本研究之目的為發展一套客觀辨識氣候變遷時序之方法，以作為探究台灣近年發生之極端降雨事件究竟是短暫偶發之單一事件，或是儼然已為氣候變遷導致之長期降雨型態改變等相關問題之辨識與判定方法。
    研究中，採用模糊C均值法(Fuzzy C-Means, FCM)於氣候變遷時序資料，欲以模糊C均值法之隸屬度，辨識時序資料之分群，並以分群指標作為分群優劣之依據，若分群顯著，則表示時序資料有變異之情形，即氣候變遷之現象。研究中，引入統計虛無假設檢定理論，以建立隸屬度分群指標判定門檻值，並以時序資料個數及變異係數建立分群指標門檻值迴歸式，俾作為相關氣候變遷時序資料辨識之用。
由研究結果顯示，利用FCM進行氣候變遷辨識時，以VPE指標之辨識結果較佳；同時，當前、後段資料年份長度接近時才有較佳之辨識度與檢定結果。在氣候變遷之年份辨識方面，當資料長度增加時，判定之年份會接近真實之變遷年份，惟當資料年份繼續增加，由於前段資料之年份相較於後段資料長度相當長，辨識度會受到影響，而產生辨識上之偏差。
    綜合上述之研究結論獲知，經由繁衍及實際雨量站等相關實際案例資料分析與適用性測試後證實，本研究發展之方法確實可作為辨識時序是否發生氣候變遷之客觀評判基準。本研究所獲致之若干成果，希冀可進一步作為未來氣候變遷後續研究之參考與應用。

This study is to develop a method of time series analysis that could determine whether the recent occurrences of extreme rainfalls in Taiwan are part of a long-term shift in precipitation patterns due to climate change, or random events without long-term implications.
In this study, Fuzzy C-Means (FCM) method is applied to the analysis of climatic time series data. The concept of fuzzy membership allowed one to break up the time series into distinguishable data clusters. The degree of data clustering was quantified using three clustering indices, which were obtained through regression equations from the number of time series data and the coefficient of variation. High degree of data clustering would signify a temporal shift in time series induced by climate change. A null hypothesis framework for validating a temporal shift in time series was constructed, and a threshold value for the clustering indices were determined for the hypothesis validation.
Comparing three clustering indices used, the FCM method perform best in identifying temporal shifts when the validity partition entropy (VPE) index was used. Also, when time series data was divided into two parts, a greater accuracy in identifying the years of climate change was achieved if the two parts were of more or less equal time spans. The accuracy of the identification could increase with the time span of the data series, yet a large difference between the time spans of the two component data series could lead to greater errors in the identification.
In conclusion, based on the results of applicability testing against simulation and real precipitation data, the method proposed in this study can provide a basis for the identification of climate change in time series data. Hopefully, future research and application could be built on the results of this study.

目錄
謝誌	I
中文摘要	II
英文摘要	III
目錄	IV
圖目錄	VIII
第一章	緒論	1
1-1	研究目的與動機	1
1-2	文獻回顧	2
1-3	本文架構	3
第二章	理論基礎	5
2-1	群集分析	5
2-2	模糊C均值法	6
2-3	模糊群集分析之分群指標	11
2-3-1	分割係數指標VPC	12
2-3-2	分割熵指標VPE	12
2-3-3	Xie & Beni指標VXB	14
2-4	假設檢定	15
2-5	迴歸分析	16
2-5-1	迴歸模式	16
2-5-2	判定係數R2	16
第三章	研究方法與步驟	18
3-1	FCM於資料變異分群指標門檻值迴歸式之建立	18
