跳到主要內容

臺灣博碩士論文加值系統

(3.238.135.174) 您好!臺灣時間:2021/08/05 06:47
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

我願授權國圖
: 
twitterline
研究生:宋政樺
研究生(外文):Jheng-Hua Sung
論文名稱:以調適性網路模糊推論系統推估西北太平洋颱風強度預報
論文名稱(外文):Applying Adaptive Neuro-Fuzzy Inference System to estimate typhoon intensity forecast in the Northwest Pacific
指導教授:林旭信林旭信引用關係
指導教授(外文):Shiu-Shin Lin
學位類別:碩士
校院名稱:中原大學
系所名稱:土木工程研究所
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:2019
畢業學年度:107
語文別:中文
論文頁數:127
中文關鍵詞:颱風強度預報調適性網路模糊推論系統逐步線性迴歸法主成份分析減法聚類法
外文關鍵詞:typhoon intensity forecastadaptive neuro-fuzzy inference systemstepwise regression procedureprincipal components analysissubtractive clustering
相關次數:
  • 被引用被引用:0
  • 點閱點閱:38
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
本研究利用機器學習法評估颱風強度預報,颱風強度預報模式以調適性網路模糊推論系統(Adaptive Neuro-Fuzzy Inference Systems, ANFIS)架構為基礎,建立未來五天每十二小時之ANFIS颱風強度預報模式,並以多元線性回歸(Multiple Linear Regression, MLR)建立MLR基準模式,分析比較颱風強度預報之效能改進。
本研究以西北太平洋為研究區域,蒐集西元2000年~2012年西北太平洋颱風未登陸之SHIPS資料(SHIPS Developmental Data),利用逐步線性迴歸法(Stepwise Regression Procedure, SRP)與主成分分析(Principal Components Analysis,PCA)簡化模式輸入資料,另外也採用減法聚類法減少輸入和輸出變量之間的關係,降低模式複雜度,本研究設計MI指標選用法做為減法聚類法的聚類標準,決定ANFIS颱風強度預報模式網路設定。
模式預報結果顯示:藉由MI指標選用法使得模式測試效能較佳。ANFIS颱風強度預報模式整體表現比MLR颱風強度基準模式低,所有的提前預報時刻最佳模式都是以SRP篩選輸入因子為佳,其中以加入海洋環境因子表現明顯較佳。另外本研究以JTWC(Joint Typhoon Warning Center,JTWC)颱風強度分級標準分類,在超級颱風的強度標準預報中,ANFIS明顯優於MLR,使用PCA轉換的輸入因子組合於超級颱風等級的預報效能是最好的。
This study employs machine learning to estimate typhoon intensity prediction. The prediction model for typhoon intensity is based on the adaptive neuro-fuzzy inference systems (ANFIS). The ANFIS typhoon intensity prediction model is built every 12 hours for the next five days; the improvement of typhoon intensity forecasts is compared to a baseline model with multiple linear regression (MLR).
This study uses the Northwest Pacific basin as a case area and collects 2000~2012 typhoon non-landing data in SHIPS Developmental Data. The stepwise regression procedure (SRP) and principal components analysis (PCA) are applied to simplify the model input variables. In addition, subtractive clustering is used to reduce the relationship between input and output variables, reducing the complexity of the model. The MI index as the selection criteria for the ANFIS typhoon intensity prediction model is proposed to determine the optimal model.
The simulated results show that the model test performance is better by using the MI indicator. The overall performance of the ANFIS typhoon intensity prediction model is better than the MLR typhoon intensity baseline model. The best model for all forecasting time is to select the input factors by SRP, and the performance is better by adding marine environmental factors. In addition, the typhoon data are classified according to the Joint Typhoon Warning Center (JTWC) typhoon intensity grading standard. In the super-typhoon intensity standard, ANFIS is significantly better than MLR, and the input factors using PCA is the best in the super typhoon level.
