台灣地區山高坡陡，河道源短流急，水資源蓄積不易，且近年全球環境變化甚鉅，時有缺水情形發生。台灣地區地下水用量約佔整體水資源可利用量之三成，地下水之重要性不言可喻。因此有必要深入探討地下水位變化之規律，以掌握其脈動及特性。為達成此目標，則有賴於更具真實性與準確性之地下水位預測模式，所以本研究在既有常用預測方法之基礎上，進一步尋求一更合理可行之預測模式。
    希爾伯特-黃轉換（HHT）是近年來分析非線性非穩態性時間序列訊號非常新的時頻分析工具，透過其中之經驗模態分解（EMD），可將一複雜訊號拆解成若干具有明確物理意義且易於分析之內建模態函數（IMF），本研究嘗試結合經驗模態分解方法和類神經網路中常用之自組特徵映射網路（SOM）與倒傳遞類神經網路（BPNN），探討此複合模式用來預測地下水位變化規律之可行性，並採用較切合實際預測情境之「預報」方法，有別於一般之「後報」及「前報」，應用於雲林麥寮地區非平穩性月平均地下水位之預測，研究結果顯示較傳統模式在預測值準確性之改善與分析效率之提升上具有明顯之優勢；其中所使用單站與多站之預測模式，顯示不同測站組合之類神經網路架構對分析結果具一定之影響程度，實際預測效能最佳之組合模式須依照各站之特性作適當評估。

Recently, the change of hydrological environment is being accelerated significantly by the impact of global warming due to climate change. It is important for the management of groundwater resources because of limited water resource. However, the use of groundwater resources efficiently relies on a more real and precise prediction model. In this study, it will seek for a reasonable and effective way to predict the changes of groundwater level by modifying the traditional method.
    HHT is a relatively new method to analyze time series data that possess intrinsic non-linear and non-stationary nature. By using EMD of HHT, complicated data will decompose into several IMFs that are easier to analyze. The “real-forecast” model combined from EMD, SOM and BPNN will further applied to predict the groundwater level. It shows that the predict result is more accurate than that from the traditional method. Among them, the mode of single station and multi station is adopted, but the combination mode with best performance needs to be appropriately evaluated in accordance with the characteristics of these stations.

目錄	I
表目錄	III
圖目錄	IV
附圖目錄	VII
第一章 緒論	1
1.1研究動機與目的	1
1.2 研究架構	2
第二章 文獻回顧	5
2.1 應用時間序列分析方法	5
2.2 應用類神經網路 (ANN)方法	5
2.3 應用經驗模態分解 (EMD)方法	7
2.4 其他相關研究	7
第三章 分析方法及預測模式基本理論	9
3.1 分析方法架構	9
3.2 時間序列分析基本理論	13
3.2.1 ARIMA模型預測之分析步驟	13
3.2.2 模式設定	15
3.3 類神經網路基本理論	18
3.3.1自組特徵映射網路	18
3.3.2倒傳遞類神經網路	21
3.4 經驗模態分解（EMD）與內建模態函數（IMF）	24
3.5 模式效能指標	30
第四章 案例研究	33
4.1 場址特性與水位資料	33
4.2預測方法種類與區別	35
4.3 案例分析	38
第五章 分析模式比較與探討	47
5.1 ARIMA模式	47
5.1.1 參數設定	47
5.1.2 預測結果	49
5.2 SOM_BP模式	51
5.2.1 參數設定	51
5.2.2 預測結果	52
5.3 EMD_SOM_BP模式	64
5.3.1 參數設定	64
5.3.2 預測結果	65
5.4 模式效能評估與驗證	79
第六章 結論與建議	91
6.1 結論	91
6.2 建議	92
參考文獻	95
附錄	99

表目錄
表3.1 ARIMA模式p,q辨認準則表	16
表3.2 模式效能指標彙整及比較	31
表4.1 地下水位觀測站基本資料	34
表4.2 輸入項數試誤法結果	36
表4.3 後安站預測結果	44
表4.4 海豐站預測結果	44
表4.5 預測種類之特性與優劣	46
表5.1 後安站、海豐站、中山站 配適度判定結果	48
表5.2 ARIMA模式效能指標	51
表5.3 後安站各模式指標	56
表5.4 海豐站各模式指標	60
表5.5 中山站各模式指標	63
