本研究主要目的是使用類神經網路探討衛星影像資訊對於降雨量推估的影響，因為衛星影像的資料維度相當大且非線性，導致從衛星影像中獲得可用的資訊是相當困難的，因此使用類神經網路中對於影像辨識成果極佳的自組特徵映射網路(SOM)進行衛星影像的處理。
本研究以2000～2004年及2006年蒐集之25場颱風為例，架構石門水庫上游集水區颱風時期累積六小時之降雨預報模式。首先藉由隨機分類將颱風事件分成三種不同的組合，分別為方案一至方案三，並使用氣象衛星的紅外線頻道資料與地面雨量站資料當作輸入資料，經由建立下列六種預報模式：多變量線性迴歸模式(MLR)、倒傳遞類神經網路(BP)、自組特徵映射網路結合倒傳遞類神經網路(SOMBP)、自組特徵映射網路結合多變量線性迴歸(SOMMLR)、SOMBP再結合倒傳遞類神經網路(SOMBP+BP)以及SOMMLR再結合倒傳遞類神經網路(SOMMLR+BP)，預報石門水庫上游集水區颱風時期之六小時累積雨量，以探討氣象衛星的資訊對於累積降雨預報之成效。
預報結果顯示由於六小時累積雨量資料具連續性，因此MLR模式預報結果相當不錯；而從衛星雲圖在SOM的拓樸圖上可發現SOM網路具有分辨衛星雲圖特徵的能力，同時使用地面雨量站資訊與衛星資料，有效地改善SOMBP及SOMMLR的模式預報結果，顯示衛星影像對於降雨預報上有重要的影響性，可以有效改善模式預報値。

The main purpose of this study is to explore the influence of satellite imagery information on rainfall estimation using artificial neural networks. However, it is often difficult to extract interpretable information from satellite images, as data dimensions are large and nonlinear. We proposed the self-organizing map (SOM), one of artificial neural network adept at pattern cognition. 
In this study, watershed rainfall estimation models are constructed to forecast the rainfall summation of future six hours during typhoon events. The models are based on SOM or linear regression to investigate the characteristics of satellite imagery information and its influence on rainfall estimation. The available data are hourly rainfall data of sixteen rainfall gauge stations in the Shihmen watershed from 25 typhoon events and GMS-5/MTSAT remotely sensed data are collected from 2000 to 2004 and 2006.
In order to investigate the characteristics and compare the performance among the different models, we designed three cases with different sizes or amount of rainfall in training data, then constructed six different models, multivariate linear regression model (MLR), back-propagation neural network (BP), self-organizing map linking with BP (SOMBP), self-organizing map linking with linear regression (SOMMLR), SOMBP linking with BP (SOMBP+BP) and SOMMLR linking with BP linear regression (SOMMLR+BP), to estimate the future six-hour rainfall summation. The input variables have two types: the past three six-hour rainfall summations and satellite images. The results show that (1) the MLR models have nice performances when the input variable only include the past rainfall summations, (2) SOM indeed has the ability to extract patterns from satellite data, (3) SOMBP and SOMMLR can get better results when the input variables are the past rainfall summations and satellite images. The satellite imagery information is indeed helpful to improve the accurate of rainfall estimation.

目錄
致謝	I
中文摘要	II
ABSTRACT	IV
目錄	VI
表目錄	VIII
圖目錄	IX
一、前言	1
1.1研究動機與目的	1
1.2研究方法	2
二、文獻回顧	3
2.1類神經網路應用	3
2.2應用統計模式預報降雨量	3
2.3應用衛星影像預報降雨量	5
三、理論概述	7
3.1類神經網路	7
3.2自組特徵映射網路	8
3.2.1神經元修正演算法	9
3.2.2 參數設定	12
3.3倒傳遞類神經網路	13
3.4多變量線性迴歸模式	18
3.4.1最小平方法	19
3.5衛星遙測概述	19
3.5.1衛星雲圖種類	19
3.5.2 GMS-5衛星	21
3.5.3 MTSAT衛星	23
四、研究案例	27
4.1研究區域概況	27
4.2資料蒐集與處理	29
4.3模式架構	34
4.4方案一	38
4.4方案二	45
4.5方案三	52
4.6綜合討論	59
五、結論與建議	60
5.1結論	60
5.2建議	61
參考文獻	62
 