3-2	FCM在氣候變遷時序資料之判定應用方法	27
第四章	案例研析	33
4-1	繁衍時序資料－前、後段統計特性發生變異	33
4-2	實際雨量站資料－年最大降雨時序資料	44
第五章	結果與討論	52
5-1	繁衍資料之判定結果	52
5-2	實際雨量資料之應用與測試結果	60
第六章	結論與建議	63
6-1	結論	63
6-2	建議	64
參考文獻	65
 
表目錄
表3- 1 繁衍資料之統計特性	19
表3- 2 分群指標門檻值迴歸方程式之參數與R2值	24
表4- 1 繁衍不同狀況下之統計特性及個數	34
表4- 2 不同統計特性繁衍資料通過各分群指標門檻值	43
表4- 3 本研究所選用之雨量站基本資料	44
表5- 1 繁衍資料之資料變異辨識結果(N1=N2=20 通過VPC,95%個數)	67
表5- 2 繁衍資料之資料變異辨識結果(N1=N2=20 通過VPE,95%個數)	68
表5- 3 繁衍資料之資料變異辨識結果(N1=N2=20 通過VXB,95%個數)	69
表5- 4 繁衍資料之資料變異辨識結果(N1=N2=40 通過VPC,95%個數)	70
表5- 5 繁衍資料之資料變異辨識結果(N1=N2=40 通過VPE,95%個數)	71
表5- 6 繁衍資料之資料變異辨識結果(N1=N2=40 通過VXB,95%個數)	72
表5- 7 繁衍資料之資料變異辨識結果(N1=N2=60 通過VPC,95%個數)	73
表5- 8 繁衍資料之資料變異辨識結果(N1=N2=60 通過VPE,95%個數)	74
表5- 9 繁衍資料之資料變異辨識結果(N1=N2=60 通過VXB,95%個數)	75
表5- 10 繁衍資料之資料變異辨識結果(N1=N2=80 通過VPC,95%個數)	76
表5- 11 繁衍資料之資料變異辨識結果(N1=N2=80 通過VPE,95%個數)	77
表5- 12 繁衍資料之資料變異辨識結果(N1=N2=80 通過VXB,95%個數)	78
表5- 13 繁衍資料之資料變異辨識結果(N1=N2=100 通過VPC,95%個數)	79
表5- 14 繁衍資料之資料變異辨識結果(N1=N2=100 通過VPE,95%個數)	80
表5- 15 繁衍資料之資料變異辨識結果(N1=N2=100 通過VXB,95%個數)	81
表5- 16 繁衍資料之資料變異辨識結果(N1=40 N2=20 通過VPC,95%個數)	82
表5- 17 繁衍資料之資料變異辨識結果(N1=40 N2=20 通過VPE,95%個數)	83
表5- 18 繁衍資料之資料變異辨識結果(N1=40 N2=20 通過VXB,95%個數)	84
表5- 19 繁衍資料之資料變異辨識結果(N1=60 N2=20 通過VPC,95%個數)	85
表5- 20 繁衍資料之資料變異辨識結果(N1=60 N2=20 通過VPE,95%個數)	86
表5- 21 繁衍資料之資料變異辨識結果(N1=60 N2=20 通過VXB,95%個數)	87
表5- 22 繁衍資料之資料變異辨識結果(N1=80 N2=20 通過VPC,95%個數)	88
表5- 23 繁衍資料之資料變異辨識結果(N1=80 N2=20 通過VPE,95%個數)	89
表5- 24 繁衍資料之資料變異辨識結果(N1=80 N2=20 通過VXB,95%個數)	90
表5- 25 繁衍資料之資料變異辨識結果(N1=100 N2=20 通過VPC,95%個數)	91
表5- 26 繁衍資料之資料變異辨識結果(N1=100 N2=20 通過VPE,95%個數)	92
表5- 27 繁衍資料之資料變異辨識結果(N1=100 N2=20 通過VXB,95%個數)	93
表5- 28 繁衍資料之資料變異辨識結果統計表(前、後段個數相同)	94
表5- 29 繁衍資料之資料變異辨識結果統計表(前、後段個數不相同)	94
表5- 30 資料變異年份區間辨識結果(N1=20 N2=20 μ1=400；VPC指標)	95
表5- 31 資料變異年份區間辨識結果(N1=20 N2=20 μ1=400；VPE指標)	95
表5- 32 資料變異年份區間辨識結果(N1=20 N2=20 μ1=400；VXB指標)	96
表5- 33 資料變異年份區間辨識結果(N1=30 N2=20 μ1=400；VPC指標)	96
表5- 34 資料變異年份區間辨識結果(N1=30 N2=20 μ1=400；VPE指標)	97
表5- 35 資料變異年份區間辨識結果(N1=30 N2=20 μ1=400；VXB指標)	97
表5- 36 資料變異年份區間辨識結果(N1=40 N2=20 μ1=400；VPC指標)	98
表5- 37 資料變異年份區間辨識結果(N1=40 N2=20 μ1=400；VPE指標)	98
表5- 38 資料變異年份區間辨識結果(N1=40 N2=20 μ1=400；VXB指標)	99
表5- 39 實際雨量時序於氣候變異之判定結果	100

 
圖目錄
圖2- 1  K均值法隸屬度	7
圖2- 2 模糊C均值法隸屬度	7
圖2- 3  K均值法隸屬度示意圖	8
圖2- 4 模糊C均值法隸屬度示意圖	8
圖2- 6 隸屬度對A群集示意圖	9
圖2- 7 隸屬度對B群集示意圖	10
圖2- 8 最佳群集示意圖	12
圖2- 9  100組分割係數指標VPC分布圖	13
圖2- 10  100組分割熵指標VPE分布圖	13
圖2- 11  100組Xie & Beni指標VXB分布圖	14
圖3- 1  VPC,95%示意圖	20
圖3- 2  VPE,95%示意圖	20
圖3- 3  VXB,95%示意圖	21
圖3- 4 繁衍N=100 VPC,95%之結果	22
圖3- 5 繁衍N=100 VPE,95%之結果	22
圖3- 6 繁衍N=100 VXB,95%之結果	23
圖3- 7  VPC,95%迴歸式結果	24
圖3- 8  VPE,95%迴歸式結果	25
圖3- 9  VXB,95%迴歸式結果	25
圖3- 10  FCM分群指標門檻值迴歸式之建立流程圖	27
圖3- 11 繁衍前、後段發生統計變異之時序資料(資料A)	28
圖3- 12 分群指標VPC刪除區段示意圖	31
圖3- 13 氣候變遷時序資料辨識流程圖	32
圖4-1( a ) 年最大1小時雨量時序(阿里山站)	45