摘要 i
Abstract ii
誌謝 iv
目錄 v
圖目錄 vii
表目錄 ix
附圖目錄 xi
附表目錄 xiv
第一章 緒論 1
1.1 前言 1
1.2 研究目的 3
1.3 方法與步驟 4
1.4 論文組織 6
第二章 相關理論介紹 7
2.1 減法聚類法 7
2.2 調適性網路模糊推論系統 8
第三章颱風強度預報模式建立 12
3.1資料簡介 12
3.1.1 颱風最佳路徑資料 12
3.1.2 SHIPS模式與開發資料 12
3.1.3 STIPS模式 13
3.1.4 研究資料分組 14
3.2颱風強度預報模式輸入因子挑選 16
3.3效能評估指標 23
3.4 ANFIS颱風強度預報模式建立 25
3.5 MLR颱風強度預報基準模式建立 33
第四章 結果與討論 35
4.1颱風強度預報模式效能評估 35
4.1.1 颱風強度預報模式誤差比較 35
4.1.2 颱風強度預報模式高低估率比較 40
4.1.3 颱風強度預報模式各颱風等級標準之誤差 44
4.2颱風強度預報模式個案效能 47
4.2.1颱風強度預報模式颱風個案強度比較 48
4.2.2 颱風強度預報模式個案效能比較 62
第五章 結論與建議 64
5.1 結論 64
5.2 建議 66
參考文獻 67
附表 70
附圖 98


圖目錄
圖 1 研究架構 5
圖 2 ANFIS模式架構圖(以N個輸入單一輸出示意) 8
圖 3 ANFIS模式建構流程圖 11
圖 4 選用颱風資料路徑圖 14
圖 5 ANFIS最佳模式建構流程圖 26
圖 6 提前12小時預報模式不同影響半徑與模式MAE關係曲線圖 27
圖 7 提前24小時預報模式不同影響半徑與模式MAE關係曲線圖 27
圖 8 提前36小時預報模式不同影響半徑與模式MAE關係曲線圖 28
圖 9 提前48小時預報模式不同影響半徑與模式MAE關係曲線圖 28
圖 10 提前60小時預報模式不同影響半徑與模式MAE關係曲線圖 29
圖 11 提前72小時預報模式不同影響半徑與模式MAE關係曲線圖 29
圖 12 提前84小時預報模式不同影響半徑與模式MAE關係曲線圖 30
圖 13 提前96小時預報模式不同影響半徑與模式MAE關係曲線圖 30
圖 14 提前108小時預報模式不同影響半徑與模式MAE關係曲線圖 31
圖 15 提前120小時預報模式不同影響半徑與模式MAE關係曲線圖 31
圖 16 桑達颱風個案颱風路徑示意圖 47
圖 17 杰拉華颱風個案颱風路徑示意圖 48
圖 18提前12小時預報模式桑達颱風個案颱風強度比較圖 49
圖 19提前24小時預報模式桑達颱風個案颱風強度比較圖 49
圖 20提前36小時預報模式桑達颱風個案颱風強度比較圖 50
圖 21提前48小時預報模式桑達颱風個案颱風強度比較圖 50
圖 22提前60小時預報模式桑達颱風個案颱風強度比較圖 51
圖 23提前72小時預報模式桑達颱風個案颱風強度比較圖 51
圖 24提前84小時預報模式桑達颱風個案颱風強度比較圖 52
圖 25提前96小時預報模式桑達颱風個案颱風強度比較圖 52
圖 26提前108小時預報模式桑達颱風個案颱風強度比較圖 53
圖 27提前120小時預報模式桑達颱風個案颱風強度比較圖 53
圖 28桑達颱風個案颱風強度比較圖 54
圖 29提前12小時預報模式杰拉華颱風個案颱風強度比較圖 55
圖 30提前24小時預報模式杰拉華颱風個案颱風強度比較圖 56
圖 31提前36小時預報模式杰拉華颱風個案颱風強度比較圖 56
圖 32提前48小時預報模式杰拉華颱風個案颱風強度比較圖 57
圖 33提前60小時預報模式杰拉華颱風個案颱風強度比較圖 57
圖 34提前72小時預報模式杰拉華颱風個案颱風強度比較圖 58
圖 35提前84小時預報模式杰拉華颱風個案颱風強度比較圖 58
圖 36提前96小時預報模式杰拉華颱風個案颱風強度比較圖 59
圖 37提前108小時預報模式杰拉華颱風個案颱風強度比較圖 59
圖 38提前120小時預報模式杰拉華颱風個案颱風強度比較圖 60
圖 39杰拉華颱風個案颱風強度比較圖 61

表目錄
表 1模式輸入因子候選列表 15
表 2 SHIPSa 提前12小時預測逐步迴歸篩選結果 18
表 3 SHIPSa逐步迴歸各提前預報時段因子選入次序 18
表 4 SHIPSb 提前12小時預測逐步迴歸篩選結果 19
表 5 SHIPSb逐步迴歸各提前預報時段因子選入次序 19
表 6 SHIPSa提前12小時主成分分析轉換結果 21
表 7 SHIPSb提前12小時主成分分析轉換結果 22
表 8 ANFIS模式建立使用影響半徑值與規則數 32
表 9 MLR模式測試資料CC、RMSE比較表 34
表 10 颱風強度預報模式CC比較 36
表 11 颱風強度預報模式RMSE(kts)比較 37
表 12 颱風強度預報模式ANFIS改進百分比 38
表 13 颱風強度預報模式平均誤差(kts)比較 39
表 14 颱風強度預報模式最大誤差(kts)比較 40
表 15 JTWC颱風強度分級標準 41
表 16 JTWC超級颱風標準之預報高估率低估率 42
表 17 JTWC颱風標準之預報誤高估率低估率 42
表 18 JTWC熱帶風暴標準之預報誤高估率低估率 43
表 19 JTWC熱帶低氣壓標準之預報誤高估率低估率 43
表 20 JTWC超級颱風標準之預報RMSE 45
表 21 JTWC颱風標準之預報RMSE 45
