颱風受到其氣象特徵於登陸區域地形之交互影響，使其路徑與結構改變 ，影響了降雨區域及時間分布，造成地區集中性降雨、河川水位暴漲、水庫入流量激增，若能從颱風路徑的分類瞭解其對集水區流量歷程之影響程度，進而建立相關預測模式可提供防洪策略與水庫防洪操作更多的資訊。
本研究將颱風路徑經由自組特徵映射網路(SOM)進行分類，使用分類資訊輸入倒傳遞類神經網路(BPNN)建立颱風分類模式與流量特徵模式預測未來1~3小時流量(短時距預測)，並比較不分類與分類後之預測結果；再者，利用流量累積之統計曲線與預報路徑預測整場颱風之全時距入流量(長時距預測)，以預報路徑進行分類後，分析整場颱風全時距流量預測結果與趨勢，討論颱風路徑與水庫集水區入流量之關係。
由短時距流量預測模式之預測結果可得知，使用路徑分類資訊進行流量預測(資料分類模式與流量特徵模式)，可以在颱風流量預測上得到較好的結果，故颱風路徑確實對颱洪時期水庫入流量造成不小影響；由長時距預測結果可得知，颱風預報路徑分類與實際路徑分類相似，可獲得較好之預測結果，反之，分類差異大，則預測流量歷程與實際流量歷程差距大。

Due the effects of the regional topography and its climatic characteristics, the track and structure of the landfall typhoons would be change or destroyed that affect the temporal and spatial distribution of rainfall. That may cause regional intense rainfall, the water level suddenly rise and reservoir inflow surge. We expect to investigate the impact of typhoon track on watershed inflow hydrograph from its classification; then, to build the corresponding forecasting models for providing useful flood information. 
This study would apply self-organizing map (SOM) to classify the track of typhoons and use back-propagation neural networks (BPNNs) to build forecast models with typhoon classification information or inflow characteristics for predicting one- to three-step ahead reservoir inflow. Moreover, we also combine inflow accumulative curves with the forecast track of typhoon to predict the whole inflow hydrograph during typhoon landfall period (long-term forecast). After classifying the forecast path, we analyzed the forecast result of the whole inflow hydrograph to investigate the relationship between the typhoon path and watershed inflow.
From the results of short-term forecast models, the path classification information is helpful to short-term inflow forecasts. The typhoon path indeed affects the amount of reservoir watershed inflow. The long-term forecast results showed that the more accurate typhoon forecast path can achieve better results. The forecast inflow would be very different from the inflow hydrograph when the classification was incorrect.

目錄
謝誌	I
中文摘要	II
ABSTRACT	III
目錄	V
表目錄	VIII
圖目錄	X
一、前言	1
1.1 研究動機	1
1.2研究目地	2
1.3研究方法	2
二、文獻回顧	4
2.1倒傳遞類神經網路之應用	4
2.2自組特徵映射類神經網路之應用	5
2.3颱風特徵之應用	6
三、理論概述	8
3.1類神經網路	8
3.2倒傳遞類神經網路	10
3.2.1誤差倒傳遞演算法	12
3.3 自組性類神經網路	15
3.3.1自組特徵映射網路的架構	15
3.3.2自組特徵映射網路的演算法	16
3.3.3 自組特徵映射網路的參數設定	20
四、研究案例	22
4.1研究區域	22
4.2資料蒐集	24
4.3模式架構	27
