台灣地區山高坡陡，河道源短流急，水資源蓄積不易﹔加上空間與時間上分布不均勻，以及全球氣候變遷影響，時有缺水情形發生。因此亟需一個準確性較佳之預測模式來有效調配水資源。本研究以(季節性)自回歸積分移動平均模式(ARIMA、SARIMA)、希爾伯特-黃轉換(HHT)中之經驗模態分解(EMD)方法，以及類神經網路中的極速學習機(ELM)等各模式組合而成多種複合預測模式，並採用大漢溪流域石門水庫上游之月流量，以及荖濃溪流域在莫拉克(Morakot)颱風與賀伯(Herb)颱風之降雨為例，分別進行長時間尺度之逕流量，與短時間尺度之颱風時雨量之預測準確性的探討及分析，作為水資源預測模式採擇之參考。
研究結果顯示，在長時間尺度之逕流量方面，ELM模式的預測分析效果較佳，而HHT_ELM模式相較於ELM模式，整體而言雖然預測效果稍差，但在資料點值較大之區段，預測的結果則較ELM模式為佳；在短時間尺度之颱風時雨量方面，則依降雨資料的序列特性，預測效果以ELM模式和HHT_extension模式較佳。

Water is essential to life, but the water resource of Taiwan is limited and hard to retain for most of the rivers run from high mountains in short and steep courses. In addition, the temporal and spatial distribution of rainfall is very uneven. How to allocate the water resources rationally becomes an important issue and a better prediction method with a higher accuracy is necessary in response to global climate change.
In this study, several hybrid prediction models are employed based on autoregressive-integrated-moving average (ARIMA、SARIMA), empirical mode decomposition(EMD) of Hilbert-Huang transform (HHT), and extreme learning machine(ELM). Two case studies are presented according to the data of the upstream monthly riverflow of Shihmen Reservoir in Tahan River Basin and the rainfall of Laonong River Basin during typhoon Morakot and Herb. It is shown that for long-time scale discharge, ELM model has the better performance of prediction. However, HHT_ELM is superior to ELM at the section of the larger data values. On the other hand, for short-time scale rainfall of typhoon, ELM and HHT_extension models behave well in view of sequence characteristics of rainfall.

目錄
目錄	I
表目錄	III
圖目錄	V
附圖目錄	X
第一章 緒論	1
1.1 研究動機與目的	1
1.2 研究架構及流程	2
第二章 文獻回顧	5
2.1 時間序列分析方法之相關研究	5
2.2 自回歸積分移動平均模式方法之相關研究	6
2.3 經驗模態分解 (EMD)方法之相關研究	7
2.4 極速學習機 (ELM)方法之相關研究	8
第三章 分析方法及預測模式基本理論	11
3.1 分析方法	11
3.2 時間序列分析基本理論	11
3.2.1 ARIMA模型預測之分析步驟	12
3.2.2 模式設定	15
3.3 經驗模態分解（EMD）與內建模態函數（IMF）	18
3.4 類神經網路基本理論	24
3.4.1倒傳遞類神經網路	25
3.4.2極速學習機(ELM)	27
3.5 混和殘差值預測理論	29
3.6 模式效能指標	30
第四章 分析模式比較與探討	33
4.1 參數研究	37
4.1.1合成資料預測	39
4.1.2實測資料預測	47
4.2 模式效能評估與驗證	55
4.2.1合成資料	55
4.2.2實測資料	57
第五章 案例研究	61
5.1 逕流量之預測分析	61
5.1.1淡水河流域概況	61
5.1.2月流量資料	66
5.2颱風降雨資料特性分析	79
5.2.1 荖濃溪流域概況	79
5.2.2颱風雨量資料	85
5.3 預測分析結果綜合比較及探討	90
5.3.1 逕流量預測分析	90
5.3.2 雨量預測分析	109
第六章 結論與建議	127
6.1 結論	127
6.2 建議	129
參考文獻	131
附錄	137







