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 U0002-1508201310142800
中文論文名稱 整合聚類分析與類神經網路於區域淹水預測之研究
英文論文名稱 A Study of Building Regional Flood Inundation Forecast Models by Integrating Clustering Analysis and 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博士班
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 沈宏榆
研究生英文姓名 Hung-Yu Shen
學號 695480045
學位類別 博士
語文別 中文
口試日期 2013-06-13
論文頁數 156頁
口試委員 指導教授-張麗秋
委員-張斐章
委員-施國肱
委員-黃文政
委員-戴璽恆
委員-張麗秋
中文關鍵字 類神經網路  自身回饋機制的含外變數非線性自迴歸模式  自組特徵映射網路  淹水潛勢圖  未設測站淹水預測  區域淹水預測 
英文關鍵字 Artificial neural networks  Recurrent configuration of nonlinear autoregressive with exogenous inputs(R-NARX)  Self-organizing map(SOM)  Potential inundation maps  Ungauged regional flood inundation forecasting model 
學科別分類
中文摘要 近幾年世界各地水文極端事件明顯增多且強度增加,所造成的災害程度皆較以往劇烈,如2005年卡崔娜颶風、2009年莫拉克颱風、2010年泰國降下長達4個月的暴雨、2010年梅姬颱風與2011年颱風和暴風雨襲擊巴西,其所挾帶的豪大雨量與高降雨強度均帶來區域性的嚴重淹水災情,因此,推估淹水深與淹水範圍,有助於提供災情資訊,以減輕災害風險與損失。
傳統淹水模式需要大量的數值迭代計算時間,以獲得高解析度之淹水圖;而為了對各種不同的淹水狀況,實施適當的洪災防救的策略,需配合各種不同降雨情況之淹水圖與防災方案;因此,傳統二維淹水模擬模式需耗費較長的演算時間,對於洪災防救的緊急應變時間不足,使得無法提供即時淹水預警。為了建置即時淹水預警系統,本研究提出兩種區域淹水預測模式:CHIM(以聚類分析為基礎之複合型淹水模式與SOM-R-NARX(以自組特徵映射網路結合R-NARX之區域淹水模式)。
CHIM模式有資料前處理與模式建置兩階段步驟;在資料前處理階段,以K-Means聚類法將研究區域依淹水特性進行分類,以獲得各淹水分群之控制點;在模式建置階段則以R-NARX(自身回饋機制的含外變數非線性自迴歸模式),建立各淹水分群之控制點及多點淹水預測模式。SOM-R-NARX則以自組特徵映射網路(SOM)結合R-NARX之區域淹水模式,本模式由兩種模式結合預測區域淹水深與淹水範圍;SOM模式將研究區域之不同淹水圖進行分類,產生區域淹水拓樸圖,以獲得區域淹水分布之拓樸關係;R-NARX模式則進行預測研究區域之總淹水體積,將其總淹水體積預測值與SOM淹水拓樸圖中各神經元淹水總體積進行比較,找出總淹水體積最接近之神經元,並校正該神經元之權重(淹水深),以獲得區域淹水圖。
兩模式主要差異為CHIM先依淹水地點之淹水特性進行分類,再分別建置各分群之單點與多點淹水預測模式,控制點預測淹水深值提供局部區域淹水重要淹水資訊,以提升模式效率及精確度;而SOM-R-NARX則探討不同雨型與區域淹水空間分布之特性。本研究以宜蘭縣作為研究區域,結果顯示兩模式皆能大幅提昇淹水預測的時效性及可行性,而其中SOM-R-NARX模式相較於CHIM模式,精確度較高,且更能掌握淹水變化趨勢,故非常適合用於淹水預測,但所需儲存之模式參數量卻遠多於CHIM,對於模式資料庫負荷較大。
英文摘要 In recent years, the increasing frequency and severity of floods caused by climate change and/or land overuse has been reported both nationally and globally. Therefore, estimation of flood depths and extents may provide disaster information for alleviating risk and loss of life and property.