4.3.1 SOM分類	28
4.3.2 短時距流量預測模式	34
4.3.3整場颱風之全時距流量預測模式	40
4.4結果	43
4.4.1短時距流量預測模式	45
4.5綜合討論	59
4.6整場颱風之全時距流量預測模式	73
五、結論於建議	78
5.1結論	78
5.2建議	81
參考文獻	83
附 錄	87
表目錄
表4-1颱風事件資料	25
表4-2雨量站資料表	26
表4.3設計網格資料	29
表4.4訓練、測試颱風資料	32
表4.5訓練颱風事件分類表	44
表4.6測試颱風事件分類表	44
表4.7不分類模式輸入項測試組合	49
表4.8測試輸入項組合結果(以預測未來1小時為例)	49
表4.9模式一預測未來1~3小時之流量結果	50
表4.10模式二預測未來1~3小時之流量結果(分類10)	52
表4.11模式三預測未來1~3小時之結果流量	57
表4.12辛樂克颱風短時距流量預測模式比較	61
表4.13梅姬颱風短時距流量預測模式比較	63
表4.14薔蜜颱風短時距流量預測結果比較	65
表4.15莫拉克颱風短時距流量預測結果比較	67
表4.16凡那比颱風短時距流量預測結果比較	69
表4.17米雷颱風短時距流量預測結果比較	71
表4.18選取之颱風警報單時間與其分類	73
表4.19辛樂克颱風－整場事件預測結果	75

圖目錄
圖3.1 倒傳遞類神經網路(BPNN)架構圖	11
圖3.2 誤差倒傳遞演算法流程	14
圖3.3 二維矩陣的SOM架構圖	16
圖3.4 SOM網路優勝神經元與鄰近神經元示意圖	18
圖4.1 石門水庫上游集水區圖	23
圖4.2中央氣象局颱風路徑分類圖	29
圖4.3臺灣鄰近區域之網格座標圖	30
圖4.4 颱風路徑與網格座標套疊圖	30
圖4.5 SOM之颱風路徑輸入向量	31
圖4.6 颱風路徑分類之SOM拓樸圖	33
圖4.7模式一之建置流程圖	35
圖4.8模式二之建置流程圖	37
圖4.9模式三之建置流程圖	39
圖4.10累積流量百分比示意圖	41
圖4.11預測之流量歷線	41
圖4.12全時距流量預測模式建置流程圖	42
圖4.13颱風路徑拓樸圖	43
圖4.14模式一預測未來1~3小時之流量結果比較圖	51
圖4.15模式二預測未來1~3小時之流量結果圖(分類10)	53
圖4.16 SOM各神經元之颱風累積流量百分比圖	55
圖4.17分類之累積百分比曲線圖	56
圖4.18模式三預測未來1~3小時之流量結果圖	58
圖4.19辛樂克颱風短時距流量預測結果：(A)T+1時刻	61
圖4.20辛樂克颱風短時距流量預測結果：(B)T+2時刻(C)T+3時刻	62
圖4.21梅姬颱風短時距流量預測結果：(A)T+1時刻	63
圖4.22梅姬颱風短時距流量預測結果：(B)T+2時刻(C)T+3時刻	64
圖4.23薔蜜颱風短時距流量預測結果比較：(A)T+1時刻	65
圖4.24薔蜜颱風短時距流量預測結果比較：(B) T+2時刻(C) T+3時刻	66
圖4.25莫拉克颱風短時距流量預測結果比較：(A)T+1時刻	67
圖4.26莫拉克颱風短時距流量預測結果比較：(B)T+2時刻(C)T+3時刻	68
圖4.27凡那比颱風短時距流量預測結果比較：(A)T+1時刻	69
圖4.28凡那比颱風短時距流量預測結果比較：(B)T+2時刻(C)T+3時刻	70
圖4.29米雷颱風短時距流量預測結果比較：(A)T+1時刻	71
圖4.30米雷颱風短時距流量預測結果比較：(B)T+2時刻(C)T+3時刻	72
圖4.31辛樂克颱風全時距之預測結果：(A)09/12-23:30(B)09/13-11:30	76
圖4.32辛樂克颱風全時距之預測結果：(C)09/13-14:30(D)09/13-23:30	766
附圖1辛樂克-颱風警報單	87
附圖2 颱風警報單-預測路徑	88
附圖3模式二預測未來1~3小時流量結果圖(神經元5)	89
附圖4模式二推估未來1~3小時流量結果圖(神經元6)	90
附圖5模式二預測未來1~3小時流量結果圖(神經元9)	91
附圖6模式二預測未來1~3小時流量結果圖(神經元12)	92

1.	中央氣象局，2004，颱風百問。
2.	吳石吉、謝信良，1998，「臺灣附近颱風路徑預報校驗與統計方法之應用」大氣科學。
3.	吳佳蓉，2008，「颱風路徑之客觀分析方法」，國立中央大學大氣物理研究所碩士論文。
4.	許弘政，2007，「模糊控制模式於颱洪時期水庫即時操作之研究」，私立淡江大學水資源及環境工程學研究所碩士論文。
5.	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。
6.	段智懷，2004，「倒傳遞類神經網路小區域颱風降雨預報－前饋式與遞迴式之比較」，私立逢甲大學水利工程研究所碩士論文。
7.	張斐章、張麗秋，2010，「類神經網路」，滄海書局。
8.	經濟部水利署北區水資源局，2005，石門水庫營運四十年特刊。
9.	謝信良、王時鼎、鄭明典、葉天降，1998，「百年侵颱路徑圖集及其應用」，中央氣象局。
10.	Alvarez-Guerra, M., Gonzalez-Pinuela, C., Andres, A., Galan, B., Viguri, J.R., 2008. Assessment of Self-Organizing Map artificial neural networks for the classification of sediment quality. Environment International 34, 782-790.
