[[alternative]]Investigation on watershed inflow forecast during typhoon period using artificial neural network

碩士[[abstract]]颱風受到其氣象特徵於登陸區域地形之交互影響，使其路徑與結構改變 ，影響了降雨區域及時間分布，造成地區集中性降雨、河川水位暴漲、水庫入流量激增，若能從颱風路徑的分類瞭解其對集水區流量歷程之影響程度，進而建立相關預測模式可提供防洪策略與水庫防洪操作更多的資訊。 本研究將颱風路徑經由自組特徵映射網路(SOM)進行分類，使用分類資訊輸入倒傳遞類神經網路(BPNN)建立颱風分類模式與流量特徵模式預測未來1~3小時流量(短時距預測)，並比較不分類與分類後之預測結果；再者，利用流量累積之統計曲線與預報路徑預測整場颱風之全時距入流量(長時距預測)，以預報路徑進行分類後，分析整場颱風全時距流量預測結果與趨勢，討論颱風路徑與水庫集水區入流量之關係。 由短時距流量預測模式之預測結果可得知，使用路徑分類資訊進行流量預測(資料分類模式與流量特徵模式)，可以在颱風流量預測上得到較好的結果，故颱風路徑確實對颱洪時期水庫入流量造成不小影響；由長時距預測結果可得知，颱風預報路徑分類與實際路徑分類相似，可獲得較好之預測結果，反之，分類差異大，則預測流量歷程與實際流量歷程差距大。[[abstract]]Due the effects of the regional topography and its climatic characteristics, the track and structure of the landfall typhoons would be change or destroyed that affect the temporal and spatial distribution of rainfall. That may cause regional intense rainfall, the water level suddenly rise and reservoir inflow surge. We expect to investigate the impact of typhoon track on watershed inflow hydrograph from its classification; then, to build the corresponding forecasting models for providing useful flood information. This study would apply self-organizing map (SOM) to classify the track of typhoons and use back-propagation neural networks (BPNNs) to build forecast models with typhoon classification information or inflow characteristics for predicting one- to three-step ahead reservoir inflow. Moreover, we also combine inflow accumulative curves with the forecast track of typhoon to predict the whole inflow hydrograph during typhoon landfall period (long-term forecast). After classifying the forecast path, we analyzed the forecast result of the whole inflow hydrograph to investigate the relationship between the typhoon path and watershed inflow. From the results of short-term forecast models, the path classification information is helpful to short-term inflow forecasts. The typhoon path indeed affects the amount of reservoir watershed inflow. The long-term forecast results showed that the more accurate typhoon forecast path can achieve better results. The forecast inflow would be very different from the inflow hydrograph when the classification was incorrect.