表 22 JTWC熱帶風暴強度標準之預報RMSE 46
表 23 JTWC熱帶低氣壓強度標準之預報RMSE 46
表 24 桑達颱風個案颱風強度預報模式RMSE(kt)比較 62
表 25 杰拉華颱風個案颱風強度預報模式RMSE(kt)比較 63

附圖目錄
附圖 1提前12小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 98
附圖 2提前24小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 98
附圖 3提前36小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 99
附圖 4提前48小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 99
附圖 5提前60小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 100
附圖 6提前72小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 100
附圖 7提前84小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 101
附圖 8提前96小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 101
附圖 9提前108小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 102
附圖 10提前120小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSa_PCA) 102
附圖 11提前12小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 103
附圖 12提前24小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 103
附圖 13提前36小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 104
附圖 14提前48小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 104
附圖 15提前60小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 105
附圖 16提前72小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 105
附圖 17提前84小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 106
附圖 18提前96小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 106
附圖 19提前108小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 107
附圖 20提前120小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_SRP) 107
附圖 21提前12小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 108
附圖 22提前24小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 108
附圖 23提前36小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 109
附圖 24提前48小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 109
附圖 25提前60小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 110
附圖 26提前72小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 110
附圖 27提前84小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 111
附圖 28提前96小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 111
附圖 29提前108小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 112
附圖 30提前120小時預報影響半徑與MAE關係曲線圖(ANFIS_SHIPSb_PCA) 112


附表目錄
附表 1 SHIPS開發資料所有因子列表 70
附表 2 SHIPSa 提前24小時預測逐步迴歸篩選結果 75
附表 3 SHIPSa 提前36小時預測逐步迴歸篩選結果 75
附表 4 SHIPSa 提前48小時預測逐步迴歸篩選結果 76
附表 5 SHIPSa 提前60小時預測逐步迴歸篩選結果 76
附表 6 SHIPSa 提前72小時預測逐步迴歸篩選結果 77
