水利及海洋工程學系碩博士班
學門:工程學門
學類:河海工程學類
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:106
中文關鍵詞:自組非線性系統流況補遺及預測
外文關鍵詞:GMDHcurrent predicting and missing data supplying
相關次數:
  • 被引用被引用:2
  • 點閱點閱:114
  • 評分評分:
  • 下載下載:16
  • 收藏至我的研究室書目清單書目收藏:0
海流或潮流為海水運動方式之一,對於漁撈、航運、離岸構造物及海洋環境之變遷等人類經常性活動均造成影響。洋流甚至與全球之氣候變遷有所關聯。由於台灣四面環海,因此更須要了解和掌握周遭流況,尤其流況觀測數據,對於離岸工程之規劃、施工及運轉、營運習習相關。本研究提供一利用基準測站之實測流況數據來進行相鄰海域鄰近測站之流況(流速及流向)預測及遺失資料之補遺。

本研究利用自組非線性系統GMDH(Group Method of Data Handling)理論所特有之自組多層演算方法建立「流況(流速及流向)補遺及預測模式」,並以遞迴結構 (Recursive mode of GMDH) 演算法進行模式參數之即時修正,使模式具時變性而能自我調整,以達長期觀測能精確預測之目標。倘若遞迴結構尚無法大幅修正模擬誤差,則將預測誤差值加入變數組合,重新建立「誤差修正模式」,再搭配原模式運用即可大幅修正原模式所模擬相鄰海域鄰近測站之流況誤差。

現場應用案例係以新竹至苗栗海域之都卜勒聲學流剖儀(ADCP)所施測之海平面下約7m之流速、流向數據、新竹資料浮標之潮位、以及苑港漁港自設潮位站之潮位資料來建立「流況(流速及流向)補遺及預測模式」,具建模結果顯示,本研究以GMDH架構之演算法結果較SGMDH(Stepwise regression GMDH)演算法為佳,流速模擬以2010年中港~通霄12月事件為優選,而流向模擬則是以2011年中港~通霄4月事件較佳。因考慮以單一模式從事基準站(中港站) 相鄰海域鄰近測站(新竹站、通霄站)之流況預測及補遺,故改選次優之2011年新竹~中港5月事件建模結果為往後竹苗海域整體之流速補遺及預測模式,而2010年中港~通霄12月事件建模結果則為往後竹苗海域整體之流向補遺及預測模式,經兩者模擬預測結果顯示,流速整體平均均方根誤差 (RMSE) 為0.06 m/s,流向整體平均均方根 (RMSE) 誤差約31.68 deg.。另外本研究嘗試將即時觀測之更新資料再納入模式中,利用遞迴結構對模式參數作即時修正,當預測誤差值超過設定之門檻值(流速為± 0.05 m/s,流向為± 15 deg.)而不適用時,即可利用遞迴演算來更新模式,經模擬結果顯示流速預測有所提升,比起原先建模預測平均改善了13.57%,流向方面則提升有限,比起原先建模預測平均僅改善了6.92%。為了得到更好之流向預測,本研究將流向誤差納入變數組合,重新建立「誤差修正模式」,經測試結果顯示,原模式搭配該誤差修正模式之流向預測平均均方根誤差較原先之建模預測大幅改善了63.89~68.59%,修正後流向整體之平均均方根誤差為10.92 deg.,在原先設定之門檻值內。由此證明利用基準測站及相鄰海域鄰近測站之實測流況數據所建置基準測站之「流況(流速及流向)補遺及預測模式」搭配「誤差修正模式」及遞迴結構演算可實際應用於用於基準測站鄰近海域時變性流況(流速及流向)之補遺或預測。

Current is one of the ocean motions and has an effect on human activities such as fishery, navigating, constructing and marine environment variations. Ocean current is even relating with the global climate changes. Current measuring is significant for offshore engineering planning, construction and operating. This research afford a current predicting and missing data supplying technique by using a datum station’s measured data to predict and supply missing data in surroundings.

