近年來因全球暖化加劇極端水文事件發生頻率，超級颱風、短延時強降雨之暴雨事件屢見不暇；隨著永續發展的意識抬頭，衍生化水患為助益與水共生存的水環境，提倡低衝擊開發技術以減緩對環境的衝擊、減少表面逕流量，及降低城市熱島效應。
本研究主要目的是探討都市發展區中設置不同減洪設施對於不同暴雨事件之減洪成效。研究區域以土城區較易淹水之下游部分，設定四種不同的情境包括無減洪設施、入滲率改善(不同土壤組成)、渠道增設與蓄洪池設置，應用二維淹水之水理模擬模式(FLO-2D軟體)模擬不同情境淹水情況，探討不同設施對淹水減災之影響，並利用類神經自組特徵映射網路(SOM)具有視覺化之拓樸圖，展示區域淹水範圍及其嚴重程度之歷程變化，探討不同減洪設施因子與淹水情形及局部淹水變化之影響關係。
淹水模擬結果顯示，坋質壤土(Silty Loam)在降雨強度達1.4mm/hr開始淹水；砂質黏壤土(Sandy Clay Loam)在降雨強度達1.7mm/hr開始淹水；蓄洪池則在平均降雨強度大於13mm/hr才有明顯之減洪功能。因此，入滲率改善對於一般降雨事件皆有降低地表逕流量，對於重現期2年、5年的暴雨事件皆能達到有效的減洪效果；蓄洪池則對大的暴雨事件如重現期100年或200年，可有效地發揮防洪減災之效。本研究另以4X4之自組性特徵映射網路分類淹水變化，可獲得具有代表區域淹水空間消長變化之拓樸圖，用以說明低衝擊開發設施對於空間淹水之減緩特徵，有效地分析減洪設施對局部地區淹水防治之效應。

In recent years, global warming increased the frequency and severity of extreme storm events,. super typhoons or short duration and high intensity rainfall events. Along with the growing awareness of sustainable development, Low Impact Development (LID) techniques are advocated to mitigate the impact on the environment, to reduce surface runoff, and to reduce heat island effect.
The main purpose of this study is to investigate the effect of different stormwater facilities for different storm sizes on urban areas. The study area is the flood-prone areas of Tu-Cheng downstream. In this study, four different cases are designed for comparison with the LID approach, including non stormwater facilities, drainage channels with lower (silty loam) or higher (sandy clay load)　infiltration rate, and drainage channels with lower infiltration rate and retention storage ponds. The FLO-2D model is applied for two-dimension flood distribution on the study area of different designed cases, and the Self-Organizing Map (SOM) is used to categorize the simulation data into a meaningful and visible inundation topology for displaying the regional flood inundation extents and severity of these four cases. 
The simulation results show that onset of flooding occurs at rainfall intensity up to 1.4 mm/hr and 1.7 mm/hr for silty loam and sandy clay loam soils., while 13mm/hr for retention storage. The increase of infiltration rate can effectively achieve flood mitigation for 2-year, 5-year storm events; the existence of retention storage ponds can significantly reduce flood risk for 100-year or 200-year event. In this study, 4X4 size of SOM can categorize a large number of regional flood simulation data into a meaningful flood inundation topology. The flood inundation topology can show the characteristics of spatial change and distribution of regional flood inundation.