The conventional inundation models need a huge amount of computational time to carry out the high-resolution spatial inundation maps. Moreover, for implementing appropriate mitigation strategies of various flood conditions, different flood scenarios and the corresponding mitigation alternatives are required. Consequently, it is very difficult to reach real-time simulation and/or forecast of the inundation extent by using conventional inundation models. In order to build real-time flood forecast systems, this study proposed two models, CHIM and SOM-R-NARX, for forecasting regional flood inundation depths and extents. The CHIM (clustering-based hybrid inundation model) model has two-stage procedure, including data preprocessing and model building stages. In the data preprocessing stage, K-means clustering is used to categorize the data points of the different flooding characteristics in the study area and to identify the control point(s) from individual flooding cluster(s). In the model building stage, R-NARX (recurrent configuration of nonlinear autoregressive with exogenous inputs) flood depth forecasting models are built for control point(s) and regional grids in each cluster(s). The SOM-R-NARX model is composed of SOM (Self-Organizing Map) and R-NARX. The SOM network categorizes different flood inundation maps of the study area to produce a regional flood topological map. The R-NARX model is built to forecast total inundated volume of the study area. To find the neuron with the closest total inundated volume to the forecasted total inundated volumes, the forecasted value is used to adjust the weights (inundated depths) of the closest neuron and obtain a regional flood inundation map.
The major difference between these two models is that CHIM classify flooding characteristics, and SOM-R-NARX investigate the relationship between rainfall pattern and flooding spatial distribution. The practicability and accuracy of the proposed methodology is evaluated in Yilan county. The results show that the two proposed models can provide 3-h-ahead flood inundation maps efficiently and adequately. For comparison, SOM-R-NARX consistently outperform CHIM and can be adequately applied to online multistep-ahead forecasts of inundation depths in the study area. However, SOM-R-NARX needs more storage for model parameter than CHIM, and increases the loading of database as well.