表5.6 分析模式特性差異	80
表5.7 後安站預測結果指標	81
表5.8 海豐站預測結果指標	82
表5.9 中山站預測結果指標	83
表5.10 後安站預測結果指標量化表	84
表5.11 海豐站預測結果指標量化表	85
表5.12 中山站預測結果指標量化表	86
表5.13 各模式得分表	87
表5.14 各模式總得分表	88

圖目錄
圖1.1 研究流程圖	3
圖3.1 EMD_SOM_BP分析流程示意圖	10
圖3.2 單站與多站模式示意圖	11
圖3.3 EMD預測示意圖	11
圖3.4 研究流程細部分解圖	12
圖3.5 ARIMA模式流程圖	14
圖3.6 二維矩陣的SOM架構（Ham ＆ Kostanic, 2001）	19
圖3.7 SOM網路優勝神經元與鄰近神經元	20
圖3.8 倒傳遞類神經網路架構	23
圖3.9 上包絡線求取	25
圖3.10 下包絡線求取	26
圖3.11 均值包絡線求取	27
圖3.12 第一個IMF與餘數R之分量	28
圖3.13 各IMF分量圖	29
圖4.1 雲林縣麥寮鄉地下水位觀測站	34
圖4.2 原始地下水位資料圖（1998.01～2004.09）	35
圖4.3 預測模式分解之差異及比較	37
圖4.4 後安站SOM分群映射圖	39
圖4.5 SOM分群分解步驟示意圖(以海豐站SOM_BP模式為例)	40
圖4.6 後報之地下水位歷線圖（1998.01~2004.09）	41
圖4.7(a) 前報之地下水位歷線圖（1998.01~2004.09）	42
圖4.8 預報之地下水位歷線圖（1998.01~2004.09）	43
圖4.9 模式驗證圖	45
圖5.1 ARIMA(1,1,2)模式於後安站地下水位歷線圖	49
圖5.2 ARIMA(0,1,2)模式於海豐站地下水位歷線圖	50
圖5.3 ARIMA(1,1,0)模式於中山站地下水位歷線圖	50
圖5.4 後安站SS_SOM_BP模式分群映射圖	53
圖5.5 單站模式於後安站地下水位歷線圖	54
圖5.6 二站(中山、海豐)模式於後安站地下水位歷線圖	54
圖5.7 二站(後安、海豐)模式於後安站地下水位歷線圖	55
圖5.8 二站(中山、後安)模式於後安站地下水位歷線圖	55
圖5.9 三站模式於後安站地下水位歷線圖	56
圖5.10 單站模式於海豐站地下水位歷線圖	57
圖5.11 二站(中山、海豐)模式於海豐站地下水位歷線圖	58
圖5.12 二站(後安、海豐)模式於海豐站地下水位歷線圖	58
圖5.13 二站(中山、後安)模式於海豐站地下水位歷線圖	59
圖5.14 三站模式於海豐站地下水位歷線圖	59
圖5.15 單站模式於中山站地下水位歷線圖	61
圖5.16 二站(中山、海豐)模式於中山站地下水位歷線圖	61
圖5.17 二站(後安、海豐)模式於中山站地下水位歷線圖	62
圖5.18 二站(中山、後安)模式於中山站地下水位歷線圖	62
圖5.19 三站模式於中山站地下水位歷線圖	63
圖5.20 後安站EMD各分量圖	66
圖5.21 單站模式於後安站地下水位歷線圖	67
圖5.22 二站(中山、海豐)模式於後安站地下水位歷線圖	67
圖5.23 二站(後安、海豐)模式於後安站地下水位歷線圖	68
圖5.24 二站(中山、後安)模式於後安站地下水位歷線圖	68
圖5.25 三站模式於後安站地下水位歷線圖	69
圖5.26 海豐站EMD各分量圖	70
圖5.27 單站模式於海豐站地下水位歷線圖	71
圖5.28 二站(中山、海豐)模式於海豐站地下水位歷線圖	71
圖5.29 二站(後安、海豐)模式於海豐站地下水位歷線圖	72
圖5.30 二站(中山、後安)模式於海豐站地下水位歷線圖	72
圖5.31 三站模式於海豐站地下水位歷線圖	73
圖5.32 中山站(單站模式)EMD各分量圖	74
圖5.33 中山站(多站模式)EMD各分量圖	75
圖5.34 單站模式於中山站地下水位歷線圖	76
圖5.35 二站(中山、海豐)模式於中山站地下水位歷線圖	76
圖5.36 二站(後安、海豐)模式於中山站地下水位歷線圖	77
圖5.37 二站(中山、後安)模式於中山站地下水位歷線圖	77
圖5.38 三站模式於中山站地下水位歷線圖	78
圖5.39 累積誤差示意圖	79
圖5.40後安站預測結果效能指標值	89
圖5.41海豐站預測結果效能指標值	89
圖5.42中山站預測結果效能指標值	90

附圖目錄
附圖1 後安站後報各分量圖(1998.01~2004.09)	101
附圖2 海豐站後報各分量圖(1998.01~2004.09)	102
附圖3 後安站前報各分量圖(1998.01~2003.09)	103
附圖4 後安站前報各分量圖(1999.01~2004.09)	104
附圖5 海豐站前報各分量圖(1998.01~2003.09)	105
附圖6 海豐站前報各分量圖(1999.01~2004.09)	106
附圖7 後安站後報各分量分群映射圖	107
附圖8 海豐站後報各分量分群映射圖	108
附圖9 後安站前報各分量分群映射圖	109
附圖10 海豐站前報各分量分群映射圖	110
附圖11  SS_SOM_BP模式分群映射圖	111
附圖12  DS_SOM_BP ＆ TS_SOM_BP模式分群映射圖	112
附圖13  SS_EMD_SOM_BP(HA)各分量分群映射圖	113
附圖14  SS_EMD_SOM_BP(HF)各分量分群映射圖	114
附圖15  SS_EMD_SOM_BP(ZS)各分量分群映射圖	115
附圖16  DS_EMD_SOM_BP(HA＆ZS)各分量分群映射圖	116
附圖17  DS_EMD_SOM_BP(HA＆HF)各分量分群映射圖	117
附圖18  DS_ EMD_SOM_BP(HF＆ZS)各分量分群映射圖	118
附圖19  TS_ EMD_SOM_BP各分量分群映射圖	119