目錄
謝誌	i
中文摘要	iii
Abstract	v
目錄	vii
圖目錄	x
表目錄	xii
第一章　前言	1
1.1　研究緣起	1
1.2　研究目的	2
1.3　論文架構	4
第二章　文獻回顧	5
2.1　水文水理淹水相關之研究	5
2.2　自組特徵映射網路相關之應用	6
2.3　低衝擊開發(Low Impact Development)相關之研究	7
第三章　理論概述	8
3.1　FLO-2D	8
3.1.1　FLO-2D之理論概述	10
3.1.2　FLO-2D之演算流程	13
3.2　自組特徵映射網路	14
3.2.1　自組特徵映射網路之架構	14
3.2.2　自組特徵映射網路之演算法	15
3.2.3　自組特徵映射網路之參數設定	19
3.3　低衝擊開發	21
第四章　研究案例	27
4.1　研究區域	27
4.1.1　環境概況	27
4.1.2　淹水災害調查	29
4.2　資料蒐集	31
4.2.1雨量資料	31
4.2.2高程資料	35
4.2.3土地利用資料	36
4.2.4 設施設置資料	37
4.3　不同情境模擬及相關參數設定	38
4.4　淹水模擬結果與討論	40
4.4.1增加入滲率之淹水改善比較	43
4.4.2蓄洪池之減洪效應	46
4.4.3入滲改善與蓄洪池設置之減洪效應	50
4.5　SOM模式	55
4.5.1　模式建置	57
4.5.2　淹水拓樸結果分析	61
4.5.3	淹水最嚴重神經元比較分析	72
4.6	綜合討論	73
第五章　結論與建議	74
5.1　結論	74
5.2　建議	75
參考文獻	76
附錄A-土城區降雨-淹水體積趨勢變化圖	80
附錄B-土城區減洪效應圖	87
附錄C-淹水減緩面積趨勢圖	94
附錄D-蓄洪體積圖	101

 
圖目錄
圖3.1　FLO-2D物理歷程概念圖	9
圖3.2　自組特徵映射網路之架構圖	15
圖3.3　SOM網路優勝神經元與鄰近神經元示意圖	17
圖3.4　不透水面積增加之逕流變化圖	22
圖3.5　地下水補注與損失	23
圖4.1　土城區位置圖	28
圖4.2　設計雨型分配示意圖	34
圖4.3　FLO-2D高程資料建置示意圖	35
圖4.4　蓄洪池建置大小及位置示意圖	39
圖4.5　淹水模擬結果分析流程圖	41
圖4.6　減洪效應圖	45
圖4.7　降雨-淹水體積趨勢變化圖	47
圖4.8　淹水面積減緩趨勢變化圖	48
圖4.9　蓄洪歷程圖	49
圖4.10　小場次降雨-淹水體積趨勢變化圖	51
圖4.11　小場次淹水面積減緩趨勢變化圖	52
圖4.12　小場次減洪效應圖	53
圖4.13　小場次蓄洪歷程圖	54
圖4.14　SOM分析研究流程圖	56
圖4.15　3X3拓樸圖網路示意圖	58
圖4.16　4X4拓樸圖網路示意圖	59
圖4.17　5X5拓樸圖網路示意圖	60
圖4.18　案例二SOM淹水拓樸圖	64
圖4.19　模式三SOM淹水拓樸圖	67
圖4.20　案例四SOM淹水拓樸圖	70

表目錄
表3.1　低衝擊開發設施	25
表4.1　土城區洪災情形與降雨量統計表	29
表4.2　11場實際暴雨事件場次表	32
表4.3　9場24小時設計暴雨事件場次表	34
表4.4　FLO-2D手冊參考之曼寧值	36
表4.5　相關設施資料表	37
表4.6　各案例建置設施表	39
表4.7　各案例淹水模擬結果比較表	42
表4.8　各案例開始淹水之降雨強度統計表	44
表4.9　案例一各分類結果統計表	62
表4.10　案例二各分類結果統計表	65
表4.11　案例三各分類結果統計表	68
表4.12　案例四各分類結果統計表	71
表4.13　各案例淹水情況最嚴重神經元統計表	72