論文目次 目錄
謝誌 I
摘要 III
ABSTRACT V
目錄 VII
表目錄 X
圖目錄 XIII
一、前言 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.3研究方法 4
1.4論文章節架構 5
二、文獻回顧 6
2.1複合水文水理淹水關聯性之推估方法 6
2.2回饋式類神經網路之應用 9
2.3自組特徵映射類神經網路之應用 10
三、理論 11
3.1動態類神經網路 11
3.1.1 R-NARX網路架構 12
3.1.2 R-NARX網路演算法 13
3.1.3 以NARX網路於淹水預測應用之比較 16
3.2自組特徵映射網路 20
3.2.1自組特徵映射網路架構 20
3.2.2自組特徵映射網路演算法 21
3.2.3自組特徵映射網路參數設定 25
3.3區域降雨-淹水預測方法論 28
3.3.1 CHIM區域降雨-淹水預測模式 28
3.3.2 SOM-R-NARX區域降雨-淹水預測模式 34
四、研究案例 39
4.1研究區域 39
4.2資料蒐集 42
4.3評估指標 49
4.4 CHIM區域降雨-淹水預測模式 50
4.4.1資料篩選與淹水特性分群 51
4.4.2控制點與代表點選取 60
4.4.3控制點淹水預測模式 63
4.4.4多點淹水預測模式 67
4.4.5結果分析 72
4.5 SOM-R-NARX區域降雨-淹水預測模式 77
4.5.1 SOM淹水空間分布分類模式 78
4.5.2總淹水體積預測模式 82
4.5.3區域淹水比對及校正模式 85
4.5.4結果分析 86
4.6綜合比較 95
五、結論與建議 110
5.1結論 110
5.2建議 114
參考文獻 115
附錄A-各分群預測結果 121
附錄B-各子區域淹水空間分布拓樸圖及統計表 129
附錄C-壯圍鄉淹水空間分布拓樸圖及統計表 147
附錄D-二區域淹水預測模式統計結果表 151

表目錄
表4.1宜蘭縣選取雨量站頻率分析表 44
表4.2宜蘭縣24場設計雨型事件場次表 45
表4.3宜蘭縣31場颱風暴雨事件場次表 46
表4.4宜蘭地區K-Means淹水特性分類結果 55
表4.5宜蘭地區各分群代表點選取結果 62
表4.6控制點t+1時刻R-NARX淹水預測模式架構比較表 63
表4.7控制點t+2時刻R-NARX淹水預測模式架構比較表 65
表4.8控制點t+3時刻R-NARX淹水預測模式架構比較表 66
表4.9多點t+1時刻R-NARX淹水預測模式架構比較表 68
表4.10多點t+2時刻R-NARX淹水預測模式架構比較表 70
表4.11多點t+3時刻R-NARX淹水預測模式架構比較表 71
表4.12示範子分群控制點淹水預測結果比較表 74
表4.13示範子分群多點淹水預測結果比較表 76
表4.14各子區域SOM淹水空間分布分類模式輸入維度比較表 79
表4.15壯圍鄉SOM淹水空間分布模式分類結果統計表 81
表4.16子區域t+1時刻R-NARX總淹水體積預測模式架構比較表 82
表4.17子區域t+2時刻R-NARX總淹水體積預測模式架構比較表 84
表4.18子區域t+3時刻R-NARX總淹水體積預測模式架構比較表 84
表4.19各子區域總淹水體積預測結果比較表 87
表4.20第6子區域各種SOM網路大小淹水預測比較表 91
表4.21各種SOM網路大小淹水預測最大絕對誤差資料分布比較表 92
表4.22各子區域SOM-R-NARX模式淹水預測比較表 94
表4.23區域淹水預測模式綜合比較場次表 95
表4.24各子區域淹水預測結果綜合比較表 96
表4.25二區域淹水預測模式執行比較表 109
附表A-1礁溪區各分群控制點淹水預測結果比較表 121
附表A-2宜蘭區各分群控制點淹水預測結果比較表 122
附表A-3羅東區各分群控制點淹水預測結果比較表 123
附表A-4冬山區各分群控制點淹水預測結果比較表 124
附表A-5礁溪區各分群多點淹水預測結果比較表 125
附表A-6宜蘭區各分群多點淹水預測結果比較表 126
附表A-7羅東區各分群多點淹水預測結果比較表 127
附表A-8冬山區各分群多點淹水預測結果比較表 128
附表B-1宜蘭市SOM淹水空間分布模式分類結果統計表 130
附表B-2羅東鎮SOM淹水空間分布模式分類結果統計表 132
附表B-3蘇澳鎮SOM淹水空間分布模式分類結果統計表 134
附表B-4頭城鎮SOM淹水空間分布模式分類結果統計表 136
附表B-5礁溪鄉SOM淹水空間分布模式分類結果統計表 138
附表B-6員山鄉SOM淹水空間分布模式分類結果統計表 140
附表B-7冬山鄉SOM淹水空間分布模式分類結果統計表 142
附表B-8五結鄉SOM淹水空間分布模式分類結果統計表 144
附表B-9三星鄉SOM淹水空間分布模式分類結果統計表 146
附表C-1壯圍鄉4X4網路大小之SOM模式分類結果統計表 148
附表C-2壯圍鄉6X6網路大小之SOM模式分類結果統計表 150
附表D-1 CHIM淹水預測平均絕對誤差資料分布比較表 151
附表D-2 SOM-R-NARX淹水預測平均絕對誤差資料分布比較表 152
附表D-3 CHIM淹水預測誤差標準差資料分布比較表 153
附表D-4 SOM-R-NARX淹水預測誤差標準差資料分布比較表 154
附表D-5 CHIM淹水預測最大絕對誤差資料分布比較表 155
附表D-6 SOM-R-NARX淹水預測最大絕對誤差資料分布比較表 156