附圖20  ARIMA模式驗證圖	120
附圖21 後安站模式驗證圖	121
附圖22 海豐站模式驗證圖	122
附圖23 中山站模式驗證圖	123
附圖24 後安站模式驗證圖	124
附圖25 海豐站模式驗證圖	125
附圖26 中山站模式驗證圖	126
附圖27 後安站零次差分之自相關、偏自相關圖	127
附圖28 後安站一次差分之自相關、偏自相關圖	127
附圖29 海豐站零次差分之自相關、偏自相關圖	128
附圖30 海豐站一次差分之自相關、偏自相關圖	128
附圖31 中山站零次差分之自相關、偏自相關圖	129
附圖32 中山站一次差分之自相關、偏自相關圖	129
附圖33 後安站顯著機率誤差圖	130
附圖34 海豐站顯著機率誤差圖	130
附圖35 中山站顯著機率誤差圖	131

1.Box, G., and Jenkins, G. M. (1970). Time Series Analysis: Forecasting and Control, Holden-Day, San Francisco.
2.Delleur, J. W., Tao, P. C. and Kavvas, M. L. (1976). “An Evaluation of the Practicality and Complexity of Some Rainfall and Runoff Time Series Models,” Water Resources Research, Vol.12, No.5, pp. 953-970.
3.Fredric, M. H., and Ivica, K. (2001). Principles of Neurocomputing for Science and Engineering, MGraw-Hill.
4.Jose, D. S., Duane C. B., Ricardo A. S. (1982).” Estimation of ARMA Models with Seasonal Parameters,” Water Resources Research, Vol.18, No.4, pp. 1006-1018.
5.Kohzadi, N., Boyd, M. S., Kermanshahi, B., and Kaastra, I. (1996). “A Comparison of Artificial Neural Network and Time Series Models for Forecasting Commodity Prices.” Neurocomputing, No.10, pp. 169-181.
6.Karamouz, M., Mahmoud M., Tabari, R., and Kerachian, R. (2004). Application of Genetic Algorithms and Artificial Neural Networks in Conjunctive Use of Surface and Groundwater Resources.
7.Lin, G. F., and Chen, L. S. (2006). “Identification of Homogeneous Regions for Regional Frequency Analysis Using the Self-Organizing Map,” Journal of Hydrology, Vol.324, No.1-4, pp. 1-9.
8.Norden, E. H., Samuel, S.P., and Shen, Z. (1998). Hilbert-Huang Transform and Its Applications.
9.Norden, E. H., Shen, Z., Long, S.R., Wu, M.C., Shih, H.H., Zheng, Q.,  Yen, N.C., Tung, C.C., and Liu, H.H., (1998). “The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-Stationary Time Series Analysis,” The Royal Society, Proc. R. Soc. Lond. A, Vol.454, No.1971, pp. 903-995.
10.Nayak, P. C., Satyajirao, Y. R., and Sudheer, K. P.(2006). “Groundwater Level Forecasting in a Shallow Aquifer Using Artificial Neural Network Approach,” Water Resources Management, Vol.20, pp. 77–90.
11.Napolitano, G., Serinaldi, F., and See, L. (2011). “Impact of EMD Decomposition and Random Initialisation of Weights in ANN Hindcasting of Daily Stream Flow Series: An Empirical Examination,” Journal of Hydrology, Vol.406, pp.199–214.
12.Powell, M.J., (1987). “Radial Basis Functions for Multivariable Interpolation: A Review,” In Algorithms for Approximation, pp. 143–167.
