世界氣候日趨極端，水資源匱乏係目前全球共同面臨的問題，臺灣受限於地形及降雨時空不均，台灣每人分配到的雨量是世界的中低標，而地下水因成本低廉、抽取便利，常在地表水供應不足的情況下，成為重要的替代水源之一，如何有效的保育及補注地下水資源已成為重要的議題。濁水溪沖積扇地下水區為良好的天然補注區，如能掌握與預測地下水位變化趨勢，有助於地表水與地下水的聯合運用與調配管理之決策參考。
    本研究之研究區域為濁水溪流域的上游山區與下游扇頂、扇央及扇尾之沖積扇區，資料以研究區域內主要河川流量站、地下水觀測井與雨量站等2000-2013年日觀測資料。為探討濁水溪沖積扇不同分區與含水層之地下水分布與變化，將研究區域以不分層不分區之「全區模式」與分層分區之「分層分區模式」，分別建置SOM─NARX區域地下水位變化預測模式。建置模式之流程分為：資料處理、SOM分類分析、NARX。
　　結果顯示濁水溪沖積扇之日地下水變化量分類，以5X5之SOM網路大小最為合適，可得具有代表區域地下水位變化量空間分布之拓樸圖，並透過資料統計的方式，有效分析各神經元於農業用水(灌溉用水及養殖用水)不同時期之特徵。NARX模式對於區域平均地下水位預測成效相當優異，R^2皆超過0.99以上。SOM-NARX模式在全區與分層分區之濁水溪區域地下水變化量預測模式，以分層分區模式表現優於全區模式表現、分層分區以北按模式表現優於南岸模式。

World climate becoming more extreme, department of water scarcity problem currently facing the world's, Taiwan is limited by time and space uneven terrain and rainfall, each person assigned to the low rainfall is the world standard. How to preserve and recharge groundwater effectively has become an important issue.Groundwater has become an important water resource because of its low cost and easy extraction, often in the absence of sufficient surface water supply, it has become an important alternative water sources. The alluvial of the Zhuoshui River are good natural recharge areas of groundwater. Change of control and forecasting of groundwater, assist decision-making joint use and allocation management of surface water and groundwater reference.
    In this study, the study area is in the upstream mountain, upstream proximal-fan, midstream proximal-fan and downstream proximal-fan of Zhuoshui River. Collect the daily long-term (2000-2013) regional data sets and pre-processthe data of surface water and groundwater. Discussion groundwater aquifers of different districts and distribution and change, in non-hierarchical non-district "region mode" and "hierarchical partitioning mode" stratified-district of study area. The process is divided into build mode: data processing, SOM classification analysis, NARX.
    The results show that groundwater in the study area of classification, in 5X5 network is the most appropriate size. Available representative groundwater table, the amount of the spatial distribution of topography, and effective analysis of each neuron characteristics in agricultural water (irrigation and aquaculture water) at different times. NARX average groundwater level forecast model for the region quite excellent performance, R^2 are over 0.99 above. SOM-NARX mode groundwater variation prediction mode hierarchical partitioning of the region, in a hierarchical partitioning scheme outperformed the region's performance mode, north of layering and zoning pattern by pattern outperformed the south coast of Zhuoshui River.

目錄
謝誌	I
中文摘要	III
Abstract	V
目錄	VII
表目錄	IX
圖目錄	IX
一、前言	1
1.1研究動機與目的	1
1.2研究模式	3
二、文獻回顧	4
2.1地面水與地下水交互影響關係	4
2.2自組特徵映射類神經網路之應用	5
2.3克利金法之應用	6
2.4含外變數非線性自迴歸模式之應用	8
三、理論概述	9
3.1自組特徵映射網路	9
3.1.1自組特徵映射網路架構	9
3.1.2自組特徵映射網路演算法	10
3.1.3自組特徵映射網路參數設定	13
3.2 克利金法	14
3.2.1克利金系統方程式	14
3.2.2 半變異數	17
3.2.3 理論半變異數	18
3.3含外變數非線性自迴歸模式	20
3.4 SOM-NARX區域地下水位變化預測模式	24
四、研究案例	26
4.1研究地區	26
4.2資料蒐集	36
4.3評估指標	38
4.4全區模式	39
4.4.1 SOM水位變化量分布分類模式	39
4.4.2 拓樸圖分析	48
4.4.3 水位變化量預測模式	63
4.4.4 結果分析	71
4.5分層分區模式	72
4.5.1 SOM水位變化量分布分類模式	72
4.5.2 拓樸圖分析	73
4.5.3 水位變化預測模式	77
4.5.4 結果分析	80
4.6綜合分析	81
五、結論與建議	84
5.1結論	84
5.2建議	85
參考文獻	87
附錄A-濁水溪沖積扇水文資料庫	93
附錄B-濁水溪水位變化Kriging Map拓樸圖	104
附錄C-分層分區水位變化Kriging Map拓樸圖	113
附錄D-模式預測結果	131