圖目錄
圖3.1 R-NARX模式架構圖 13
圖3.2 T-NARX模式架構圖 17
圖3.3 O-NARX模式架構圖 18
圖3.4 O-及R-NARX模式24小時淹水預測結果穩定性比較圖 19
圖3.5二維矩陣的SOM架構圖 21
圖3.6 SOM網路優勝神經元與鄰近神經元示意圖 23
圖3.7 SOM網路資料點與神經元連結權重位置疊合圖 27
圖3.8建置CHIM區域降雨-淹水深預測模式流程圖 29
圖3.9控制點t+1時刻R-NARX淹水預測模式架構 33
圖3.10多點t+1時刻R-NARX淹水預測模式架構 33
圖3.11建置SOM-R-NARX區域降雨-淹水預測模式流程圖 35
圖3.12 SOM淹水空間分布模式架構圖 37
圖3.13 SOM-R-NARX區域降雨-淹水預測模式建置階段架構圖 38
圖4.1宜蘭縣行政區配置圖 40
圖4.2宜蘭縣雨量站相關位置圖 43
圖4.3宜蘭縣雨量站設計雨型分配圖 44
圖4.4宜蘭縣海棠颱風模擬淹水圖 48
圖4.5宜蘭縣設計雨型模擬淹水圖 48
圖4.6宜蘭縣淹水資料篩選結果圖 52
圖4.7宜蘭縣礁溪區淹水特性分群圖 56
圖4.8宜蘭縣宜蘭區淹水特性分群圖 57
圖4.9宜蘭縣羅東區淹水特性分群圖 58
圖4.10宜蘭縣冬山區淹水特性分群圖 59
圖4.11控制點t+1時刻R-NARX淹水預測模式C1-1架構 64
圖4.12控制點t+2時刻R-NARX淹水預測模式C2-3架構 65
圖4.13控制點t+3時刻R-NARX淹水預測模式C3-4架構 66
圖4.14多點t+1時刻BPNN淹水預測模式M1-1架構 69
圖4.15多點t+2時刻BPNN淹水預測模式M2-1架構 70
圖4.16多點t+3時刻BPNN淹水預測模式M3-1架構 71
圖4.17壯圍鄉SOM淹水空間分布模式分類結果拓樸圖 80
圖4.18子區域t+1時刻R-NARX總淹水體積預測模式D1-1架構 83
圖4.19壯圍鄉t+1時刻R-NARX總淹水體積預測模式結果圖 88
圖4.20壯圍鄉t+2時刻R-NARX總淹水體積預測模式結果圖 89
圖4.21壯圍鄉t+3時刻R-NARX總淹水體積預測模式結果圖 90
圖4.22設計06場次淹水預測平均絕對誤差比較圖 99
圖4.23設計06場次淹水預測誤差值標準差比較圖 100
圖4.24設計06場次淹水預測最大誤差比較圖 101
圖4.25設計06場次淹水預測高低估誤差比較圖 102
圖4.26暴雨04場次淹水預測平均絕對誤差比較圖 105
圖4.27暴雨04場次淹水預測誤差值標準差比較圖 106
圖4.28暴雨04場次淹水預測最大絕對誤差比較圖 107
圖4.29暴雨04場次淹水預測高低估誤差比較圖 108
附圖B-1宜蘭市SOM淹水空間分布模式分類結果拓樸圖 129
附圖B-2羅東鎮SOM淹水空間分布模式分類結果拓樸圖 131
附圖B-3蘇澳鎮SOM淹水空間分布模式分類結果拓樸圖 133
附圖B-4頭城鎮SOM淹水空間分布模式分類結果拓樸圖 135
附圖B-5礁溪鄉SOM淹水空間分布模式分類結果拓樸圖 137
附圖B-6員山鄉SOM淹水空間分布模式分類結果拓樸圖 139
附圖B-7冬山鄉SOM淹水空間分布模式分類結果拓樸圖 141
附圖B-8五結鄉SOM淹水空間分布模式分類結果拓樸圖 143
附圖B-9三星鄉SOM淹水空間分布模式分類結果拓樸圖 145
附圖C-1壯圍鄉4X4網路大小之SOM模式分類結果拓樸圖 147
附圖C-2壯圍鄉6X6網路大小之SOM模式分類結果拓樸圖 149
參考文獻 參考文獻
1. 王如意、許銘熙等,2001,「臺北盆地及鹽水溪流域示範區颱洪災害危險度分析(三)」,經濟部水資源局。
2. 王如意、黃欣怡、顏思蘋,2002,「模糊分析階層程序法結合灰色系統理論於淹水災損潛勢之解析」,臺灣水利,50:1-23。
3. 江衍銘、張麗秋、張斐章,2002,「回饋式類神經網路於二階段即時流量預測」,臺灣水利,50(2):15-21。
4. 張斐章、黃浩倫、張麗秋,2001,「回饋式類神經網路於河川流量推估之應用」,中國農業工程學報,47(2):32-39。
5. 張斐章、張麗秋,2010,「類神經網路」,滄海書局。
6. 楊昌儒、林延郎、蔡長泰、游保杉、顏沛華,1995,「地理資訊系統在城鎮淹水模擬上之應用」,臺灣水利,43:41-55。
7. 楊昌儒、蔡長泰,2003,「地文性淹水模式分區自動劃分方法之研究」,中國土木水利工程學刊,15:145-158。
8. 經濟部水利署,2008,「蘭陽溪、花蓮溪、秀姑巒溪流域、卑南溪及宜蘭縣、花蓮縣與臺東縣淹水潛勢圖更新計畫」。
9. 賴進松,1986,「堤防潰決後二維性洪流演算模式」,國立臺灣大學土木系碩士論文。
10. 顏清連等,1989,「臺北都會區大眾捷運系統防洪排水設計之研究」,臺北市政府捷運工程局,國立臺灣大學水工試驗所。
11. 顏榮甫、楊昌儒、蔡長泰,2000,「應用地文性淹水模式進行降雨-逕流模擬之研究」,臺灣水利,48:20-33。
12. Alvarez-Guerra, M., Gonzalez-Pinuela, C., Andres, A., Galan, B. and Viguri, J.R., 2008. Assessment of Self-Organizing Map artificial neural networks for the classification of sediment quality. Environment International 34, 782-790.