The GMDH (Group Method of Data Handling) algorithm of self- organization network is being used as the basic configure in this paper to build up the GMDH current predicting and missing data supplying model with field observation current data of the datum station and surroundings. A recursive mode can assess the estimated error if it exceeds the identified threshold and then self adjusted the original model by updating the data input to make the model possible to achieve the long term prediction and accurate estimation. Once the recursive mode of this model could not enhance the estimation accuracy, the estimation error is then added in model organizing variables to reset up the error revised model, and then cooperates with the original GMDH model with recursive mode together to get reasonable current simulations.

Current data measured by ADCPs (Acoustic Doppler Current Profilers) about 7 meters beneath the sea surface at 3 locations in between Hsinchu to Miaoli maritime space and tide records obtained by Hsinchu data buoy and Yuankang fishing port were used as the input to set up the GMDH current predicting and missing data supplying model. The modeling procedure showed that GMDH algorithm is better than that of SGMDH (Stepwise regression GMDH) and revealed that events of Chungkang~Tunghsiao in Dec. 2010 of velocity simulation and direction simulation in Apr. 2011 are the optimum modeling. Hence trying to apply the data of a datum station (Chungkang station) to predict current and supply missing data in surroundings is the primary consideration, this paper proposed alternatively the sub-optimum modeling results which were set up by events of Hsinchu~Chungkang in May 2011 of velocity simulation and Chungkang~Tunghsiao in Dec. 2010 of direction simulation as the current predicting and missing data supplying model in Hsinchu~Miaoli maritime surroundings. The result showed that the overall average RMSE prediction errors of current velocity and direction are 0.06 m/s and 31.68 deg. respectively. The recursive mode was then proposed to test the facility of time variant property with the threshold of current velocity (± 0.05 m/s) and direction (± 15 deg.) by updating the measuring data and tests showed the simulation advanced the velocity estimation results by 13.57% improving and get a limit direction estimation improvement of 6.92% in overall RMSE comparisons. In order to get better direction forecasting, the estimated errors were treated as one of the model input variables to build up the error revised model and cooperate with the GMDH model to simulate once again, the analysis resulted that directions estimating achieve more superior improvement of 63.89~68.59% in overall RMSE range comparing with the original test and resulted a acceptable average RMSE value of 10.92 deg. So this GMDH current predicting and missing data supplying model proposed by this paper with the recursive mode as well as introducing the error revised model on time can be applied in practical usage of current predicting and missing data supplying in surroundings by using the current data of specific datum station.

中文摘要 p.I
ABSTRACT p.III
致 謝 p.V
目 錄 p.VI
表目錄 p.IX
圖目錄 p.XI
照片目錄 p.XV
第一章:緒 論 p.1
1-1 研究動機 p.1
1-2 研究方法 p.2
1-3 前人研究 p.4
1-4 本文組織 p.7
第二章:自組非線性系統基本理論 p.9
2-1 GMDH架構 p.9
2-2 GMDH理論簡介 p.10
2-2-1 GMDH演算程序 p.10
2-2-2 SGMDH演算程序 p.15
2-2-3 遞迴結構演算程序 p.17
第三章:流速及流向補遺及預測模式之建立 p.21
3-1 流速及流向補遺及預測模式之建立 p.21
3-2 流速及流向補遺及預測效能評鑑指標 p.23
3-3 流速及流向補遺及預測模式之實例應用 p.24
3-3-1 竹苗海域地形及氣海象概述 p.24
3-3-2 施測儀器及數據 p.31
3-3-3 流速及流向補遺及預測模式參數之選定 p.41
3-3-4 相鄰測站流速及流向補遺及模式之建立與預測 p.42
3-3-5 遞迴結構資料更新重新建模之預測 p.46
第四章:結果分析與討論 p.48
4-1 GMDH與SGMDH模擬結果分析 p.48
4-2 最佳輸入變數組合分析 p.53
4-3 流速及流向補遺及預測結果分析 p.65
4-4 以遞迴結構資料更新重新建模之預測分析 p.75
第五章:流向誤差修正模式 p.87
5-1 流向模式之修正方法 p.87
5-2 流向模式之修正結果 p.87
第六章:結論與建議 p.100
6-1 結 論 p.100
6-2 建 議 p.102
參考文獻 p.104