附表 7 SHIPSa 提前84小時預測逐步迴歸篩選結果 77
附表 8 SHIPSa 提前96小時預測逐步迴歸篩選結果 78
附表 9 SHIPSa 提前108小時預測逐步迴歸篩選結果 78
附表 10 SHIPSa 提前120小時預測逐步迴歸篩選結果 79
附表 11 SHIPSb 提前24小時預測逐步迴歸篩選結果 79
附表 12 SHIPSb 提前36小時預測逐步迴歸篩選結果 80
附表 13 SHIPSb 提前48小時預測逐步迴歸篩選結果 80
附表 14 SHIPSb 提前60小時預測逐步迴歸篩選結果 81
附表 15 SHIPSb 提前72小時預測逐步迴歸篩選結果 81
附表 16 SHIPSb 提前84小時預測逐步迴歸篩選結果 82
附表 17 SHIPSb 提前96小時預測逐步迴歸篩選結果 82
附表 18 SHIPSb 提前108小時預測逐步迴歸篩選結果 83
附表 19 SHIPSb 提前120小時預測逐步迴歸篩選結果 83
附表 20 SHIPSa 提前24小時主成分分析結果 84
附表 21 SHIPSa 提前36小時主成分分析結果 84
附表 22 SHIPSa 提前48小時主成分分析結果 85
附表 23 SHIPSa 提前60小時主成分分析結果 85
附表 24 SHIPSa 提前72小時主成分分析結果 86
附表 25 SHIPSa 提前84小時主成分分析結果 86
附表 26 SHIPSa 提前96小時主成分分析結果 87
附表 27 SHIPSa 提前108小時主成分分析結果 87
附表 28 SHIPSa 提前120小時主成分分析結果 88
附表 29 SHIPSb 提前24小時主成分分析結果 89
附表 30 SHIPSb 提前36小時主成分分析結果 90
附表 31 SHIPSb 提前48小時主成分分析結果 91
附表 32 SHIPSb 提前60小時主成分分析結果 92
附表 33 SHIPSb 提前72小時主成分分析結果 93
附表 34 SHIPSb 提前84小時主成分分析結果 94
附表 35 SHIPSb 提前96小時主成分分析結果 95
附表 36 SHIPSb 提前108小時主成分分析結果 96
附表 37 SHIPSb 提前120小時主成分分析結果 97
1.Alvisi, S., Franchini, M., 2011. Fuzzy neural networks for water level and discharge forecasting with uncertainty. Environmental Modelling & Software, 26(4): 523-537.
2.Chang, F.-J. et al., 2014a. Watershed rainfall forecasting using neuro-fuzzy networks with the assimilation of multi-sensor information. Journal of Hydrology, 508: 374-384.
3.Chang, F.-J. et al., 2014b. Assessment of arsenic concentration in stream water using neuro fuzzy networks with factor analysis. Science of the Total Environment, 494: 202-210.
4.Chang, F.-J., Lai, H.-C., 2014. Adaptive neuro-fuzzy inference system for the prediction of monthly shoreline changes in northeastern Taiwan. Ocean Engineering, 84: 145-156.
5.Chang, L.C., Chang, F.J., 2001. Intelligent control for modelling of real‐time reservoir operation. Hydrological processes, 15(9): 1621-1634.
6.Chiu, S.L., 1994. Fuzzy model identification based on cluster estimation. Journal of Intelligent & fuzzy systems, 2(3): 267-278.
7.DeMaria, M., Kaplan, J., 1999. An updated statistical hurricane intensity prediction scheme (SHIPS) for the Atlantic and eastern North Pacific basins. Weather and Forecasting, 14(3): 326-337.
8.DeMaria, M., Mainelli, M., Shay, L.K., Knaff, J.A., Kaplan, J., 2005. Further improvements to the statistical hurricane intensity prediction scheme (SHIPS). Weather and Forecasting, 20(4): 531-543.