13. Batesa, P.D., Horrittb, M.S. and Fewtrella, T.J., 2010. A simple inertial formulation of the shallow water equations for efficient two-dimensional flood inundation modelling. Journal of Hydrology 387(1-2):33-45.
14. Besaw, L. E, Rizzo, D. M., Bierman, P. R. and Hackett, W. R., 2010. Advances in ungauged streamflow prediction using artificial neural networks. Journal of Hydrology, 386, 27-37.
15. Billa, L., Mansor, S. and Mahmud, A.R., 2011. Pre-flood inundation mapping for flood early warning. Journal of Flood Risk Management 4(4): 318-327.
16. Braitenberg, V., 1986. Two view of the cerebral cortex. In Brain Theory. G. Palm and A. Aertsen. eds. New York: Springer-Verlag, 81-96.
17. Chang, F.J. and Chang, L.C., 2007. Enforced self-organizing map neural networks for river flood forecasting. Hydrological Processes, 21:741–749.
18. Chang, L.C., Chang, F.J. and Chiang, Y.M., 2004. A two-step-ahead recurrent neural network for stream-flow forecasting. Hydrological Processes, 18, 81-92.
19. 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.
20. Chang, F.J., Chang, L.C., Kao, H.S. and Wu, G.R., 2010. Assessing the effort of meteorological variables for evaporation estimation by self-organizing map neural network. Journal of Hydrology 384, 118-129.
21. Chang, L.C., Chen, P.A. and Chang, F.J., 2012. Reinforced two-step-ahead weight adjustment technique for online training of recurrent neural networks. IEEE Transactions on Neural Networks and Learning Systems, 23(8), 1269-1278.
22. Chang, L.C., Shen, H.Y., Wang, Y.F., Huang, J.Y. and Lin, Y.T., 2010. Clustering-based hybrid inundation model for forecasting flood inundation depths. Journal of Hydrology 385: 257-268.
23. Chiang, Y. M., Chang, L. C., Tsai, M. J. Wang, Y. F. and Chang, F. J., 2010. Dynamic neural networks for real-time water level predictions of Sewerage systems-covering gauged and unguaged sites. Hydrol. Earth Syst. Sci., 14, 1309–1319.
24. Coulibaly, P. and Baldwin, C. K., 2005. Nonstationary hydrological time series forecasting using nonlinear dynamic methods. Journal of Hydrology, 307, 164-174.
25. Elman, J.L., 1990. Finding structure in time. Cognitive Science 14(2):179-211.
26. Ghaseminezhad, M.H. and Karami, A., 2011. A novel self-organizing map (SOM) neural network for discrete groups of data clustering. Applied Soft Computing 11, 3771-3778.
27. Gumbricht, T., Wolski, P., Frost, P. and McCarthy, T.S., 2004. Forecasting the spatial extent of the annual flood in the Okavango delta, Botswana. Journal of Hydrology 290: 178-191.
28. Haile, A.T. and Rientjes, T.H.M., 2005. Effect of LiDAR DEM resolution in flood modelling: a model sensitivity study for the city of Tegucigalpa, Honduras. ISPRS WG III/3, III/4, V/3 Workshop, 168–173.
29. Haykin, S., 1999. Neural networks: a Comprehensive Foundation, 2nd ed. Prentice Hall: upper Saddle River, NJ.
30. Haykin, S., 2009. Neural networks and learning machines, 3rd ed.. Pearson Prentice Hall, New Jersey.
31. Herath, S., Dutta, D. and Wijesekera, S., 2003. A coupled river and inundation modeling scheme for efficient flood forecasting. Geoinformatics 14: 37-41.
