本研究主要探討類神經網路結合衛星影像資訊對於颱風雨量預報之影響，並採用自組特徵映射網路(SOM)辨識紅外線與可見光兩種衛星影像，以期從衛星影像中獲得有用的資訊。
以2000～2007年之27場颱風為例，建構石門水庫上游集水區於颱風時期未來一至三小時及六小時累積降雨之六種降雨預報模式：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(SOMBPI+BP)以及SOMMLR再結合倒傳遞類神經網路(SOMMLRI+BP)。分為全天及白天兩種不同時段三種方案以衛星、雨量、風速與氣壓等資料組合出七種不同的輸入因子組合。以此三種方案組合探討氣象衛星的資訊對於降雨預報之成效。
預報結果顯示以MLR及BP預測未來累積雨量即可獲得不錯的結果；由拓樸圖可發現SOM具有分辨衛星雲圖特徵的能力，結合雨量資料，可有效改善模式預報值，風速與氣壓資料對於預測效果改善模式幫助不大，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 and meteorological data on typhoon rainfall forecast using artificial neural networks.  The self-organizing map (SOM) is adept at recognizing infrared and visible images and can extract some useful information. 
In this study, six watershed rainfall estimation models are constructed to forecast the amount of rainfall for one, three and six-hour totals during typhoon events. The models are based on SOM, back-propagation neural network (BPNN) or linear regression to investigate the characteristics of satellite imagery information and its influence on rainfall forecast. Twenty-seven typhoon events are collected from 2000 to 2007. The available data are GMS-5/MTSAT remotely sensed data, hourly rainfall data of sixteen rainfall gauge stations of the Shihmen watershed, wind velocity and atmospheric pressure data of three meteorological observation stations. 
In order to investigate the characteristics and compare the performance among the different models, we design different cases for forecasting the rainfall totals in the daytime and the whole day. 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 (SOMBPI+BP) and SOMMLR linking with BP linear regression (SOMMLRI+BP), are constructed to forecast rainfall totals. Seven different combinations of the inputs are used to investigate the effect of rainfall forecast. The results show that (1) the MLR and BP models have nice performances when the input variable only include the past rainfall totals of gauge stations, (2) SOM indeed has the ability to extract patterns from satellite data, (3) SOM can improve results when the rainfall totals are joined, (4) the wind velocity and atmospheric pressure data are helpless for rainfall forecast. The satellite imagery information is indeed helpful to improve the accurate of rainfall forecast.

謝誌	I
中文摘要	II
ABSTRACT	III
章節目錄	V
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	4
2.1類神經網路應用	4
2.2應用統計模式預報降雨量	5
2.3應用衛星影像預報降雨量	8
2.4應用類神經網路結合衛星影像預報降雨量	9
三、理論概述	11
3.1類神經網路	11
3.2自組特徵映射網路	13
3.2.1神經元修正演算法	13
3.2.2 參數設定	16
3.3倒傳遞類神經網路	17
3.5衛星遙測概述	23
3.5.1衛星雲圖種類	24
3.5.2 GMS-5衛星	26
3.5.3 MTSAT衛星	29
四、研究案例	34
4.1研究區域概況	34
4.2資料蒐集與處理	37
4.3模式架構	43
4.4累積雨量預測模式	49
4.4.1 全天時段累積降雨預測方案一	50
4.4.2 白天時段累積降雨預測之方案二及方案三	59
4.6綜合討論	73
五、結論與建議	76
5.1結論	76
5.2建議	78
參考文獻	79

表目錄
表3-1 GMS-5衛星特性	29
表3-2 MTSAT-1R衛星特性	32
表4-2 颱風資料	38
表4-3 觀測站資訊	39
表4-4 各模式之輸入組合	46
表4-5 颱風資料分類	48
表4-6 全天與白天時段訓練與測試資料之累積降雨量資訊	49
表4-7 全天時段(方案一)預測T+1降雨量結果	51
表4-8 全天時段(方案一)預測T+2累積降雨量結果	54
表4-9 全天時段(方案一)預測T+3累積降雨量結果	56
表4-10 全天時段(方案一)預測T+6累積降雨量結果	58
表4-11 白天時段(方案二與方案三)預測T+1降雨量結果	62
表4-12 白天時段(方案二與方案三)預測T+2累積降雨量結果	65
表4-13 白天時段(方案二與方案三)預測T+3累積降雨量結果	68
表4-14 白天時段(方案二與方案三)預測T+6累積降雨量結果	71
圖目錄
圖3-1 二維矩陣的SOM架構圖	13
圖3-2 SOM網路優勝神經元與鄰近神經元示意圖	15
圖3-3 倒傳遞類神經網路架構圖	19
圖3-4 BP演算法流程	22
圖3-5 受干擾之衛星雲圖	26
圖3-6 GMS-5地球同步衛星外觀	28
圖3-7 GMS-5波段反應曲線	29
圖3-8 MTSAT-1R 衛星之外觀	30
圖3-9 MTSAT-1R和MTSAT-2操作計畫	31
圖3-10 HiRID格式與S-VISSR格式比較	33
圖4-1 石門水庫上游集水區之雨量站位置圖	36
表4-1 石門水庫集水區雨量站概況表	37
圖4-2 衛星影像處理模組	41
圖4-3 衛星影像處理模組	41
圖4-4 資料處理模組	42
圖4-5 類神經模式預測模組	43
圖4-6 SOMBP流程圖	45
圖4-7 SOMBPI+BP流程圖	45
圖4-8 SOMMLRI+BP流程圖	46
圖4-9 全天時段(方案一)預測T+1降雨量SOM網路(5×5)拓樸圖	52
圖4-10 全天時段(方案一)SOMMLRI+BP預測T+1時刻降雨量結果圖	52
圖4-11 全天時段(方案一)SOMBPI+BP預測T+2時刻累積降雨量結果圖	55
圖4-12 全天時段(方案一)SOMMLRI+BP預測T+3時刻累積降雨量結果圖	57
圖4-13 全天時段(方案一)MLR預測T+6時刻累積降雨量結果圖	59
圖4-14 方案二預測T+1降雨量SOM網路(5×5)拓樸圖	63
圖4-15 白天時段(方案二)SOMBP預測T+1時刻累積降雨量結果圖	63
圖4-16 白天時段(方案二)SOMMLRI+BP預測T+2時刻累積降雨量結果圖	66
圖4-17 白天時段(方案二)SOMMLR預測T+3時刻累積降雨量結果圖	69
圖4-18 白天時段(方案二)SOMMLR預測T+6時刻累積降雨量結果圖	72

