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 U0002-2306200901380600
中文論文名稱 以複合型模式分析區域淹水潛勢
英文論文名稱 Regional Potential Inundation Analysis Using Hybrid Models
校院名稱 淡江大學
系所名稱(中) 水資源及環境工程學系碩士班
系所名稱(英) Department of Water Resources and Environmental Engineering
學年度 97
學期 2
出版年 98
研究生中文姓名 鄭伊婷
研究生英文姓名 I Ting Cheng
學號 697480829
學位類別 碩士
語文別 中文
口試日期 2009-06-19
論文頁數 71頁
口試委員 指導教授-張麗秋
委員-張斐章
委員-施國肱
中文關鍵字 倒傳遞類神經網路、區域淹水  K-Means聚類分析  線性迴歸模式  淹水推估 
英文關鍵字 Back-Propagation Neural Network  Regional Flood Inundation  K-means Clustering Analysis  Linear Regression Mode l  Flood Inundation Estimation 
學科別分類 學科別應用科學環境工程
中文摘要 台灣在夏秋之際常受到颱風及豪雨侵襲,當颱風暴雨來臨時各地區無法及時排水造成中下游平原地區積淹水災情嚴重,需仰賴淹水潛勢圖做為淹水影響範圍及深度之評估資訊,達到事前防災的效果。傳統淹水潛勢圖模擬過程,需要大量的輸入資訊及經過繁複演算方可推估區域淹水潛勢,不僅造成電腦系統運算負擔亦無法達到防災工作所需的即時效果,且只能提供特定降雨量下之淹水情況查詢。本研究提出以複合型模式建立小區域即時淹水災害範圍推估,以獲得即時洪災資訊及災害影響範圍。
由於造成淹水的成因相當多且複雜,希望瞭解區域淹水預測模式與可能影響因子間的關係,先以相關性分析及因素分析探討淹水影響因子間的線性關係,再利用K-means聚類分析依淹水特性進行分類,劃分不同淹水特性之資料點群集。並提出以複合型模式建置區域淹水預測系統:控制點之單點BPNN預測模式、線性點之線性迴歸預測模式、非線性點之BPNN多點淹水預測模式。
本文選定高雄縣鳳山市與彰化縣員林鎮為研究案例,前者提供24小時一日累積降雨淹水資料;後者則輸入1-24小時降雨與淹水深之時序資料,此兩類不同的淹水資料型態,先由鳳山市的K-means分析結果證明聚類分析能有效地區分出局部地區之淹水特性;更將此方法應用於員林鎮,並以複合型模式建置區域淹水預測系統,其結果驗證(1)聚類分析能有效區分淹水資料間的線性-非線性關係,有助於區域淹水資料的分類;(2)複合型區域淹水預測模式可有效地掌握二維淹水模式模擬淹水之趨勢。
英文摘要 The typhoon events usually cause downstream flooding in Taiwan. Estimation the flood depths and extent may provide the flood inundation information that will be helpful to deal with some contingencies, then alleviate the risk and losses of the flood disasters. The conventional simulations of flood inundation extent need a huge amount of data and computing time by using a series of numerical models. The study proposes the hybrid models to build the regional flood inundation estimation model. In order to figure out the causes of the flood inundation, the correlation analysis and factor analysis are used to explore the relationship between flood inundation influence factors; then K-means clustering is used to categorize the data points of the different flooding characteristics and to find the control point in each flooding group. The hybrid models are composed of three types of models in each flooding group: a single back-propagation neural network (BPNN) for each control point, the linear regression models for the linear grids and a multi-grid BPNN for the nonlinear grids. Two study areas, Fonshang city, Kaohsiung County, and Yuanlin township, Changhua County, are tested for evaluating the practicability and accuracy of the proposed approach. The results show that the proposed hybrid models can accurately and timely estimate the simulated flood inundation extents and depths.