表目錄

表3.1 ARIMA模式辨認準則表	16
表3.2 模式效能指標彙整及比較	31
表4.1 模式方法比較	36
表4.2 合成資料配適度判定結果	37
表4.3 ARIMA模式效能指標	39
表4.4 HHT_Overall模式效能指標	41
表4.5 HHT_Extension模式效能指標	43
表4.6 ELM模式效能指標	45
表4.7 合成資料預測結果指標	55
表4.8 太陽黑子週期資料預測結果指標	57
表4.9 加拿大山猫每年捕獲數量預測結果指標	58
表4.10匯率值預測結果指標	59
表5.1 淡水河流域之流量觀測站基本資料	61
表5.2 秀巒站月流量資料配適度判定結果	74
表5.3 玉峰站月流量資料配適度判定結果	75
表5.4 高義站月流量資料配適度判定結果	76
表5.5 霞雲站月流量資料配適度判定結果	77
表5.6 各流量站月流量資料配適度判定結果	78
表5.7 荖濃溪流域之雨量觀測站基本資料	81
表 5.8 歷年最大累積降雨前20名颱風	86
表5.9 秀巒站月流量預測結果指標	91
表5.10 玉峰站月流量預測結果指標	92
表5.11 高義站月流量預測結果指標	93
表5.12 霞雲站月流量預測結果指標	94
表5.13 秀巒站月流量極值預測結果指標	100
表5.14 玉峰站月流量極值預測結果指標	102
表5.15 高義站月流量極值預測結果指標	103
表5.16 霞雲站月流量極值預測結果指標	104
表5.17 復興站月流量預測結果指標	109
表5.18小關山站預測結果指標	110
表5.19新發站預測結果指標	111
表5.20溪南站預測結果指標	112
表5.21御油山站預測結果指標	113
表5.22大津站預測結果指標	114
表5.23 復興站月流量預測結果指標	121
表5.24 小關山站預測結果指標	122
表5.25 新發站預測結果指標	123
表5.26 溪南站預測結果指標	124