11.	Bao, Y., Ren, J., 2011. Wetland Landscape Classification Based on the BP Neural Network in DaLinor Lake Area. Procedia Environmental Sciences 10, 2360-2366.
12.	Borges, C., Gomez-Carracedo, M.P., Andrade, J.M., Duarte, M.F., Biscaya, J.L., Aires-de-Sousa, J., 2010. Geographical classification of weathered crude oil samples with unsupervised self-organizing maps and a consensus criterion. Chemometrics and Intelligent Laboratory Systems 101, 43-55.
13.	Chang, F.J., Chang, L.C., Kao, H.S., 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.
14.	Chen, C.S., Chen, B.P.T., Chou, F.N.F., Yang, C.C., 2010. Development and application of a decision group Back-Propagation Neural Network for flood forecasting. Journal of Hydrology 385, 173-182.
15.	Chen, J., Adams, B.J., 2006. Integration of artificial neural networks with conceptual models in rainfall-runoff modeling. Journal of Hydrology 318, 232-249.
16.	Chen, Y.H., Chang, F.J., 2009. Evolutionary artificial neural networks for hydrological systems forecasting. Journal of Hydrology 367, 125-137.
17.	Chiang, Y.M., Chang, L.C., Chang, F.J., 2004. Comparison of static-feedforward and dynamic-feedback neural networks for rainfall–runoff modeling. Journal of Hydrology 290, 297-311.
18.	Collischonn, W., Morelli Tucci, C.E., Clarke, R.T., Chou, S.C., Guilhon, L.G., Cataldi, M., Allasia, D., 2007. Medium-range reservoir inflow predictions based on quantitative precipitation forecasts. Journal of Hydrology 344, 112-122.
19.	Ghaseminezhad, M.H., Karami, A., 2011. A novel self-organizing map (SOM) neural network for discrete groups of data clustering. Applied Soft Computing 11, 3771-3778.
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.	
22.	Jain, A., Kumar, A.M., 2007. Hybrid neural network models for hydrologic time series forecasting. Applied Soft Computing 7, 585-592.
23.	Kerh, T., Lee, C.S., 2006. Neural networks forecasting of flood discharge at an unmeasured station using river upstream information. Advances in Engineering Software 37, 533-543.
24.	Lin, G.F., Chen, G.R., Huang, P.Y., 2010. Effective typhoon characteristics and their effects on hourly reservoir inflow forecasting. Advances in Water Resources 33, 887-898.
25.	Lin, G.F., Huang, P.Y., Chen, G.R., 2010. Using typhoon characteristics to improve the long lead-time flood forecasting of a small watershed. Journal of Hydrology 380, 450-459.
26.	Lin, G.F., Wu, M.C., 2009. A hybrid neural network model for typhoon-rainfall forecasting. Journal of Hydrology 375, 450-458.
27.	Mingoti, S.A., Lima, J.O., 2006. Comparing SOM neural network with Fuzzy c-means, K-means and traditional hierarchical clustering algorithms. European Journal of Operational Research 174, 1742-1759.
28.	Ren, M., Wang, B., Liang, Q., Fu, G., 2010. Classified real-time flood forecasting by coupling fuzzy. International Journal of Sediment Research 134-148.
29.	Rozanova, O.S., Yu, J.L., Hu, C.K., 2010. Typhoon eye trajectory based on a mathematical model: Comparing with observational data. Nonlinear Analysis: Real World Applications 11, 1847-1861.
30.	Taghi Sattari, M., Yurekli, K., Pal, M., 2012. Performance evaluation of artificial neural network approaches in forecasting reservoir inflow. Applied Mathematical Modelling 36, 2649-2657.
31.	Terry, J.P., Feng, C.C., 2010. On quantifying the sinuosity of typhoon tracks in the western North Pacific basin. Applied Geography 30, 678-686.