圖目錄
圖3.1 自組特徵映射網路之架構圖	10
圖3.2 SOM網路優勝神經元與鄰近神經元示意圖	11
圖3.3試驗半變異圖	17
圖3.4 三種常用的理論半變異模式	19
圖3.5 NARX架構圖	20
圖3.6 誤差倒傳遞演算法流程	23
圖3.7 建置SOM－NARX區域地下水變化量預測模式流程圖	25
圖4.1 濁水溪水文地質屏狀圖	28
圖4.2 濁水溪水文地質剖面圖	31
圖4.3濁水溪流域民國87年~101年農業用水量	32
圖4.4濁水需灌溉旬計需水量	33
圖4.5濁水溪沖積扇第二層邊界及水平流向示意圖	35
圖4.6 濁水溪地下水位觀測站位置圖	36
圖4.7 濁水溪雨量站位置圖	37
圖4.8 濁水溪流量站位置圖	37
圖4.9第1層3X3網格大小之SOM模式分類結果拓樸圖	41
圖4.10第1層4X4網格大小之SOM模式分類結果拓樸圖	42
圖4.11層含水5X5 SOM模式分類結果拓樸圖	43
圖4.12第1層含水層6X6 SOM模式分類結果拓樸圖	44
圖4.13第1層含水層5X5 SOM模式分類結果拓樸圖	45
圖4.14第2層5X5網格大小之SOM模式分類結果拓樸圖	46
圖4.15第3層5X5網格大小之SOM模式分類結果拓樸圖	47
圖4.16 5X5綜觀整體趨勢	50
圖4.17拓樸神經元豐枯水期分類結果	51
圖4.18 雨量、流量比值表	52
圖4.19枯轉豐特徵(第2神經元)	53
圖4.20農業用水特徵(第3、8、9神經元)	55
圖4.21第2、24神經元Kriging Map	57
圖4.22第24、25神經元Kriging Map	59
圖4.23第10、15神經元Kriging Map	61
圖4.24第15、21神經元Kriging Map	62
圖4.25全區t+1時刻W2日平均相對水位預測模式結果圖	65
圖4.26 濁水溪北岸扇尾第2層特徵分析	74
圖4.27濁水溪北岸扇尾第2層特徵分析-2	75
圖4.28濁水溪北岸扇尾第2層特徵分析	76


表目錄
表4.1濁水溪SOM水位變化分布模式分類結果統計表	49
表4.2神經元資料分布對照表	57
表4.3 平均相對地下水位預測模式輸入資料表	64
表4.4 NARX相對地下水位預測模式結果評估表	64
表4.5平均相對地下水位預測模式輸入資料表	66
表4.6平均相對地下水位預測模式輸入資料表	66
表4.7平均相對地下水位預測模式輸入資料表	67
表4.8 NARX相對地下水位預測模式結果評估表	67
表4.9平均相對地下水位預測模式輸入資料表	69
表4.10 NARX相對地下水位預測模式結果評估表	70
表4.11濁水溪沖積扇全區MAE資料累積百分比	71
表4.12 濁水溪沖積扇觀測井分布(站數)	72
表4.13 濁水溪沖積扇觀測井分布	73
表4.14 分層分區模式(6區站數)	77
表4.15分層分區模式6區W1A1與W2A2輸入資訊表	78
表4.16 NARX相對地下水位預測模式結果評估表	79
表4.17第2層水位變化MAE資料累積百分比	80
表4.18兩模式第2層MAE資料累積百分比(Train)	83
表4.19兩模式第2層MAE資料累積百分比(Test)	83