32. Horritt, M.S. and Bates, P.D., 2001. Predicting floodplain inundation: raster-based modeling versus the finite-element approach. Hydrol.Process 15: 825-842.
33. Horritt, M.S. and Bates, P.D., 2002. Evaluation of 1D and 2D numerical models for predictiong river flood inundation. Journal of Hydrology 268: 87–99.
34. Javelle, P., Fouchier, C., Arnaud, P. and Lavabre, J., 2010. Flash flood warning at ungauged locations using radar rainfall and antecedent soil moisture estimations. Journal of Hydrology 394(1-2): 267-274.
35. Jeb, D.N. and Aggarwal, S.P., 2008. Flood Inundation Hazard Modeling of the River Kaduna Using Remote Sensing and Geographic Information Systems. Journal of Applied Sciences Research 4: 1822-1833.
36. Jiang, C. and Song F., 2011. Sunspot forecasting by using Chaotic time-series analysis and NARX network. Journal of Computers, 6(7), 1424-1429.
37. Kang, S.H., 2009. The application of integrated urban inundation model in Republic of Korea. Hydrol.Process.
38. Khan, S.I., Hong, Y., Wang, J., Yilmaz, K.K., Gourley, J.J., Adler, R.F., Brakenridge, G.R., Policelli, F., Habib, S., and Irwin, D., 2011. Satellite Remote Sensing and Hydrologic Modeling for Flood Inundation Mapping in Lake Victoria Basin: Implications for Hydrologic Prediction in Ungauged Basins. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING 49(1):85-95.
39. Kohonen, T., 1982. Self-Organized Formation of Topologically Correct Feature Maps. Biological Cybernetics, 43(1):59-69.
40. Lazaro, J., Arias, J.L., Zuloaga, A. and Cuadrado, C., 2006. SOM segmentation of gray scale images for optical recognition. Pattern Recognition Letters, 27:1991-1997.
41. Mark, O., Weesakul, S., Apirumanekul, C., Aroonnet, S. B. and Djordjević, S., 2004. Potential and limitations of 1D modeling of urban flooding. Journal of Hydrology 299: 284-299.
42. Maskey, S., Guinot, V. and Price, R.K., 2004. Treatment of precipitation uncertainty in rainfall-runoff modeling: a fuzzy set approach. Water Resources 27: 889-898.
43. Menezes Jr, J. M. P. and Barreto, G. A., 2008. Long-term time series prediction with the NARX network: an empirical evaluation. Neurocomputing, 71, 3335-3343.
44. Miller, R., 1987. Representation of Brief Temporal Patterns, Hebbian Synapses, and the Left-Hemisphere Dominance for Phoneme Recognition. Psychobiology, 15(3):241-247.
45. Pappenberger, F., Matgen, P., Beven, K.J., Henry, J.B., Pfister, L. and de Fraipont, P., 2006. Influence of uncertain boundary conditions and model structure on flood inundation predictions. Advances in Water Resources 29: 1430-1449.
46. Richardson, A.J., Risien, C. and Shillington, F.A., 2003. Using self-organizing maps to identify patterns in satellite imagery. Progress in Oceanography, 59: 223–239.
47. Shen, H.Y. and Chang, L.C., 2013. Online multistep-ahead inundation depth forecasts by recurrent NARX networks. Hydrol. Earth Syst. Sci., 17, 935–945.
48. Weerts, A.H., Winsemius, H.C. and Verkade, J.S., 2011. Estimation of predictive hydrological uncertainty using quantile regression: examples from the National Flood Forecasting System (England and Wales). Hydrol. Earth Syst. Sci. 15:255-265.
49. Yamazaki, D., Kanae, S., Kim, H. and Oki, T., 2011. A physically based description of floodplain inundation dynamics in a global river routing model. Water Resources Research 47(4): W04501.
50. Yu, D. and Lane, S.N., 2006. Urban fluvial flood modeling using a two-dimensional diffusion-wave treatment, Part1: mesh resolution effects. Hydrol.Process 20: 1541-1565.
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2013-08-19公開。
  • 同意授權瀏覽/列印電子全文服務,於2013-08-19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