淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-0508201315165200
中文論文名稱 雷達定量降水資料結合類神經網路於颱風時期降雨量與流量推估之研究
英文論文名稱 A Study of Radar-based Quantitative Precipitation Estimation Data for Rainfall and Inflow Estimation during Typhoon Period Using Artificial Neural Networks
校院名稱 淡江大學
系所名稱(中) 水資源及環境工程學系碩士班
系所名稱(英) Department of Water Resources and Environmental Engineering
學年度 101
學期 2
出版年 102
研究生中文姓名 陳淵翔
研究生英文姓名 Yuan-Hsiang Chen
學號 600480049
學位類別 碩士
語文別 中文
口試日期 2013-07-02
論文頁數 82頁
口試委員 指導教授-施國肱
指導教授-張麗秋
委員-張斐章
委員-曾鈞敏
中文關鍵字 多重觀測工具之定量降水估計  降雨-逕流預報模式  倒傳遞類神經網路  三角單位歷線 
英文關鍵字 QPESUMS  Rainfall-Runoff Forecasting Model  BPNN  Triangular Unit Hydrograph 
學科別分類 學科別應用科學環境工程
中文摘要 台灣每年平均約有3至4次颱風侵台,挾帶豐沛的降雨量對於水庫與河川易造成重大的衝擊,因此,颱風時期的降雨量與流量預報可提供有用的水情資訊,以做為水庫操作與河川防災之參考。本研究以石門水庫集水區為研究區域,建構類神經網路降雨修正模式進行修正多重觀測工具之定量降水估計(QPESUMS)資料,進而以修正雨量資料建置集水區降雨-逕流預報模式,探討水庫集水區之降雨與逕流關係;研究主要分成降雨及流量兩部分,降雨的部分,首先以倒傳遞類神經網路(BPNN)修正QPESUMS網格降雨量,再將集水區分成8個子集水區並以BPNN預測各子集水區未來的平均降雨量;流量的部分,探討集流時間與流量之關係,利用QPESUMS及平均降雨量預測結果建置BPNN與三角單位歷線之流量推估與預測模式。
降雨的部分,利用雨量站資訊及地文因子修正QPESUMS網格降雨量,並利用平均高程與現時刻雨量預測未來1~3小時的平均降雨;流量的部分,根據集流時間與流量之關係以BPNN及三角單位歷線建置3個模式,BPNN I使用前時刻、現時刻雨量與流量資訊以BPNN預測流量,BPNN II在預測T+3~5時刻流量使用前時刻、現時刻雨量與流量及平均降雨預測結果以BPNN預測流量,模式三使用前時刻、現時刻雨量及降雨預測結果以三角單位歷線(TUH)推估流量。
降雨的部分,由評估指標可得知QPESUMSE雨量修正有不錯的效果,由雨量預測模式之結果得知在T+1平均雨量預測之效果較好。流量的部分,由評估指標可得知BPNN I及BPNN II可有效預測流量。TUH為計算簡易之模式,對於推估流量的效果相當有限。
英文摘要 Typhoons hit Taiwan around three to four times a year, bringing a huge amount of rainfall, which easily cause reservoir and river a significant impact. Therefore, rainfall and flow forecasting can provide useful information to prevent reservoir operation and flood disaster during typhoon periods. This study used artificial neural networks (ANNs) to build a precipitation corrected model, precipitation forecast models and rainfall-runoff forecast models in Shihmen Reservoir watershed for investigating the relationships between rainfall and runoff within this watershed. The precipitation corrected model is used to correct Quantitative Precipitation Estimation and Segregation Using Multiple Sensor (QPESUMS) data. In this study, there are two parts: rainfall and flow. In the rainfall part, used a back-propagation neural network (BPNN) for correcting QPESUMS data; then, divided the catchment into eight sub-catchments and applied BPNN to build the precipitation forecast models to forecast one- to three-step-ahead average QPESUMS precipitation of these eight sub-catchments. In the flow part, investigate the relationship between time of concentration and flow; then, build flow forecast models by using BPNNs and triangular unit hydrograph (TUH) based on the average QPESUMS precipitation data of sub- catchments to forecast one- to five-step-ahead flow.
In the rainfall part, the precipitation corrected model’s inputs are rainfall gauges precipitation data and geomorphologic factors. The precipitation forecast models’ inputs are the average elevation and precipitation of the sub-catchment. In the flow part, the forecast models’ inputs are the corresponding previous average precipitations of all sub-catchments according to the time of concentration.
For the rainfall part, the results show that the precipitation corrected model can effectively correct QPESUMS data. The precipitation forecast models can obtain nice results in forecasting one-step-ahead average precipitation. For the flow part, the results show that the BPNNs outperform TUH models and can be adequately applied with high accuracy to the study of real-time flow forecasts in the study area.