表目錄
表3-1 GMS-5衛星特性	23
表3-2 MTSAT-1R衛星特性	25
表4-1 颱風資料	29
表4-2 方案一至方案三之差異性	38
表4-3 方案一颱風資料分類	40
表4-4 方案一預報結果	41
表4-5 方案二颱風資料分類	47
表4-6 方案二預報結果	48
表4-7 方案三颱風資料分類	54
表4-8 方案三預報結果	55

 
圖目錄
圖3-1 二維矩陣的SOM架構圖	9
圖3-2 SOM網路優勝神經元與鄰近神經元示意圖	11
圖3-3 倒傳遞類神經網路架構圖	14
圖3-4 BP演算法流程	17
圖3-5 受干擾之衛星雲圖	20
圖3-6 GMS-5波段反應曲線	22
圖3-7 MTSAT-1R和MTSAT-2操作計畫	24
圖3-8 HiRID格式與S-VISSR格式比較	26
圖4-1 石門水庫上游集水區之雨量站位置圖	28
圖4-2 衛星影像處理模組	32
圖4-3 資料處理模組	33
圖4-4 類神經模式預測模組	34
圖4-5 SOMBP流程圖	35
圖4-6 SOMBP+BP流程圖	36
圖4-7 SOMMLR+BP流程圖	36
圖4-8 方案一SOM網路(5*5)拓樸圖	41
圖4-9 方案一MLR模式訓練與測試階段之預測值與觀測值比較圖	42
圖4-10 方案一SOMMLR模式訓練與測試階段之預測值與觀測值比較圖	43
圖4-11 方案一SOMBP模式訓練與測試階段之預測值與觀測值比較圖	44
圖4-12 方案二SOM網路(5*5)拓樸圖	46
圖4-13 方案二MLR模式訓練與測試階段之預測值與觀測值比較圖	49
圖4-14 方案二SOMMLR模式訓練與測試階段之預測值與觀測值比較圖	50
圖4-15 方案二SOMBP模式訓練與測試階段之預測值與觀測值比較圖	51
圖4-16 方案三SOM網路(5*5)拓樸圖	53
圖4-17 方案三MLR模式訓練與測試階段之預測值與觀測值比較圖	56
圖4-18 方案三SOMMLR模式訓練與測試階段之預測值與觀測值比較圖	57
圖4-19 方案三SOMBP模式訓練與測試階段之預測值與觀測值比較圖	58