圖目錄

圖1.1 研究流程圖	3
圖3.1 ARIMA模式流程圖	14
圖3.2 上包絡線求取	19
圖3.3 下包絡線求取	20
圖3.4 均值包絡線求取	21
圖3.5 第一個IMF與餘數R之分量	22
圖3.6 各IMF分量圖	23
圖3.7 倒傳遞類神經網路架構	26
圖3.8 極速學習機架構圖	28
圖4.1 HHT_ARIMA模式分析分析流程圖	33
圖4.2 HHT_overall模式分析流程圖	34
圖4.3 HHT_extension模式流程圖	34
圖4.4 HHT_ARIMA分析流程示意圖	34
圖4.5 極速學習機(ELM)模式分析流程圖	35
圖4.6 極速學習機(ELM)模式分析示意圖	35
圖4.7 合成資料AR(1)配適度判定圖	38
圖4.8 合成資料AR(2)配適度判定圖	39
圖4.9 ARIMA(1,0,0)模式於合成資料AR(1)預測分析圖	40
圖4.10 ARIMA(2,0,0)模式於合成資料AR(2)預測分析圖	40
圖4.11 HHT_Overall模式於合成資料AR(1)預測分析圖	42
圖4.12 HHT_Overall模式於合成資料AR(2)預測分析圖	42
圖4.13 HHT_Extension模式於合成資料AR(1)預測分析圖	44
圖4.14 HHT_Extensionl模式於合成資料AR(2)預測分析圖	44
圖4.15 ELM模式於合成資料AR(1)預測分析圖	46
圖4.16 ELM模式於合成資料AR(2)預測分析圖	46
圖4.17 ARIMA模式於太陽黑子週期預測分析圖	47
圖4.18 ARIMA_error_ELM模式於太陽黑子週期預測分析圖	48
圖4.19 HHT_Overal模式於太陽黑子週期預測分析圖	48
圖4.20 HHT_Extension模式於太陽黑子週期預測分析圖	49
圖4.21 ELM模式於太陽黑子週期預測分析圖	49
圖4.22 ARIMA模式於加拿大山猫每年捕獲數量預測分析圖	50
圖4.23 ARIMA_error_ELM模式於加拿大山猫每年捕獲數量預測分析圖	50
圖4.24 HHT_Overal模式於加拿大山猫每年捕獲數量預測分析圖	51
圖4.25 HHT_Extension模式於加拿大山猫每年捕獲數量預測分析圖	51
圖4.26 ELM模式於加拿大山猫每年捕獲數量預測分析圖	52
圖4.27 ARIMA模式於新台幣兌換美元匯率預測分析圖	52
圖4.28 ARIMA_error_ELM模式於新台幣兌換美元匯率預測分析圖	53
圖4.29 HHT_Overall模式於新台幣兌換美元匯率預測分析圖	53
圖4.30 HHT_Extension模式於新台幣兌換美元匯率預測分析圖	54
圖4.31 ELM模式於新台幣兌換美元匯率預測分析圖	54
圖4.32 合成資料AR(1)預測結果效能指標直方圖	56
圖4.33 合成資料AR(2)預測結果效能指標直方圖	56
圖4.34 太陽黑子週期預測結果效能指標直方圖	58
圖4.35 加拿大山猫每年捕獲數量預測結果效能指標直方圖	58
圖4.36 匯率值預測結果效能指標直方圖	59
圖5.1 淡水河流量站之流域圖	62
圖5.2 淡水河流量站之地形圖	63
圖5.3 淡水河流量站之地質圖	64
圖5.4 秀巒流量站之月流量圖	66
圖5.5 秀巒流量站之時頻圖	67
圖5.6 玉峰流量站之月流量圖	67
圖5.7 玉峰流量站之時頻圖	68
圖5.8 高義流量站之月流量圖	68
圖5.9 高義流量站之時頻圖	69
圖5.10 霞雲流量站之月流量圖	69
圖5.11 霞雲流量站之時頻圖	70
圖5.12 秀巒流量站之資料週期性分析圖	71
圖5.13 玉峰流量站之資料週期性分析圖	72
圖5.14 高義流量站之資料週期性分析圖	72
圖5.15 霞雲流量站之資料週期性分析圖	73
圖5.16 秀巒站配適度判定圖	75
圖5.17 玉峰站配適度判定圖	76
圖5.18 高義站配適度判定圖	77
圖5.19 霞雲站配適度判定圖	78
圖5.20 荖濃溪流域之雨量觀測站	82
圖5.21 荖濃溪流域地形圖	83
圖5.22 荖濃溪流域地質圖	84
圖5.23 秀巒流量站之預測結果效能指標直方圖	91
圖5.24 玉峰流量站之預測結果效能指標直方圖	92
圖5.25 高義流量站之預測結果效能指標直方圖	93
圖5.26 霞雲流量站之預測結果效能指標直方圖	94
圖5.27 秀巒站之月流量預測分析圖	95
圖5.28 秀巒站之月流量預測範圍分析圖	95
圖5.29 玉峰站之月流量預測分析圖	96
圖5.30 玉峰站之月流量預測範圍分析圖	96
圖5.31 高義站之月流量預測分析圖	97
圖5.32 高義站之月流量預測範圍分析圖	97
圖5.33 霞雲站之月流量預測分析圖	98
圖5.34 霞雲站之月流量預測範圍分析圖	98
圖5.35 秀巒流量站之極值預測結果效能指標直方圖	101
圖5.36 玉峰流量站之極值預測結果效能指標直方圖	102
圖5.37 高義流量站之極值預測結果效能指標直方圖	103
圖5.38 霞雲流量站之極值預測結果效能指標直方圖	104
圖5.39 秀巒站之月流量預測分析圖	105
圖5.40 秀巒站之月流量預測範圍分析圖	105
圖5.41 玉峰站之月流量預測分析圖	106
圖5.42 玉峰站之月流量預測範圍分析圖	106
圖5.43 高義站之月流量預測分析圖	107
圖5.44 高義站之月流量預測範圍分析圖	107
圖5.45 霞雲站之月流量預測分析圖	108
圖5.46 霞雲站之月流量預測範圍分析圖	108
圖5.47 復興站之預測結果效能指標直方圖	110
圖5.48小關山站之預測結果效能指標直方圖	110
圖5.49新發站之預測結果效能指標直方圖	111
圖5.50 溪南站之預測結果效能指標直方圖	112
圖5.51御油山站之預測結果效能指標直方圖	113
圖5.52大津站之預測結果效能指標直方圖	114
圖5.53 復興站之雨量預測分析圖	115
圖5.54 復興站之雨量預測範圍分析圖	115
圖5.55 小關山站之雨量預測分析圖	116
圖5.56 小關山站之雨量預測範圍分析圖	116
圖5.57 新發站之雨量預測分析圖	117
圖5.58 新發站之雨量預測範圍分析圖	117
圖5.59 溪南站之雨量預測分析圖	118
圖5.60 溪南站之雨量預測範圍分析圖	118
圖5.61 御油山站之雨量預測分析圖	119
圖5.62 御油山站之雨量預測範圍分析圖	119
圖5.62 大津站之雨量預測分析圖	120
圖5.63 大津站之雨量預測範圍分析圖	120
圖5.64 復興站之預測結果效能指標直方圖	122
圖5.65小關山站之預測結果效能指標直方圖	122
圖5.66新發站之預測結果效能指標直方圖	123
圖5.67 溪南站之預測結果效能指標直方圖	124
圖5.68 復興站之雨量預測分析圖	125
圖5.69 小關山之雨量預測範圍分析圖	125
圖5.70 新發站之雨量預測分析圖	126
圖5.71 溪南站之雨量預測範圍分析圖	126
