論文目次 謝誌 I
摘要 II
ABSTRACT III
目錄 V
表目錄 VIII
圖目錄 X
一、前言 1
1.1研究動機與目的 1
1.2研究方法 3
二、文獻回顧 5
2.1類神經網路之應用 5
2.2類神經預測降雨量之應用 6
2.3雷達資料於流量預測之應用 7
三、理論概述 9
3.1類神經網路 9
3.2倒傳遞類神經網路 11
3.2.1誤差倒傳遞演算法 13
四、研究案例 16
4.1研究區域 16
4.2資料蒐集 19
4.3評估指標 22
4.4QPESUMS網格降雨修正模式 24
4.4.1模式架構 24
4.4.2降雨修正結果分析 29
4.5 子集水區降雨預測模式 32
4.5.1 模式架構 32
4.5.2子集水區降雨預測結果分析 35
4.6 流量預測模式 40
4.6.1三角單位歷線流量推估模式 40
4.6.2倒傳遞類神經網路模式架構 47
4.6.3流量預測結果分析 49
4.6.4颱風場次比較 60
五、結論與建議 71
5.1結論 71
5.2建議 73
參考文獻 74
附 錄 78
表目錄
表4.1石門水庫集水區雨量站基本資料表 18
表4.2颱風事件資料 19
表4.3 QPESUMS數值與真實雨量誤差表 25
表4.4 QPESUMS網格降雨修正模式輸入項測試組合 27
表 4.5 網格降雨修正模式輸入項組合結果比較 30
表4.6 降雨預測模式輸入項測試組合 33
表 4.7子集水區降雨預測模式輸入項組合結果比較 36
表4.8子集水區降雨T+1~T+3預測結果比較 36
表4.9 各集水區的地文因子 41
表4.10 各子集水區集流時間 43
表4.11不同形式之三角單位歷線參數 43
表4.12 各集水區之集流時間 44
表4.13 三角單位歷線之輸入因子 46
表4.14 集水區編號表 48
表4.15 各模式之輸入因子 48
表4.16 三角單位歷線推估T+1時刻流量結果 53
表4.17 BPNN 預測T+1時刻流量結果 53
表4.18 BPNN I之預測結果表 53
表4.19 BPNN II之預測結果表 54
表4.20 三角單位歷線之推估結果表 54
表4.21 鳳凰颱風流量預測模式各模式結果比較 62
表4.22 薔蜜颱風流量預測模式各模式結果比較 65
表4.23 梅姬颱風流量預測模式各模式結果比較 68
附表1 米雷颱風流量預測模式各模式結果比較 80
圖目錄
圖1.1 流程架構圖 4
圖3.2 誤差倒傳遞演算法流程(張斐章、張麗秋,2010) 15
圖4.1 石門水庫上游集水區圖 17
圖4.2 真實雨量與QPESUMS雨量散布圖 25
圖4.3 QPESUMS網格降雨量與雨量站位置圖 27
圖4.4 QPESUMS網格降雨修正模式架構圖 28
圖4.5 原始資料與組合7降雨量修正結果比較圖 31
圖4.6 石門集水區分類結果 33
圖4.7子集水區降雨預測模式架構圖 34
圖4.8 子集水區T+1時刻雨量預測結果圖 37
圖4.9 子集水區T+2時刻雨量預測結果圖 38
圖4.10 子集水區T+3時刻雨量預測結果圖 39
圖4.11 三角單位歷線示意圖 40
圖4.12 三角單位歷線之流程圖 45
圖4.13 三角單位歷線推估T+1時刻流量結果比較圖 51
圖4.14 BPNN預測T+1時刻流量結果比較圖 52
圖4.15 T+1時刻之流量結果比較圖 55
圖4.16 T+2時刻之流量結果比較圖 56
圖4.17 T+3時刻之流量結果比較圖 57
圖4.18 T+4時刻之流量結果比較圖 58
圖4.19 T+5時刻之流量結果比較圖 59
圖4.20 鳳凰颱風流量預測模式結果 62
圖4.21 薔蜜颱風流量預測模式結果 65
圖4.22 梅姬颱風流量預測模式結果 68
附圖1 合成集水區1與2之流量歷線示意圖 78
附圖2 合成集水區4與5之流量歷線示意圖 79
附圖3米雷颱風流量預測模式結果 80
參考文獻 1.中央氣象局,2011, 颱風百問。
2.丘台光、陳嘉榮、張保亮、林品芳,2002,「劇烈天氣監測系QPESUMS之服務與應用」,中央氣象局。
3.江衍銘、張斐章,2007,「以類神經網路建構定量降雨及多階段洪水預報模式」,台灣水利,第55卷,第2期,25-33頁。
4.呂珮雯,2007,「應用類神經網路探討衛星影像對集水區降雨量推估之影響」,私立淡江大學水資源及環境工程學研究所碩士論文。
5.張智昌、孫志鴻、賴進貴,2006,「整合氣象雷達與即時降雨資料於颱風降雨推估之研究」。
6.張斐章、張麗秋,2010,「類神經網路導論-原理與應用」,滄海書局。
7.許惠茵,2010,「類神經網路結合衛星影像與氣象資料於颱風雨量推估之研究」,私立淡江大學水資源及環境工程學研究所碩士論文。
8.蔡孟原、許銘熙、傅金城、林李耀、王安翔,2011,「雷達定量降水估計在河川洪水預報模式之應用」。
9.衛強、鄭克聲,2007,「應用氣象衛星影像於臺灣中部山區小型集水區進行雨量預報之可行性研究」,中華水土保持學報,第38卷,第2期,147-157頁。
10.陳憲宗、劉鑌鋈、游保杉,2010,「應用支撐向量機與輻狀基底神經網路修正QPESUMS 雨量」,農業工程學報,第56卷,第3期,43-56頁。
11.魏曉萍、葉克家、劉振榮、趙俊傑,2008,「結合SSM/I 衛星資料與類神經網路推估海面上颱風降雨量之研究」,大氣科學,第36期,第2號,147-161頁。
12.Bao, Y., Ren, J., 2011. Wetland Landscape Classification Based on the BP Neural Network in DaLinor Lake Area. Procedia Environmental Sciences, 10, 2360-2366.