[[tableofcontents]]目錄 謝誌 I 中文摘要 II ABSTRACT III 目錄 V 表目錄 VIII 圖目錄 X 一、前言 1 1.1 研究動機 1 1.2研究目地 2 1.3研究方法 2 二、文獻回顧 4 2.1倒傳遞類神經網路之應用 4 2.2自組特徵映射類神經網路之應用 5 2.3颱風特徵之應用 6 三、理論概述 8 3.1類神經網路 8 3.2倒傳遞類神經網路 10 3.2.1誤差倒傳遞演算法 12 3.3 自組性類神經網路 15 3.3.1自組特徵映射網路的架構 15 3.3.2自組特徵映射網路的演算法 16 3.3.3 自組特徵映射網路的參數設定 20 四、研究案例 22 4.1研究區域 22 4.2資料蒐集 24 4.3模式架構 27 4.3.1 SOM分類 28 4.3.2 短時距流量預測模式 34 4.3.3整場颱風之全時距流量預測模式 40 4.4結果 43 4.4.1短時距流量預測模式 45 4.5綜合討論 59 4.6整場颱風之全時距流量預測模式 73 五、結論於建議 78 5.1結論 78 5.2建議 81 參考文獻 83 附 錄 87 表目錄 表4-1颱風事件資料 25 表4-2雨量站資料表 26 表4.3設計網格資料 29 表4.4訓練、測試颱風資料 32 表4.5訓練颱風事件分類表 44 表4.6測試颱風事件分類表 44 表4.7不分類模式輸入項測試組合 49 表4.8測試輸入項組合結果(以預測未來1小時為例) 49 表4.9模式一預測未來1~3小時之流量結果 50 表4.10模式二預測未來1~3小時之流量結果(分類10) 52 表4.11模式三預測未來1~3小時之結果流量 57 表4.12辛樂克颱風短時距流量預測模式比較 61 表4.13梅姬颱風短時距流量預測模式比較 63 表4.14薔蜜颱風短時距流量預測結果比較 65 表4.15莫拉克颱風短時距流量預測結果比較 67 表4.16凡那比颱風短時距流量預測結果比較 69 表4.17米雷颱風短時距流量預測結果比較 71 表4.18選取之颱風警報單時間與其分類 73 表4.19辛樂克颱風－整場事件預測結果 75 圖目錄 圖3.1 倒傳遞類神經網路(BPNN)架構圖 11 圖3.2 誤差倒傳遞演算法流程 14 圖3.3 二維矩陣的SOM架構圖 16 圖3.4 SOM網路優勝神經元與鄰近神經元示意圖 18 圖4.1 石門水庫上游集水區圖 23 圖4.2中央氣象局颱風路徑分類圖 29 圖4.3臺灣鄰近區域之網格座標圖 30 圖4.4 颱風路徑與網格座標套疊圖 30 圖4.5 SOM之颱風路徑輸入向量 31 圖4.6 颱風路徑分類之SOM拓樸圖 33 圖4.7模式一之建置流程圖 35 圖4.8模式二之建置流程圖 37 圖4.9模式三之建置流程圖 39 圖4.10累積流量百分比示意圖 41 圖4.11預測之流量歷線 41 圖4.12全時距流量預測模式建置流程圖 42 圖4.13颱風路徑拓樸圖 43 圖4.14模式一預測未來1~3小時之流量結果比較圖 51 圖4.15模式二預測未來1~3小時之流量結果圖(分類10) 53 圖4.16 SOM各神經元之颱風累積流量百分比圖 55 圖4.17分類之累積百分比曲線圖 56 圖4.18模式三預測未來1~3小時之流量結果圖 58 圖4.19辛樂克颱風短時距流量預測結果：(A)T+1時刻 61 圖4.20辛樂克颱風短時距流量預測結果：(B)T+2時刻(C)T+3時刻 62 圖4.21梅姬颱風短時距流量預測結果：(A)T+1時刻 63 圖4.22梅姬颱風短時距流量預測結果：(B)T+2時刻(C)T+3時刻 64 圖4.23薔蜜颱風短時距流量預測結果比較：(A)T+1時刻 65 圖4.24薔蜜颱風短時距流量預測結果比較：(B) T+2時刻(C) T+3時刻 66 圖4.25莫拉克颱風短時距流量預測結果比較：(A)T+1時刻 67 圖4.26莫拉克颱風短時距流量預測結果比較：(B)T+2時刻(C)T+3時刻 68 圖4.27凡那比颱風短時距流量預測結果比較：(A)T+1時刻 69 圖4.28凡那比颱風短時距流量預測結果比較：(B)T+2時刻(C)T+3時刻 70 圖4.29米雷颱風短時距流量預測結果比較：(A)T+1時刻 71 圖4.30米雷颱風短時距流量預測結果比較：(B)T+2時刻(C)T+3時刻 72 圖4.31辛樂克颱風全時距之預測結果：(A)09/12-23:30(B)09/13-11:30 76 圖4.32辛樂克颱風全時距之預測結果：(C)09/13-14:30(D)09/13-23:30 766 附圖1辛樂克-颱風警報單 87 附圖2 颱風警報單-預測路徑 88 附圖3模式二預測未來1~3小時流量結果圖(神經元5) 89 附圖4模式二推估未來1~3小時流量結果圖(神經元6) 90 附圖5模式二預測未來1~3小時流量結果圖(神經元9) 91 附圖6模式二預測未來1~3小時流量結果圖(神經元12) 92[[note]]學號: 699480074, 學年度: 10