論文目次 謝 誌 I
中文摘要 III
英文摘要 IV
章節目錄 V
表目錄 VII
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 5
2.1降雨量預測及洪水預測相關研究 5
2.2淹水潛勢相關研究 6
三、理論概述 8
3.1類神經網路 8
3.1.1倒傳遞類神經網路 8
3.2 K-means 聚類分析 15
四、研究案例 18
4.1高雄縣鳳山市 18
4.1.1資料蒐集 19
4.2彰化縣員林鎮 24
4.2.1資料蒐集 24
五、結果與討論 33
5.1評估指標 33
5.2高雄縣鳳山市淹水潛勢分析 35
5.2.1統計分析 35
5.2.2類神經預測結果 38
5.3彰化縣員林鎮 47
5.3.1區域淹水預測模式建置流程 47
5.3.2淹水預測模式 53
六、結論與建議 65
6.1結論 65
6.2建議 66
七、參考文獻 68

表目錄
表4-1 鳳山市歷年颱洪事件之淹水調查資料 20
表4-2 鳳山市淹水資料特性分析 22
表4-3 員林鎮雨量站概況統計 28
表4-4 選取雨量站頻率分析表 28
表4-5 彰化縣員林鎮訓練場次 29
表4-5 (續) 彰化縣員林鎮訓練場次 30
表4-6 彰化縣員林鎮驗證場次 31
表4-7 彰化縣員林鎮測試場次 32
表5-1 CASE1& CASE2鳳山市類神經網路訓練結果 41
表5-2 員林鎮聚類分群特性表 50
表5-3 員林鎮分類座標點與控制點相關性統計 51
表5-4 各聚類控制點在訓練、驗證及測試之MAE、RMSE 55
表5-5 各聚類線性模式在訓練、驗證及測試之RMSE、百分比誤差 56
表5-6 BPNN模式在訓練、驗證及測試之RMSE、百分比誤差 58
表5-7 第一類BPNN模式在訓練、驗證及測試之MAE 59
表5-8 第二類BPNN模式在訓練、驗證及測試之MAE 60
表5-9 第三類BPNN模式在訓練、驗證及測試之MAE 61
表5-10 第四類BPNN模式在訓練、驗證及測試之MAE 62
表5-11 第五類BPNN模式在訓練、驗證及測試之MAE 63

圖目錄
圖1-1 研究流程圖 4
圖3-1 倒傳遞類神經網路架構圖(張斐章、張麗秋,2005) 10
圖4-1 高雄縣鳳山市地形高程圖 19
圖4-2 鳳山市一日降雨設計雨型分配圖 21
圖4-3 原始淹水範圍分布圖 23
圖4-4 彰化縣員林鎮地形高程圖 26
圖4-5 彰化縣員林鎮曼寧係數分佈 26
圖4-6 員林鎮一日降雨設計雨型分配圖 28
圖5-1 鄰近座標點高程示意圖 36
圖5-2 Case1 輸入因子組合之網路架構圖 39
圖5-3 Case2 輸入因子組合之網路架構圖 39
圖5-4 訓練階段Case1 重現期距200年預測結果 43
圖5-5 訓練階段Case2 重現期距200年預測結果 43
圖5-6 鳳山市Kmeans聚類分群結果 45
圖5-7 彰化縣員林鎮建置區域淹水預測模式流程圖 48
圖5-8 彰化縣員林鎮淹水特性分群圖 52
圖5-9 彰化縣員林鎮模式分類結果 52
圖5-10 員林鎮控制點淹水預測模式架構 54
圖5-11 員林鎮座標點淹水預測BPNN模式架構 57
圖5-12 第一類BPNN模式預測結果 59
圖5-13 第一類BPNN模式趨勢圖 59
圖5-14 第二類BPNN模式預測結果 60
圖5-15 第二類BPNN模式趨勢圖 60
圖5-16 第三類BPNN模式預測結果 61
圖5-17 第三類BPNN模式趨勢圖 61
圖5-18 第四類BPNN模式預測結果 62
圖5-19 第四類BPNN模式趨勢圖 62
圖5-20 第五類BPNN模式預測結果 63
圖5-21 第五類BPNN模式趨勢圖 63




參考文獻 1. Ahmad S. and Simonovic SP. 2005. An artificial neural network model for generating hydrograph from hydro-meteorological parameters. Journal of Hydrologic Engineering 315:236-251.
2. Aknbi A.A. and Katopodes N.D. 1988. Model for Flood Propagation on Initially Dry Land. Journal of Hydraulics Engineering ASCE 114:689-705.