附圖目錄

附圖1 秀巒站月流量資料各分量圖(1963.01~2003.12)	138
附圖2 玉峰站月流量資料各分量圖(1963.01~2003.12)	139
附圖3 高義站月流量資料各分量圖(1963.01~2003.12)	140
附圖4 霞雲站月流量資料各分量圖(1963.01~2003.12)	141
附圖5 合成資料AR(1)各分量圖	142
附圖6 合成資料AR(2)各分量圖	143
附圖7 合成資料AR(1)時間序列圖	144
附圖8 合成資料AR(2)時間序列圖	144
附圖9 秀巒站之月流量時間序列圖	145
附圖10 玉峰站之月流量時間序列圖	145
附圖11 高義站之月流量時間序列圖	146
附圖12 霞雲站之月流量時間序列圖	146
附圖13 合成資料AR(1)於ARIMA(1,0,0)之預測分析圖	147
附圖14 合成資料AR(1)應用HHT_Overall之預測分析圖	147
附圖15 合成資料AR(1)應用HHT_Extension之預測分析圖	148
附圖16 合成資料AR(1)應用ELM之預測分析圖	148
附圖17 合成資料AR(2)於ARIMA(2,0,0)之預測分析圖	149
附圖18 合成資料AR(2)應用HHT_Overall之預測分析圖	149
附圖19 合成資料AR(2)應用HHT_Extension之預測分析圖	150
附圖20 合成資料AR(2)應用ELM之預測分析圖	150
附圖21 太陽黑子週期	151
附圖22 加拿大山猫每年捕獲數量	151
附圖23 新台幣兌換美元匯率值	152
附圖24 ELM模式於太陽黑子週期預測分析圖	152
附圖25 ELM模式於加拿大山猫每年捕獲數量預測分析圖	153
附圖26 ELM模式於新台幣兌換美元匯率預測分析圖	153
附圖27 秀巒站於SARIMA模式之預測分析圖	154
附圖28 秀巒站於SARIMA模式之預測範圍分析圖	154
附圖29 秀巒站應用HHT_Overall之預測分析圖	155
附圖30 秀巒站應用HHT_Overall之預測範圍分析圖	155
附圖31 秀巒站應用HHT_Extension之預測分析圖	156
附圖32 秀巒站應用HHT_Extension之預測範圍分析圖	156
附圖33 秀巒站應用ELM之預測分析圖	157
附圖34 秀巒站應用ELM之預測範圍分析圖	157
附圖35 玉峰站於SARIMA模式之預測分析圖	158
附圖36 玉峰站於SARIMA模式之預測範圍分析圖	158
附圖37 玉峰站應用HHT_Overall之預測分析圖	159
附圖38 玉峰站應用HHT_Overall之預測範圍分析圖	159
附圖39 玉峰站應用HHT_Extension之預測分析圖	160
附圖40 玉峰站應用HHT_Extension之預測範圍分析圖	160
附圖41 玉峰站應用ELM之預測分析圖	161
附圖42 玉峰站應用ELM之預測範圍分析圖	161
附圖43 高義站於SARIMA模式之預測分析圖	162
附圖44 高義站於SARIMA模式之預測範圍分析圖	162
附圖45 高義站應用HHT_Overall之預測分析圖	163
附圖46 高義站應用HHT_Overall之預測範圍分析圖	163
附圖47 高義站應用HHT_Extension之預測分析圖	164
附圖48 高義站應用HHT_Extension之預測範圍分析圖	164
附圖49 高義站應用ELM之預測分析圖	165
附圖50 高義站應用ELM之預測範圍分析圖	165
附圖51 霞雲站於SARIMA模式之預測分析圖	166
附圖52 霞雲站於SARIMA模式之預測範圍分析圖	166
附圖53 霞雲站應用HHT_Overall之預測分析圖	167
附圖54 霞雲站應用HHT_Overall之預測範圍分析圖	167
附圖55 霞雲站應用HHT_Extension之預測分析圖	168
附圖56 霞雲站應用HHT_Extension之預測範圍分析圖	168
附圖57 霞雲站應用ELM之預測分析圖	169
附圖58 霞雲站應用ELM之預測範圍分析圖	169
附圖59 秀巒站應用HHT_ELM之預測分析圖	170
附圖60 秀巒站應用HHT_ELM之預測範圍分析圖	170
附圖61 玉峰站應用HHT_ELM之預測分析圖	171
附圖62 玉峰站應用HHT_ELM之預測範圍分析圖	171
附圖63 高義站應用HHT_ELM之預測分析圖	172
附圖64 高義站應用HHT_ELM之預測範圍分析圖	172
附圖65 霞雲站應用HHT_ELM之預測分析圖	173
附圖66 霞雲站應用HHT_ELM之預測範圍分析圖	173
附圖67 復興站之雨量預測分析圖	174
附圖68 復興站之雨量預測範圍分析圖	174
附圖69 小關山站之雨量預測分析圖	175
附圖70 小關山站之雨量預測範圍分析圖	175
附圖71 新發站之雨量預測分析圖	176
附圖72 新發站之雨量預測範圍分析圖	176
附圖73 溪南站之雨量預測分析圖	177
附圖74 溪南站之雨量預測範圍分析圖	177
附圖75 御油山站之雨量預測分析圖	178
附圖76 御油山站之雨量預測範圍分析圖	178
附圖77 大津站之雨量預測分析圖	179
附圖78 大津站之雨量預測範圍分析圖	179
附圖79 復興站之雨量預測分析圖	180
附圖80 小關山站之雨量預測分析圖	180
附圖81 新發站之雨量預測分析圖	181
附圖82 溪南站之雨量預測分析圖	181