參考文獻
1.	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.
2.	Chang, L. C., Shen, H. Y., Wang, Y. F., Huang, J. Y., & Lin, Y. T.(2010).Clustering-based hybrid inundation model for forecastingflood inundation depths. Journal of hydrology, 385(1), 257-268.
3.	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(1), 118-129.
4.	Chang, F. J., Tsai, W. P., Chen, H. K., Yam, R. S. W., & Herricks, E. E. (2013). A self-organizing radial basis network for estimating riverine fish diversity. Journal of Hydrology, 476, 280-289.
5.	Chang, F. J., Chiang, Y. M., & Cheng, W. G. (2013). Self-organizing radial basis neural network for predicting typhoon-induced losses to rice. Paddy and Water Environment, 11(1-4), 369-380.
6.	Chang, L. C., Shen, H. Y., & Chang, F. J. (2014). Regional flood inundation nowcast using hybrid SOM and dynamic neural networks.Journal of Hydrology, 519, 476-489
7.	Chen, A. S., Evans, B., Djordjević, S., & Savić, D. A. (2012).Multi-layered coarse grid modelling in 2D urban flood simulations.Journal of hydrology, 470, 1-11.
8.	Davis, A. P. (2005). Green engineering principles promote low-impact development. Environmental science & technology, 39(16), 338A-344A.
9.	Dietz, M. E. (2007). Low impact development practices: A review of current research and recommendations for future directions. Water, air, and soil pollution, 186(1-4), 351-363.
10.	Naulin, J. P., Payrastre, O., & Gaume, E. (2013). Spatially distributed flood forecasting in flash flood prone areas: Application to road network supervision in Southern France. Journal of hydrology, 486, 88-99.
11.	Oikonomou, A., Dimitriadis, P., Koukouvinos, A., Tegos, A., Pagana, V., Panagopoulos, P. D., ... & Koutsoyiannis, D. (2013). Floodplain mapping via 1D and quasi-2D numerical models in the valley of Thessaly, Greece. EGU General Assembly 2013, Geophysical Research Abstracts, 15.
12.	Prince George，「Low-Impact Development Hydrologic Analysis」，1999。
13.	Palla, A., & Gnecco, I. (2015). Hydrologic modeling of Low Impact Development systems at the urban catchment scale. Journal of Hydrology, 528, 361-368.
14.	Khan, S., Hong, Y., Wang, J., Yilmaz, K. K., Gourley, J. J., Adler, R.F.,& Irwin, D. (2011). Satellite remote sensing and hydrologicmodeling for flood inundation mapping in Lake Victoria Basin:Implications for hydrologic prediction in ungauged basins.Geoscience and Remote Sensing, IEEE Transactions on, 49(1),85-95.
15.	Srinivas, V. V., Tripathi, S., Rao, A. R., & Govindaraju, R. S. (2008). Regional flood frequency analysis by combining self-organizing feature map and fuzzy clustering. Journal of Hydrology, 348(1), 148-166.
16.	Tehrany, M. S., Pradhan, B., & Jebur, M. N. (2013). Spatial prediction of flood susceptible areas using rule based decision tree (DT) and a novel ensemble bivariate and multivariate statistical models in GIS. Journal of Hydrology, 504, 69-79.
17.	Yang, Q., Shao, J., & Scholz, M. (2014). Self-organizing map to estimate sustainable flood retention basin types and variables. Environ. Eng. Manag. J, 13, 129-134.
18.	Yu, D., & Coulthard, T. J. (2015). Evaluating the importance of catchment hydrological parameters for urban surface water flood modelling using a simple hydro-inundation model. Journal of Hydrology, 524, 385-400.
19.	Vu, T. T., & Ranzi, R. (2012). Flood risk assessment and coping capacity with floods in central Vietnam.
20.	Zhang, S., & Pan, B. (2014). An urban storm-inundation simulation method based on GIS. Journal of Hydrology, 517, 260-268.
21.	何宇申，2013，FLO-2D應用於中壢都會區的淹水分析，碩士論文，臺灣大學生物環境系統工程學研究所。
22.	張斐章、張麗秋，「類神經網路導論-原理與應用第二版」，滄海書局，2015。
23.	經濟部水利署，「水文設計應用手冊」，2001。
24.	蔡繼霆，2015，台灣南部地區淹水原因分析之研究，碩士論文，臺灣大學生物環境系統工程學研究所。
25.	謝昕穎，2013，減洪式土地使用規劃架構之研究-以高雄新市鎮為例，碩士論文，成功大學都市計劃研究所。