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。
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.	江衍銘，2007，「類神經網路於水文氣象-以雷達及數值天氣預報資訊建構洪水預測」，臺灣大學生物環境系統工程學研究所博士論文。
5.	江衍銘、張斐章，2006，「以遙測資訊建立類神經網路雲分類系統於雨量推估及洪水預測」， 農業工程學報，52(4)，39-47。
6.	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。
7.	吳國儒、高慧珊、鍾昌翰、何宜樺，張斐章，2008，「以類神經網路推估蒸發量」，農業工程學報，54(3)。
8.	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。
9.	林唐煌、劉振榮、郭宗華，2006，「NOAA,GMS-5,SPOT-4 VI 衛星資料之接收及應用」，全國計算機會議(NSC)。
10.	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。
11.	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。
12.	曾忠一，1983，「大氣遙測 原理與應用」，中央研究院物理研究所。
13.	張斐章、張麗秋，2005，「類神經網路」，東華書局。
14.	陳正改，1995，「天氣與氣候學」，明文書局。
15.	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。
16.	陳雅淑、林穎裕，2004，「衛星科技一般報導」，科學發展，374，70-75。
17.	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。
18.	經濟部水利署北區水資源局，2003，「石門水庫營運四十年特刊」。
19.	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。
20.	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。
21.	葉天降、樊采虹、李昀寰，2001，「台灣地區颱風降水之迴歸預測(一)台北颱風降水線性迴歸預測模式」，中央氣象局。
22.	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。
23.	蔡明達、陳萬金、汪建良，2008，「利用降雨型態分類改進衛星陸上降雨估算的準確度」，大氣科學，36(1):1-19。
24.	衛強、鄭克聲，2002，「應用氣象衛星影像於降雨量推估之研究」，台灣水利，50，35-48。
25.	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，38，147-157。
26.	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，36(2)，147-162。
27.	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。
28.	Afolabi, M. O., Olude, O., 2007. Predicting stock prices using a hybrid kohonen self organizing map (SOM), IEEE Proceedings. HICSS.
29.	Chang, F. J., Chang, L. C., 2007. Enforced self-organizing map neural networks for river flood forecasting, Hydrological Processes, 21:741–749
30.	Chu, J. L., Kang, H., Tam, C. Y., Park, C. K., Chen, C. T., 2008. Seasonal forecast for local precipitation over northern Taiwan using statistical downscaling, Journal of Geophysical Research, 113:D12118
31.	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
32.	Haykin, S., 1999. Neural-networks: a comprehensive foundation, Prentice Hall Int. Inc., New Jersey.
33.	Hughes, D. A., 2006. Comparison of satellite rainfall data with observations from gauging station networks, Journal of Hydrology, 327:399-410
34.	Lazaro, J., Arias, J.L., Zuloaga, A., Cuadrado, C., 2006. SOM segmentation of gray scale images for optical recognition, Pattern Recognition Letters, 27:1991-1997
35.	Lin, G.F., Chen, L.H., 2005. Application of an artificial neural network to typhoon rainfall forecasting, Hydrological Processes, 19:1825–1837
36.	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
37.	Lee, C. S., H, L. R., Shen, H. S., Wang, S. T., 2006. A climatology model for forecasting typhoon rainfall in Taiwan, Natural Hazards, 37:87-105
38.	Lin, G. F., Wu, M. C., 2009. A hybrid neural network model for typhoon-rainfall forecasting, Journal of Hydrology, 375:450-458
39.	Miyanaga, Y., Jin, H. L., Islam, R. and Tochinai, K. 1995. A self-organized network with a supervised training, IEEE Proceedings. ISCAS.
40.	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
41.	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
42.	Rajeevan, M., Pai, D. S., Anil Kumar, R., Lal, B., 2007. New statistical models for long-range forecasting of southwest monsoon rainfall over India, Clim Dyn, 28:813-828
43.	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
44.	Tahir, W., Ibrahim, Z., Ramli, S., 2009. Geostationary Meteorological satellite-based quantitative rainfall estimation (GMS-RAIN) for flood forecasting, Malaysian Journal of Civil Engineering, 21:1-16
45.	The GMS user’s   guide, 1997. Meteorological satellite center.
46.	The MTSAT user’s   guide, 1999. Japan meteorological agency.
47.	Wong, K. W., Wong, P. M., Gedeon, C. C. F., 2003. Rainfall prediction model using soft computing technique, Soft Computing, 7:434-438