圖4-1( b ) 年最大24小時雨量時序(阿里山站)	45
圖4-2( a ) 年最大1小時雨量時序(大湖山站)	46
圖4-2( b ) 年最大24小時雨量時序(大湖山站)	46
圖4-3( a ) 年最大1小時雨量時序(樟腦寮(2)站)	47
圖4-3( b ) 年最大24小時雨量時序(樟腦寮(2)站)	47
圖4-4( a ) 年最大1小時雨量時序(新豐站)	48
圖4-4( b ) 年最大24小時雨量時序(新豐站)	48
圖4-5( a ) 年最大1小時雨量時序(甲仙(2)站)	49
圖4-5( b ) 年最大24小時雨量時序(甲仙(2)站)	49
圖4-6( a ) 年最大1小時雨量時序(三地門站)	50
圖4-6( b ) 年最大24小時雨量時序(三地門站)	50
圖4-7( a ) 年最大1小時雨量時序(泰武(1)站)	51
圖4-7( b ) 年最大24小時雨量時序(泰武(1)站)	51
圖5- 1 通過VPC,95%個數 (N1=N2 μ1=400 Cv1=0.5)	101
圖5- 2 通過VPC,95%個數 (N1=N2 μ1=500 Cv1=0.5)	102
圖5- 3 通過VPC,95%個數 (N1=N2 μ1=600 Cv1=0.5)	103
圖5- 4 通過VPC,95%個數 (N1=N2 μ1=700 Cv1=0.5)	104
圖5- 5 通過VPC,95%個數 (N1=N2 μ1=800 Cv1=0.5)	105
圖5- 6 通過VPE,95%個數 (N1=N2 μ1=400 Cv1=0.5)	106
圖5- 7 通過VPE,95%個數 (N1=N2 μ1=500 Cv1=0.5)	107
圖5- 8 通過VPE,95%個數 (N1=N2 μ1=600 Cv1=0.5)	108
圖5- 9 通過VPE,95%個數 (N1=N2 μ1=700 Cv1=0.5)	109
圖5- 10 通過VPE,95%個數 (N1=N2 μ1=800 Cv1=0.5)	110
圖5- 11 通過VXB,95%個數 (N1=N2 μ1=400 Cv1=0.5)	111
圖5- 12 通過VXB,95%個數 (N1=N2 μ1=500 Cv1=0.5)	112
圖5- 13 通過VXB,95%個數 (N1=N2 μ1=600 Cv1=0.5)	113
圖5- 14 通過VXB,95%個數 (N1=N2 μ1=700 Cv1=0.5)	114
圖5- 15 通過VXB,95%個數 (N1=N2 μ1=800 Cv1=0.5)	115
圖5- 16 通過VPC,95%個數 (N2=20 μ1=400 Cv1=0.5)	116
圖5- 17 通過VPC,95%個數 (N2=20 μ1=500 Cv1=0.5)	117
圖5- 18 通過VPC,95%個數 (N2=20 μ1=600 Cv1=0.5)	118
圖5- 19 通過VPC,95%個數 (N2=20 μ1=700 Cv1=0.5)	119
圖5- 20 通過VPC,95%個數 (N2=20 μ1=800 Cv1=0.5)	120
圖5- 21 通過VPE,95%個數 (N2=20 μ1=400 Cv1=0.5)	121
圖5- 22 通過VPE,95%個數 (N2=20 μ1=500 Cv1=0.5)	122
圖5- 23 通過VPE,95%個數 (N2=20 μ1=600 Cv1=0.5)	123
圖5- 24 通過VPE,95%個數 (N2=20 μ1=700 Cv1=0.5)	124
圖5- 25 通過VPE,95%個數 (N2=20 μ1=800 Cv1=0.5)	125
圖5- 26 通過VXB,95%個數 (N2=20 μ1=400 Cv1=0.5)	126
圖5- 27 通過VXB,95%個數 (N2=20 μ1=500 Cv1=0.5)	127
圖5- 28 通過VXB,95%個數 (N2=20 μ1=600 Cv1=0.5)	128
圖5- 29 通過VXB,95%個數 (N2=20 μ1=700 Cv1=0.5)	129
圖5- 30 通過VXB,95%個數 (N2=20 μ1=800 Cv1=0.5)	130
圖5- 31 刪除個數後之VPC  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	131
圖5- 32 刪除個數後之VPC  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	132
圖5- 33 刪除個數後之VPC  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	133
圖5- 34 刪除個數後之VPE  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	134
圖5- 35 刪除個數後之VPE  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	135
圖5- 36 刪除個數後之VPE  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	136
圖5- 37 刪除個數後之VXB  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	137
圖5- 38 刪除個數後之VXB  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	138
圖5- 39 刪除個數後之VXB  (N1=20 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	139
圖5- 40 刪除個數後之VPC  (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	140
圖5- 41 刪除個數後之VPC  (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	141
圖5- 42 刪除個數後之VPC   (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	142