1.	中央氣象局，2004，「颱風百問」。
2.	王時鼎、顏清連、陳泰然、謝信良，1986，「台灣颱風降雨特性及其預報研究(三)」，國家科學委員會防災科技研究報告 74-51，152頁。
3.	王碧霞、陳興漢、丘台光，2005，「地球同步氣象衛星即時資料之處理及發展」，中央氣象局氣象衛星中心。
4.	林家幹，2003，「應用衛星資料分析颱風降雨與颱風強度變化之關係」，中央大學大氣物理研究所碩士論文。
5.	周曼榕，2005，「利用水氣資訊改善降水估計之研究」，中央大學太空科學研究所碩士論文。
6.	周宜萍，2005，「同化雷達資料對數值預報影響之研究」，中央大學大氣物理研究所碩士論文。
7.	曾忠一，1983，「大氣遙測 原理與應用」，中央研究院物理研究所。
8.	張斐章、張麗秋，2005，「類神經網路」，東華書局。
9.	張建邦，1994，「統計學」，三民書局。
10.	張華城，1999，「應用類神經網路模式於產品造形特徵辨識之研究」，國立成功大學工業設計學研究所碩士論文。
11.	張東炯，2004，「探討台灣缺水問題及解決對策—以2002年為探討年」，高苑技術學院土木系副教授。
12.	陳正改，1995，「天氣與氣候學」，明文書局。
13.	陳永強，2004，「利用AMSU微波頻道資料估算颱風定量降雨」，國防大學中正理工學院應用物理研究所碩士論文。
14.	陳嘉榮，2001，「同步衛星定量降雨估計法在2001年梅雨季之特性分析」，中央氣象局氣象衛星中心。
15.	黃彥豪，2003，「利用自組織映射圖網路於區域雨型分類之研究」，國立臺灣大學土木工程學研究所碩士論文。
16.	黃威雄，2000，「類神經網路應用於颱風期間雷達降雨模擬之研究」，國立臺灣大學土木工程學研究所碩士論文。
17.	葉天降、吳石吉、謝信良，1999，「簡單統計方法與台灣地區颱風降雨預測之研究(一)預測方法與台北颱風降雨之預測校驗」，大氣科學，27，395-412。
18.	葉天降、謝信良、吳石吉，2000，「簡單統計方法與台灣地區颱風降雨預測之研究(二)預測結果隨區域之分布」，大氣科學，28，263-279。
19.	葉天降、謝信良、吳石吉，2001，「颱風降雨統計預報之回顧與展望」，中央氣象局。
20.	鄭弘裕，2004，「識別任意角度偏轉之手寫簽名」，中華大學科技管理研究所碩士論文。
21.	蔡孟蓉，2006，「類神經網路結合衛星影像預報颱風降雨量」，台灣大學生物環境系統工程學研究所碩士論文。
22.	劉敏香，2001，「定量降雨之研究---利用雷達及衛星資料與類神經網路之結合」，私立中國文化大學地學研究所大氣科學組碩士論文。
23.	羅國誠，2001，「GMS資料對雲分類的研究」，私立中國文化大學地學研究所大氣科學組碩士論文。
24.	Cho, S. B., 1997. Neural-network classifiers for recognizing totally unconstrained handwritten numerals. IEEE Transactions on Neural Networks. 8(1):43-53
25.	Chen, K. S., Wang, J. T., and Mitnik, L.M., 2001. Satellite and ground observations of the evolution of typhoon herb near taiwan, Remote Sensing of Environment 75:397-411
26.	Feidas, H., Lagouvardos, K., Kotroni, V., Cartalis, C., 2005. Application of three satellite techniques in support of precipitation forecasts of a NWP model, International Journal of Remote Sensing, 26(24):5393-5417
27.	Haykin, S., 1999. Neural-networks: a comprehensive foundation, Prentice Hall Int. Inc., New Jersey.
28.	Hughes, D. A., 2006. Comparison of satellite rainfall data with observations from gauging station networks, Journal of Hydrology 327:399-410
29.	Kalra, R., Deo, M.C., Kumar, R., Agarwal, V.K., 2005. Artificial neural network to translate offshore satellite wave data to coastal locations. Ocean Engineering 32:1917–1932
30.	Kohonen, T., 1988. The “neural” phonetic typewriter. computer, 21(3):11-22
31.	Kangas, J., 1991. Time-dependent self-organizing maps for speech recognition. In proceedings of the international conference on artificial neural networks(Espoo, Finland). Amsterdam; New York: North-Holland. 1591-1594
32.	Lin, G.F., Chen, L.H., 2005. Application of an artificial neural network to typhoon rainfall forecasting. Hydrological Process 19:1825–1837
33.	Li, C.C., Chang, M.H., Chen, Y.C.,2006. Oceanic typhoon rainfall estimation using advanced microwave sounding unit-a data, International Journal of Remote Sensing, 27(7):1477-1490
34.	Miyanaga, Y., Jin, H. L., Islam, R. and Tochinai, K. 1995. A self-organized network with a supervised training. IEEE Proceedings. ISCAS.
35.	Maurao, H., Nishikawa, I., Kitamura, S., Yamada, M., and Xie, P., 1993. A hybrid neural network system for the rainfall estimation using satellite imagery, Proceedings of International Joint Conference on Neural Networks. SanFrancisco: IEEE Press, 1211～1214
36.	Richardson, A.J., Risien, C., Shillington, F.A., 2003. Using self-organizing maps to identify patterns in satellite imagery. Progress in Oceanography 59: 223–239
37.	Ramirez, M.C.V., Ferreira, N.J., and Velho, H.F.C., 2006. Linear and Nonlinear satatistical downscaling for rainfall forecasting over southeastern Brazil, American Meteorological Society, 21(6):969-989
38.	Ramirez, M.C.V., Velho, H.F.C., and Ferreira, N.J., 2005. Artifical neural network technique for rainfall forecasting applied to the sao paulo region, Journal of Hydrology, 301:146-162
39.	Rumelhart, D. E. and McClelland, J. L., 1986. Parallel distributed processing: explorations in the microstructure of cognition. 1. Cambridge, MA: MIT Press.
40.	The GMS user’s   guide, 1997. Meteorological satellite center.
41.	The MTSAT user’s   guide, 1999. Japan meteorological agency.