參考文獻
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.	Huang,G.-B., Chen, L.,and Siew. C.-K. (2006). “Universal Approximation Using Incremental Networks with Random Hidden Computation Nodes,” IEEE Trans. Neural Networks.
5.	Huang,G.-B., Chen, L.,and Siew. C.-K. (2006). “ Extreme Learning Machine: Theory and Applications.” ELSEVIER, Neurocomputing, 70,pp. 489–501.
6.	Jose, D. S., Duane C., B.,and Ricardo A. S. (1982).” Estimation of ARMA Models with Seasonal Parameters,” Water Resources Research, Vol. 18, No. 4, pp. 1006-1018.
7.	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.
8.	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.


9.	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.
10.	Mehdi, K.,and Mehd, B.i (2011). “A Novel Hybridization of Artificial Neural Networks and ARIMA Models for Time Series Forecasting.” Journal of Hydrology, pp. 2664-2675.
11.	Norden, E. H., Samuel, S.P., and Shen, Z. (1998). Hilbert-Huang Transform and Its Applications.
12.	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.
13.	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.
14.	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.
15.	Powell, M.J., (1987). “Radial Basis Functions for Multivariable Interpolation: A Review,” In Algorithms for Approximation, pp. 143–167.
16.	Singh, R., and Balasundaram, S. (2007) .“Application of Extreme Learning Machine Method for Time Series Analysis,” International Journal of Electrical and Computer Engineering, pp549–555.