圖5- 43 刪除個數後之VPE  (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	143
圖5- 44 刪除個數後之VPE  (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	144
圖5- 45 刪除個數後之VPE  (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	145
圖5- 46 刪除個數後之VXB  (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	146
圖5- 47 刪除個數後之VXB  (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	147
圖5- 48 刪除個數後之VXB  (N1=30 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	148
圖5- 49 刪除個數後之VPC  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	149
圖5- 50 刪除個數後之VPC  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	150
圖5- 51 刪除個數後之VPC  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	151
圖5- 52 刪除個數後之VPE  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	152
圖5- 53 刪除個數後之VPE  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	153
圖5- 54 刪除個數後之VPE  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	154
圖5- 55 刪除個數後之VXB  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△20%)	155
圖5- 56 刪除個數後之VXB  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△60%)	156
圖5- 57 刪除個數後之VXB  (N1=40 N2=20 μ1=400 Cv1=0.5 Cv2=△100%)	157

1.何興亞，2010，水管理之迫切課題—因應氣候變遷，水資源管理會刊，第12卷，第1期。
2.陳永明，2010，從風災降雨量看極端氣候對台灣災害之衝擊，台大校友雙月刊，第69期。
3.虞國興，2010，極端氣候與水文之衝擊，水資源管理會刊，第12卷，第1期。
4.吳瑞賢，2009，面對氣候變遷之水資源環境調適策略，水資源管理會刊，第11卷，第2期。
5.盧孟明，陳佳正，林昀靜，2007，1951-2005年台灣極端事件發生頻率之變化，大氣科學。
6.楊敏生、楊鎮槐，2010，模糊聚類及其應用，藍海文化。
7.萬絢，林明毅，陳宏杰，2008，模糊理論應用與實務，儒林圖書公司。
8.王如意，易任，1979，應用水文學(下冊)，國立編譯館。
9.黃俊英，1995，多變量分析，中國經濟企業研究所。
10.張建邦，1993，應用多變量分析，文富出版社。
11.張紘炬，1986，統計學修訂二版，華泰書局。
12.黃亮吟，2007，利用區域化法推估台灣地區未設站地點年最大一日雨量之頻率，淡江大學水資源及環境工程所碩士論文。
13.呂季蓉，2006，台灣南部地區長期乾旱趨勢分析之研究，成功大學水利及海洋工程研究所碩士論文。
14.宋嘉文，2003，氣候變遷對台灣西半部地區降雨及乾旱影響之研究，成功大學水利及海洋工程研究所碩士論文。
15.Bezdek, J.C., 1974a. Numerical taxonomy with fuzzy sets. Journal of Mathematical Biology 1.
16.Bezdek, J.C., 1981. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Press, New York.
17.Chow, V.T., Maidment, D.R., and Mays, L.W., 1988. Applied Hydrology. McGraw-Hill, New York.
18.Zhang, J.Y. and Hall, M.J., 2004. Regional flood frequency analysis for the Gan-Ming River basin in China. Journal of Hydrology 296, 98-117.
19.Kwon, S.H., 1998. Cluster validity index for fuzzy clustering. Electronics Letters 34 (22), 2176-2177.
20.Rao, A.R. and Srinivas, V.V., 2006. Regionalization of watersheds by fuzzy cluster analysis. Journal of Hydrology 318, 57-59.
21.Wang, W. and Zhang Y.J., 2007. On fuzzy cluster validity indices. Fuzzy Sets and Systems 158, 2095–2117.
22.Xie, X.L. and Beni, G., 1991. A validity measure for fuzzy clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence 13 (8), 841-847.
23.Zadeh, L.A., 1965.  Fuzzy Sets. Information and Control 8 (3), 338-353.