13.Sakamoto, Y., Ishiguro, M., and Kitagawa G. (1986). Akaike Information Criterion Statistics, D. Reidel Publishing Company.
14.Tsai, C.P., Lin, C., and Shen, J.N., (2002). “Neural Network for Wave Forecasting Among Multi-Stations,” Ocean Engineering, Vol.29, No.13, 
pp. 1683-1695.
15.Wang, Z., Guerriero, A., and DeSario, M. (1996). “Comparison of Several Approaches for the Segmentation of Texture Images.” Pattern Recognition Letter, Vol.17, pp. 509–521.
16.Zhang, X., and Li, Y., (1998). “Self-Organizing Map as a New Method for Clustering and Data Analysis,” Proceeding of 1993 International Joint Conference on Neural Networks, Vol.3, pp. 2448-2451.
17.交通部中央氣象局（2000），
http://www.cwb.gov.tw/V7/index.htm 。
18.經濟部水利署國立成功大學地層下陷防治服務團(2002），http://www.lsprc.ncku.edu.tw/Main/View_County.aspx?County_ID=51 。
19.經濟部水利署（2011），地下水觀測網，http://140.112.190.183/index.php。
20.經濟部水利署（2012），地理資訊倉儲中心，http://gic.wra.gov.tw/gic/Water/Space/Main.aspx。
21.丁崇峰（2006），機器學習演算法應用於地下水位與地層下陷量分析之研究，博士論文，國立成功大學水利及海洋工程研究所。
22.王如意、易任（1992），應用水文學，國立編譯館。
23.王海燕、盧山（2008），非線性時間序列分析及其應用，新華書局。
24.王振龍（2010），應用時間序列分析，新華書局。
25.吳哲榮（2009），結合灰色理論與經驗模態分解法於固定路線車輛旅行時間之預測，碩士論文，國立中央大學土木工程學系。
26.肖長來、梁秀娟、王彪（2010），水文地質學，清華大學出版社。
27.林基源（2003），陳有蘭溪流域土石流發生潛勢判定模式之研究，博士論文，國立中興大學土木工程學系。
28.林時猷（2003），以地下水位之區位相關性輔助濁水溪沖積扇地下水模擬之參數決定，碩士論文，逢甲大學土木及水利工程研究所。
29.林國峰（2004），應用全面監督式訓練法則所建立之幅狀基底函數網路於洪水流量預測，2004 水資源管理研討會，第23-34頁。
30.林典蔚（2008），結合自組織映射圖網路與倒傳遞類神經網路於地下水水位之預測，碩士論文，國立嘉義大學土木與水資源工程學系。
31.胡永國（2002）， 應用類神經網路推估地下水位洩降所致地層沉陷之研究，碩士論文，屏東科技大學土木工程學系。
32.洪智勇、李振誥（2003），應用類神經網路模式推估水文地質參數之研究，台灣水利，第51卷，第3期，第84-94頁。
33.陳奕弦（1997），以時間序列模擬複層地盤沉陷量化關係之建立，碩士論文，國立中興大學土木工程學系。
34.陳國華（2004），整合TWVD2001水準及GPS資料改進台灣區域性大地水準面模式以應用於GPS高程測量，碩士論文，國立成功大學測量工程學系。
35.陳儒賢、潘衍谷、陳清田（2007），應用SOM-RBFN 模式於地下水位預測之研究，2007年第十六屆水利工程研討會，第472-479頁。
36.黃世杰（1989）， ARMA時間序列之各種模式適合度偵測準則之比較，碩士論文，國立中興大學土木工程學系。
37.張斐章、張麗秋（2005），類神經網路，東華書局。
38.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，碩士論文，淡江大學水資源及環境工程學系。
39.楊培才、周秀驥（2005），氣候系統的非平穩行為和預測理論，中國氣象學報，第5期，第556-570頁。
40.潘衍谷（2007），應用SOM-RBFN模式於地下水位預測之研究，碩士論文，國立嘉義大學土木與水資源工程學系。
41.謝志敏（2007），希爾伯特黃轉換簡介，http://www.ancad.com.tw/presentation%20files/VisualSignal/%E4%B8%80%E8%88%AC%E6%80%A7%E4%BB%8B%E7%B4%B9/HHT.pdf 。
42.蘇苗彬、陳旺志（1996），臺北市山坡地降雨量及地下水位之時間序列分析，中華水土保持學報，第27卷，第2期，第127-138頁。
43.蘇秋生（2009）， 多變量統計與時間序列分析於地下水質管理上之應用-以嘉南平原地下水分區為例，碩士論文，崑山科技大學環境工程研究所。
44.鍾侑達、黃晉華、陳昶憲、蘇惠珍（2011），以類神經模糊推理修正水位預測之一階延遲現象，農業工程學報，第57卷，第3期，第1-16頁。