3. Balloffer A., Scheffler M.L. 1982. Numerical Analysis of the Teton Dam Failure Flood. Journal of Hydrologic Research 20:317-428.
4. Bates P.D., Stewart M.D., Siggers G.B., Smith C.N., Hervouet J.M., Sellin R.H.J. 1998. Internal and external validation of a two dimensional finite element model for river flood simulation. Proceedings of the Institution of Civil Engineers, Water Maritime and Energy. 130:127-141.
5. Chang L.C., Chang F.J., Chiang Y.M. 2004. A two-step ahead recurrent neural network for streamflow forecasting. Hydrological Processes 18(1):81-92.
6. Cunge J.A., Holly F.M., Verwey A. 1980. Practical aspects of computation river hydraulics. Pitman Advanced Publish Program,London.
7. Horritt M.S., Bates P.D. 2002. Evaluation of 1D and 2D numerical models for predicting river flood inundation. Journal of Hydrologic Engineering 268:87-99.
8. Hsu M.H., Chen S.H., Chang T.J. 2002. Dynamic inundation simulation of storm water interaction between sewer system and overland flows. Journal of the Chinese Institute of Engineers 25(2):171-177.
9. Lin G. F., Wu M.C. 2007. A SOM-based approach to estimating design hyetographs of ungauged sites. Journal of Hydrology 339:216-226.
10. Matgen P., Schumann G., Henry J.B., Hoffmann L., Pfister L. 2007. Integration of SAR-derived river inundation areas, high-precision topographic data and a river flow model toward near real-time flood management. International Journal of Applied Earth Observation and Geoinformation 9, 247–263.
11. Rajurkar M.P., Kothyari U.C., Chaube U.C. 2002. Artificial neural networks for daily rainfall-runoff modeling.Hydrological Sciences Journal 47:865-877.
12. Simm D.J., Walling D.E., Bates P.D., Anderson M.G.. 1997. The potential application of finite element modelling of flood plain inundation to predict patterns of overbank deposition. Hydrological sciences journal, 42(6): 859-875.
13. Spivak L., Arkhipkin O., Pankratov V., Vitkovskaya I., Sagatdinova G.. 2004. Space monitoring of floods in Kazakhstan. Mathematics and Computers in Simulation 67:365-370.
14. Xanthopoulos T. and Koutitas C. 1976. Numerical Simulation of Two-Dimensional Flood Wave Propagation due to Dam Failure. Journal of Hydraulics Research 14:321-331.
15. 中興工程顧問股份有限公司,「高屏溪流域及高雄縣、高雄市與屏東縣淹水潛勢圖更新計畫」,經濟部水利署,民國96年12月。
16. 沈榮茂、楊德良, 「流域之漫地流有限元素模式及穩定性分析之研究」,第六屆水利工程研討會論文集,國立交通大學,82-93,1992。
17. 高雄縣政府全球資訊網站。
18. 高雄縣政府消防局網站。
19. 高雄縣鳳山市公所網站。
20. 許銘熙,鄧慰先,吳啟瑞,「八掌溪流域淹水模式之建立(二)沿岸地區小範圍之淹水模擬」,行政院國家科學委員會研究計畫報告,防災科技研究報告,第81-50號,1993。
21. 許銘熙,鄧慰先,黃成甲,嘉義地區逕流即淹水模式之研究(四),台灣水利局,1996。
22. 張國強、林杰熙,2007,類神經網路於降雨-淹水預警之應用,第十一屆海峽兩岸水利科技交流研討會。
23. 張斐章、孫建平,1997,類神經網路及其應用於降雨-逕流過程之研究,中國農業工程學報43(1):9-25。
24. 張斐章、張麗秋,2005,類神經網路,東華書局。
25. 彰化縣員林鎮公所網站。
26. 賴進松,「堤防潰決後二維性洪流演算模式」,國立臺灣大學土木系。
27. 鴻威國際工程顧問股份有限公司,「縣管區排鳳山溪排水系統整治環境營造規劃(含治理計畫)」測量成果報告,行政院「易淹水地區水患治理計畫第1階段實施計畫」,民國97年6月。
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2009-06-26公開。
  • 同意授權瀏覽/列印電子全文服務,於2009-06-26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