1.顏月珠,「現代統計學」,三民書局。
2.海岸工程規劃,農復會特刊,1971。
3.唐存勇,梁乃匡,歐陽餘慶,林斐然,林曉武,「新竹南寮附近海岸侵蝕與堆積問題初步研究」,1992。
4.李梅芳,「自組非線性系統應用於水位相關之研究」,碩士論文,國立成功大學水利暨海洋工程研究所,1993。
5.楊永祺,「自組非線性系統應用於水位即時預測」,碩士論文,國立成功大學水利暨海洋工程研究所,1997。
6.周益達,「自組非線性理論建立水位預測模式之探討」,碩士論文,國立成功大學水利暨海洋工程研究所,1998。
7.李文揚,「自組非線性系統應用於水庫優養化之預測」,碩士論文,國立成功大學水利暨海洋工程研究所,2000。
8.吳俊逸,「自組非線性系統應用於地層下陷之預測」,碩士論文,國立成功大學水利暨海洋工程研究所,2001。
9.蔡松家,「洪水預警系統及資料庫建置與管理之研究」,碩士論文,國立成功大學水利及海洋工程研究所,2002。
10.郭一羽,「海岸工程學」,文山書局,2003。
11.楊志彬,「類神經網路在兩側站間波浪資料互補之應用」,碩士論文,國立中興大學土木工程學系,2004。
12.王英銘,「自組非線性系統應用於濁度預測」,碩士論文,國立成功大學水利暨海洋工程研究所,2005。
13.郭金棟,「海岸工程」,中國土木水利工程學會,2005。
14.黃貴麟、蔡清標,「類神經網路在海流流速預測之應用」,第27屆海洋工程研討論文集,2005。
15.林立青,「嵌入引潮力與溫度的類神經-模糊潮汐推算模式」,博士論文,國立交通大學土木工程研究所,2006。
16.經濟部水利署第二河川局,「苗栗海岸復育研究計畫」,2007。
17.經濟部水利署第二河川局,「新竹港南海岸生態工法之研擬」,2007。
18.黃大任,「自組非線性系統應用於波高預測」,碩士論文,國立成功大學水利暨海洋工程研究所,2008。
19.蕭智聰、黃清和、姚建中、游微娟,「類神經網路應用在台灣花蓮港港口流速預測研究」,第32屆海洋工程研討論文集,P.66-72,2010。
20.經濟部水利署第二河川局,「桃竹苗海岸基本資料監測調查計畫」,2010。
21.經濟部水利署第二河川局,「竹苗海岸基本資料監測調查計畫」,2011。
22.Stanley J. Farlow,「Self-organizing Methods In Model-GMDH TYPE Algorithms」,MARCEL DEKKER.INC.
23.Duffy,J.J. and M.A.Franklin,(1975)「A Learning Identification Algorithm and Its Application to an Environmental Systems」,IEEE Trans. System,Man, Cybernetic, Vol.SMC-5, NO.2, P.226-239.
24.S.X. Liang, M.C. Li, Z.C. Sun, (2008 ).「Prediction models for tidal level including strong meteorologic effects using a neural network」, Ocean Engineering ,Vol.35, P.666–675.
25.Burak Aydoğan, Berna Ayat, Mehmet N. Öztürk, Esin Özkan Çevik, Yalçın Yüksel, (2010).「Current velocity forecasting in straits with artificial neural networks , a case study: Strait of Istanbul」, Ocean Engineering, Vol.37, P.443–453.
26.Yeqiang Shu, Jiang Zhu, Dongxiao Wang, Xianjun Xiao,(2011). 「Assimilating remote sensing and in situ observations into a coastal model of northern South China Sea using ensemble Kalman filter」, Continental Shelf Research, Vol.31, P.S24–S36.

連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top