Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/89383
標題: Forecasting Typhoon Rainfall and Groundwater Level by Artificial Neural Network and Multiple Regression Analysis
以類神經網路及複迴歸分析建構颱風降雨量及地下水位預測模式
作者: 童偉安
Wei-An Tong
關鍵字: 颱風雨量預測
地下水位預測
類神經網路
複迴歸分析
typhoon rainfall forecasting
groundwater level forecasting
artificial neural network
multiple regression analysis
引用: 1. Yeh, H.C. and Chen, Y.L., 1998. Characteristics of Rainfall Distributions over Taiwan during the Taiwan Area Mesoscale Experiment (TAMEX). Journal of Applied Meteorology, November 1998,1457-1469. 2. Chiang, Y.M., Chang, L.C. and Chang, F.J., 2004. Comparison of static-feedforward and dynamic-feedback neural networks for rainfall-runoff modeling. Journal of Hydrology, 290, 297-311. 3. Tseng, C.M., Jan, C.D., Wang, J.S. and Wang, C.M.,2007. Application of artificial neural networks in typhoon surge forecasting. Ocean Engineering, 34, 1757-1768. 4. Nasseri, M., Asghari, K. and Abedini, M.J., 2008. Forecasting of Rainfall Using Time Delay Neural Network in Tizi-Ouzou. Expert Systems with Applications, 35, 1415-1421. 5. Lin, G.F. and Wu, M.C.,2009, A hybrid neural network model for typhoon-rainfall forecasting, Journal of Hydrology, 375, 450-458. 6. 林雨我、徐晉淮,1988,「侵襲台灣颱風之降雨分布研究」,氣象學報,34(3),196-214。 7. 鍾秉宸、林國峰,2013,「有效氣象變數及其對於小時颱風降雨預報之影響」,第21屆水利工程研討會。 8. 陳昶憲、鍾侑達、梁家瑋、王晉倫,2006,「颱風早期降雨預測」,中華水土保持學報,37(2),201-208。 9. 黃俊霖、蔡文炳、陳逸鴻、張斐章,2013,「應用類神經網路建立濁水溪水系長時距地下水位之預測模式」,農工研討會。 10. 鄭宇祈、羅德章、陳震武、魏志強,2013,「類神經網路之視窗化城市開發於颱風降雨量預測」,第21屆水利工程研討會。 11. 徐年盛、林尉濤、陳敬文,2009,「運用類神經網路預測濁水溪沖積扇地下水位變化之研究」,中國土木水利工程學刊,21(3),285-293。 12. 陳敬文、魏志強、陳俊廷、徐年盛,2012,「類神經網路結合優選模式於地面水與地下水聯合運用之研究」,台灣水刊,60(1),15-28。 13. 陳清田、陳儒賢、黃建演、黃上竹,2013,「類神經網路結合辦便意圖於地下水位預測之研究」,農工研討會。 14. 林承賢,2012,「以類神經網路建構濁水溪流域地下水位推估模式」,國立台灣大學生物資源暨農學院生物環境系統工程學系碩士論文。 15. 陳建宏,2010,「考量不同颱風路徑之類神經網路暴潮預測模式」,長榮大學土地管理與開發學系碩士論文。 16. 林進國,2003,「降雨和地下水位變化之關聯性分析」,國立成功大學水利及海洋工程研究所碩士論文。 17. 林典蔚,2008,「結合自組織映射圖網路與倒傳遞類神經網路於地下水水位之預測」,國立嘉義大學土木與水資源工程學系碩士論文。 18. 丁崇峰,2006,「機器學習演算法應用於地下水位與地層下陷量分析之研究」,國立成功大學水利海洋工程研究所博士論文。 19. 林俊慶,2010,「應用類神經網路及降雨資料於地下水位補遺之研究-以雲林縣北港站為例」,逢甲大學環境資訊科技碩士學位學程碩士論文。 20. 王珍貴,2007,「應用類神經網路模式模擬颱風降雨量」,國立成功大學水利及海洋研究所碩士論文。 21. 王啟明,2004,「類神經網路應用於颱風暴潮之預測」,國立成功大學水利及海洋工程研究所碩士論文。 22. 張斐章、張麗秋,2010,「類神經網路導論:原理與應用」,蒼海書局。 23. 國立交通大學,2013,「水文地文區域化不確定性對西南沿海淹水敏感區之影響研究」,經濟部水利署水利規劃試驗所。
摘要: 本研究係以倒傳遞類神經網路及複迴歸分析建構預測台灣濁水溪流域降雨量及地下水位站於颱風侵台期間的總降雨量及地下水位變化預測之模式。利用颱風暴風圈尚未入侵台灣西部時可掌握之資訊,預測台灣西部特定地區於颱風侵台期間之總降雨量及颱風事件過後地下水位的變化量,透過雨量預測進行防洪防災之必要措施,而地下水位之預測可提供位於淹水、地層下陷敏感區域於暴雨事件後可能的地下水位變化量,進而了解此次暴雨事件可能造成的影響。 目前已有許多利用類神經網路所建構的降雨及地下水位預測模式,但針對颱風雨量預測之模式皆是以即時預測為主,並無在颱風侵台早期利用易取得之颱風資訊預測整場颱風事件降雨之類神經網路模式,相類似之研究僅有陳昶憲學者等人於2006年,利用歐幾里得距離法及權重相似度法所建構之颱風早期降雨預測模式,其預測準確率約落在70%至75%之間。 本研究利用位於台灣東部之氣象站資訊、中央氣象局觀測之易取得的颱風資料,利用類神經網路建構降雨量及地下水位變化量預測模式,再以複迴歸分析修正網路輸出值。結果顯示,單利用類神經網路法無法建構出預測準確度高之模式,但配合複迴歸分析加以修正,於降雨量預測上可得準確度達80%以上之結果。於地下水位之預測上,預測模式則因地下含水層之類型不同,在自由水面的非拘限含水層可得到較準確的預測結果。
This study built the typhoon rainfall and the discrepancy of groundwater level forecasting model by artificial neural network(ANN) and multiple regression analysis at Chuo Shui river basins. Used the information of typhoon before it invaded in western Taiwan, forecasted the rainfall and the discrepancy of groundwater level in the specified area in western Taiwan, than we can implement the disaster prevention with the rainfall predictive value, and speculate the situation after the typhoon event in the area where have problems of flooding and land subsidence with the predictive value of discrepancy of the groundwater level. There are many researches about the forecasting with ANN of rainfall and groundwater level, but when it comes to forecast the typhoon rainfall, the studies are all forecasting the real-time rainfall. We have none research about forecasting the total rainfall of the typhoon event with ANN, by using the typhoon's information which were easy to get when the typhoon just touched eastern Taiwan. There is only one similar research that used Euclidean distance and weight similar method to built the typhoon rainfall forecasting model by Chen in 2006. the accuracy of this model is about 70%to 75%. This study build using the information from rain-gauge station in east Taiwan and the data which are easy to get from Central Weather Bureau to build the ANN models which could forecast the total rainfall and the discrepancy of groundwater level during a typhoon event, then correct the predictive value with multiple regression analysis. The results show that, when the model is only built by ANN, this model can't have an accurate forecast. But if coordinated with the multiple regression analysis, the accuracy can reach to 80%. Due to the differences in aquifer type, the forecasting model give out the most accurate results on the groundwater level when the aquifer is unconfined aquifer .
URI: http://hdl.handle.net/11455/89383
其他識別: U0005-1808201511330300
文章公開時間: 2018-08-26
Appears in Collections:水土保持學系

文件中的檔案:

取得全文請前往華藝線上圖書館



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.