9.DeMaria, M., Sampson, C.R., Knaff, J.A., Musgrave, K.D., 2014. Is tropical cyclone intensity guidance improving? Bulletin of the American Meteorological Society, 95(3): 387-398.
10.El-Shafie, A., Jaafer, O., Akrami, S.A., 2011. Adaptive neuro-fuzzy inference system based model for rainfall forecasting in Klang River, Malaysia. International Journal of Physical Sciences, 6(12): 2875-2888.
11.Fattahi, H., 2016. Indirect estimation of deformation modulus of an in situ rock mass: an ANFIS model based on grid partitioning, fuzzy c-means clustering and subtractive clustering. Geosciences Journal, 20(5): 681-690.
12.Jang, J. S., 1993. ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions on systems, man, and cybernetics, 23(3): 665-685.
13.Jarvinen, B.R., Neumann, C.J., 1979. Statistical forecasts of tropical cyclone intensity for the North Atlantic basin.
14.Jin, L., Yao, C., Huang, X.-Y., 2008. A nonlinear artificial intelligence ensemble prediction model for typhoon intensity. Monthly Weather Review, 136(12): 4541-4554.
15.Knaff, J.A., DeMaria, M., Sampson, C.R., Gross, J.M., 2003. Statistical, 5-day tropical cyclone intensity forecasts derived from climatology and persistence. Weather and Forecasting, 18(1): 80-92.
16.Knaff, J.A., Sampson, C.R., DeMaria, M., 2005. An operational statistical typhoon intensity prediction scheme for the western North Pacific. Weather and Forecasting, 20(4): 688-699.
17.Kaiser, H. F. ,1960. The application of electronic computers to factor analysis. Educational and psychological measurement, 20(1): 141-151.
18.Mulia, I.E., Tay, H., Roopsekhar, K., Tkalich, P., 2013. Hybrid ANN–GA model for predicting turbidity and chlorophyll-a concentrations. Journal of Hydro-environment Research, 7(4): 279-299.
19.Nayak, P.C., Sudheer, K., Rangan, D., Ramasastri, K., 2004. A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291(1-2): 52-66.
20.Samsudin, R., Saad, P., Shabri, A., 2010. A hybrid least squares support vector machines and GMDH approach for river flow forecasting. Hydrology and Earth System Sciences Discussions, 7(3): 3691-3731.
21.Sharma, N., Ali, M., Knaff, J.A., Chand, P., 2013. A soft‐computing cyclone intensity prediction scheme for the Western North Pacific Ocean. Atmospheric Science Letters, 14(3): 187-192.
22.Swain, D., Ali, M., Weller, R.A., 2006. Estimation of mixed-layer depth from surface parameters. Journal of Marine Research, 64(5): 745-758.
23.Sandhya N.,and Charanjeet Kaur Raina, 2016. A review on Machine Learning Techniques. Recent and Innovation Trends in Computing and Communication, 4, pp.395-399.
24.Talpur, N., Salleh, M.N.M., Hussain, K., 2017. An investigation of membership functions on performance of ANFIS for solving classification problems, IOP Conference Series: Materials Science and Engineering. IOP Publishing, pp. 012103.
25.林旭信、蔡孝忠、甘秉玄、廖英博,2009,「結合聚類分析與人工智慧於颱風時雨量預測」,臺灣水利,第57卷,第三期。
26.林益峰, 2011,「以人工智慧模式評估在氣候變遷影響下對台灣區域河川流量之衝擊」,學位論文,中原大學土木工程研究所,桃園。
27.林碩彥,2016,「利用 SHIPS 資料改進颱風強度統計預報模式之研究」,學位論文,淡江大學水資源及環境工程學系研究所,臺北。
28.莊家閔、林旭信、甘秉玄、李基毓、胡衍立,2016,「應用拔靴法與輻狀基底類神經網路之氣候變遷統計降尺度模式」,臺灣水利,第64卷,第4期。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top