17.	Sakamoto, Y., Ishiguro, M., and Kitagawa G. (1986). Akaike Information Criterion Statistics, D. Reidel Publishing Company.
18.	Thomas, H. A., and Fiering, M.B.（1962）“Mathematical Analysis of Streamflow Sequences in Analysis of River Basins by Simulation.” Design of water resource systems. Cambridge,Harvard University Press. p.466.
19.	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.
20.	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.
21.	Wu,Q. (2010). “The hybrid forecasting model based on chaotic mapping, genetic algorithm and support vector machine.” ELSEVIER, Neurocomputing, 37,pp. 1776–1783.
22.	Yevievich,V.W.（1967）“Mean range of Linearly Dependent Normal Variables with Application to Storage Problems.”Water Resources Research pp.663-667.
23.	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.
24.	Zvejnieksa, G.,KuzovkovZhang, V. N.,Dumbrajs, O., Degeling, A. W., Suttrop, W., Urano., H, and Zohm, H., (2004). “Autoregressive moving average model for analyzing edge localized mode time series on Axially Symmetric Divertor Experiment (ASDEX) Upgrade tokamak,” Physics of PlasmasL, Vol. 11, No. 12, pp. 5658-5666.

25.	王如意、易任（1992），應用水文學，國立編譯館。
26.	王海燕、盧山（2008），非線性時間序列分析及其應用，新華書局。
27.	王振龍（2010），應用時間序列分析，新華書局。
28.	石棟鑫（2001），台灣地區颱風雨降雨型態之分析研究，碩士論文，國立中央大學土木工程研究所。
29.	交通部中央氣象局（2000），http://www.cwb.gov.tw/V7/index.htm 。
30.	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。
31.	肖長來、梁秀娟、王彪（2010），水文地質學，清華大學出版社。
32.	林昱廷（2010），以 HHT 研究氣候變遷對於濁水溪流域降雨之影響，碩士論文，淡江大學水資源及環境工程學系。
33.	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。
34.	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。
35.	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。
36.	林琬真（2009），在多維常態、自我回歸、自我回歸-廣義自我回歸條件異質變異模型下幾種貝式最佳投資組合之探討，碩士論文，國立中央大學統計研究所。
37.	林承翰（2011），整合HHT訊號拆解與機器學習技術建構電腦產品銷售預測模式，碩士論文，輔仁大學應用統計學研究所。
38.	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。


39.	洪暉程（2009），總體經驗模態分解法(EEMD)結合自回歸(AR)模型在旋轉機械之元件鬆脫故障診斷之應用，碩士論文，國立中央大學光機電工程研究所。
40.	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。
41.	陳伶姮（2001），河川旬流量時間序列之研究─以石門水庫入流量為例，碩士論文，國立海洋大學河海工程學系。
42.	李士強（2009），EMD 結合遞迴式類神經進行流域降雨量預測-以高屏溪流域為例，碩士論文，逢甲大學水利工程與資源保育學系碩士班。
43.	劉錦蕙（2008），不同時間尺度水文資料適用之時序模式探討，博士論文，逢甲大學土木及水利工程研究所。
44.	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。
45.	陳人敬（2003），台灣南部年最大24小時與一日暴雨比值之探討，碩士論文，國立成功大學水利及海洋工程學系專班。
46.	陳佳正、盧孟明（2007），臺灣極端降雨氣候事件判定方法，大氣科學， 35卷（02期），頁105-117。
47.	莊明德（1999），級值序列法應用於非常態水文時間序列之分析，博士論文，淡江大學水資源及環境工程學系。
48.	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。
49.	張斐章、張麗秋（2005），類神經網路，東華書局。
50.	張家芸（2004），高尾線性動差法於氣候變遷下極端暴雨頻率分析之研究，碩士論文，淡江大學水資源及環境工程學系。

51.	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。
52.	柯宏儒（2009），以小波與HHT轉換為基礎利用二次自我迴歸模型預測金融股價，碩士論文，逢甲大學應用數學系研究所。
53.	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。
54.	楊元鎮（2002），集水區可能最大洪流量之研究，碩士論文，中原大學土木工程研究所。
55.	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 。
56.	經濟部水利署（2011），地下水觀測網，http://140.112.190.183/index.php。
57.	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。
58.	歐宗殷（2010），資料探勘為基礎之零售業銷售預測模式以連鎖超商鮮食商品為例，博士論文，國立清華大學工業工程與工程管理研究所。
59.	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。
60.		鄭鈞瑋(2012)，結合經驗模態分解與類神經網路於地下水位預測之研究，碩士論文，淡江大學水資源及環境工程學系。
61.	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 。
62.	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。
63.	鐘琬喬（2004），非常態時間序列自相關函數偏離問題之研究，碩士論文，淡江大學水資源及環境工程學系碩士班。