13.Chang, F.J., Chang, L.C., and Huang, H.L., 2002.Real-time recurrent learning neural network for stream-flow forecasting. Hydrological Processes, 16, 2577–2588.
14.Chang, L.C., Chang, F.J., and Tsai, Y.H.,2005. Fuzzy exemplar-based inference system for flood forecasting. Water Resources Research, 41,W02005.
15.Chiang, Y.M., Chang, F.J., Jou, B. J., and Lin, P., 2006. Dynamic ANN for precipitation estimation and forecasting from radar observations. Journal of Hydrology, 334(1–2), 250-261.
16.Wu, C.L., Chau, K.W., Fan,C., 2010. Prediction of rainfall time series using modular artificial neural networks coupled with data-preprocessing techniques. Journal of Hydrology, 389, 146–167.
17.Smith,J.A.,Baeck,M.L.,Meierdiercks,K.L.,Miller,A.J.,Krajewski,W.F., 2007.Radar rainfall estimation for flash flood forecasting in small urban watersheds. Advances in Water Resources , 30,2087-2097.
18.Giannoni, F., Smith, M.A., Zhang, Y., Roth, G., 2003.Hydrologic modeling of extreme floods using radar rainfall estimates. Advances in Water Resources , 26,195-203.
19.Gourley, J. J., & Vieux, B. E., 2006. A method for identifying sources of model uncertainty in rainfall-runoff simulations. Journal of Hydrology, 327(1–2), 68-80.
20.Ghose, D.K., Panda, S.S., Swain, P.C., 2010. Prediction of water table depth in western region, Orissa using BPNN and RBFN neural networks. Journal of Hydrology 394, 296-304.
21.Luk, K.C., Ball, J.E., Sharma, A., 2000. A study of optimal model lag and spatial inputs to artificial neural network for rainfall forecasting. Journal of Hydrology, 227, 56–65.
22.Leahy, P., Kiely, G., and Corcoran, G., 2008. Structural optimisation and input selection of an artificial neural network for river level prediction. Journal of Hydrology, 355(1–4), 192-201.
23.Lin, G., and Wu, M., 2009. A hybrid neural network model for typhoon-rainfall forecasting. Journal of Hydrology, 375(3–4), 450-458.
24. Liu, H., Chandrasekar V., and Xu, G. , 2001. An adaptive neural network scheme for radar rainfall estimation from WSR-88D observations. Journal of Applied Meteorology, 2038-2050.
25.Nasseri, M., Asghari, K., & Abedini, M. J., 2008. Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network. Expert Systems with Applications, 35(3), 1415-1421.
26.Rozalis, S., Morin, E., Yair, Y., Price, C.,2010.Flash flood prediction using an uncalibrated hydrological model and radar rainfall data in a Mediterranean watershed under changing hydrological conditions. Journal of Hydrology, 394, 245–255.
27.Valverde Ramirez, M. C., de Campos Velho, H. F., and Ferreira, N. J., 2005. Artificial neural network technique for rainfall forecasting applied to the sao paulo region. Journal of Hydrology, 301(1–4), 146-162.
28.Xin, L., Recuter, G., and Larochelle B., 1997. Reflectivity-rain rate relationship for convective rainshowers in edmonton. Atmos. Ocean, (35), 513-521.
29.Yilmaz, A. G., Imteaz, M. A., and Jenkins, G., 2011. Catchment flow estimation using artificial neural networks in the mountainous euphrates basin. Journal of Hydrology, 410(1–2), 134-140.
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2013-08-06公開。
  • 同意授權瀏覽/列印電子全文服務,於2013-08-06起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信