1.呂珍謀、賴泉基、詹勳全、蕭維德、謝瑞章，2007，邊界受限豎井進水口附近水理試驗研究，農業工程學報，第53卷，第3期，第22-32頁。
2.李振誥，2004，雙滲透性破裂岩體隧道滲流之研究 (2/2)，行政院國家科學委員會。
3.沈宏榆，2013，「整合聚類分析與類神經網路於區域淹水預測之研究」，私立淡江大學水資源及環境工程學系博士班學位論文。
4.陳宗顯，2006，降雨引致地下水位變化之研究-以那菝、六甲與東和地下水位站為例，博士論文，國立成功大學水利及海洋工程研究所。
5.陳苡庭，2013，「以自組特徵映射網路分析濁水溪流域地面水與地下水交互變動之研究」。
6.張斐章、張麗秋，2010，「類神經網路」，蒼海書局。
7.經濟部中央地質調查所，2000，「濁水溪沖積扇主要地下水層之水力參數評估」。
8.經濟部水利署，2000，「區域性地下水文特性分析-濁水溪沖積扇」。
9.經濟部水利署，2013，「濁水溪地下水智慧型預測模式之研究」。
10.經濟部水利署，2013，「地表地下水整合數值模式於地下水資源管理應用之研究(1/3)」。
11.經濟部水利署－各項用水統計資料庫
http://wuss.wra.gov.tw/
12.Arslan, H. (2012). Spatial and temporal mapping of groundwater salinity using ordinary kriging and indicator kriging: The case of Bafra Plain, Turkey. Agricultural Water Management, 113, 57-63.
13.Besaw, L. E., Rizzo, D. M., Kline, M., Underwood, K. L., Doris, J. J., Morrissey, L. A., & Pelletier, K. (2009). Stream classification using hierarchical artificial neural networks: A fluvial hazard management tool. Journal of hydrology, 373(1), 34-43.
14.Chang, F.J., Chang, L.C. and Huang, H.L., 2002. Real-time recurrent learning neural network for stream-flow forecasting. Hydrological Processes, 16, 2577-2588.
15.Chang, L.C., Chang, F.J. and Chiang, Y.M., 2004. A two-step-ahead recurrent neural network for stream-flow forecasting. Hydrological Processes, 18, 81-92.
16.Chen, J., & Adams, B. J. (2006). Integration of artificial neural networks with conceptual models in rainfall-runoff modeling. Journal of Hydrology, 318(1), 232-249.
17.Coulibaly, P., & Evora, N. D. (2007). Comparison of neural network methods for infilling missing daily weather records. Journal of Hydrology, 341(1), 27-41.
18.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.
19.Choi, B. Y., Yun, S. T., Kim, K. H., Kim, J. W., Kim, H. M., & Koh, Y. K. (2014). Hydrogeochemical interpretation of South Korean groundwater monitoring data using Self-Organizing Maps. Journal of Geochemical Exploration, 137, 73-84.
20.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.
21.Daliakopoulos, I. N., Coulibaly, P., & Tsanis, I. K. (2005). Groundwater level forecasting using artificial neural networks. Journal of Hydrology, 309(1), 229-240.
22.Dages, C., Voltz, M., Bsaibes, A., Prevot, L., Huttel, O., Louchart, X., Negro, S. (2009). Estimating the role of a ditch network in groundwater recharge in a Mediterranean catchment using a water balance approach. Journal of hydrology, 375(3), 498-512.
23.Ghose, D. K., Panda, S. S., & Swain, P. C. (2010). Prediction of water table depth in western region, Orissa using BPNN and RBFN neural networks. Journal of hydrology, 394(3), 296-304.
24.Hong, Y. S., Rosen, M. R. (2001). Intelligent characterisation and diagnosis of the groundwater quality in an urban fractured-rock aquifer using an artificial neural network. Urban Water, 3(3), 193-204.
25.Jain, A., & Kumar, A. M. (2007). Hybrid neural network models for hydrologic time series forecasting. Applied Soft Computing, 7(2), 585-592.
26.Jan, C. D., Chen, T. H., Lo, W. C. (2007). Effect of rainfall intensity and distribution on groundwater level fluctuations. Journal of hydrology, 332(3), 348-360.
27.Kalbus, E., Reinstorf, F., Schirmer, M. (2006). Measuring methods for groundwater–surface water interactions: a review. Hydrology and Earth System Sciences, 10(6), 873-887.
28.Kord, M., & Moghaddam, A. A. (2014). Spatial analysis of Ardabil plain aquifer potable groundwater using fuzzy logic. Journal of King Saud University-Science, 26(2), 129-140.
29.Lin, G. F., Wu, M. C. (2009). A hybrid neural network model for typhoon-rainfall forecasting. Journal of hydrology, 375(3), 450-458.
30.Mwale, F. D., Adeloye, A. J., Rustum, R. (2012). Infilling of missing rainfall and streamflow data in the Shire River basin, Malawi–A self-organizing map approach. Physics and Chemistry of the Earth, Parts A/B/C, 50, 34-43.
31.Nishiyama, K., Endo, S., Jinno, K., Uvo, C. B., Olsson, J., & Berndtsson, R. (2007). Identification of typical synoptic patterns causing heavy rainfall in the rainy season in Japan by a Self-Organizing Map. Atmospheric research, 83(2), 185-200.
32.Nourani, V., Baghanam, A. H., Adamowski, J., Gebremichael, M. (2013). Using self-organizing maps and wavelet transforms for space–time pre-processing of satellite precipitation and runoff data in neural network based rainfall–runoff modeling. Journal of hydrology, 476, 228-243.
33.Qi-yong, Y., Zhong-cheng, J., Wen-jun, L., & Hui, L. (2014). Prediction of soil organic matter in peak-cluster depression region using kriging and terrain indices. Soil and Tillage Research, 144, 126-132.
34.Richardson, A.J., Risien, C. and Shillington, F.A., 2003. Using self-organizing maps to identify patterns in satellite imagery. Progress in Oceanography, 59: 223–239.
35.Razavi, T., Coulibaly, P. (2013). Classification of Ontario watersheds based on physical attributes and streamflow series. Journal of Hydrology, 493, 81-94.
36.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.
37.Siou, L. K. A., Johannet, A., Borrell, V., & Pistre, S. (2011). Complexity selection of a neural network model for karst flood forecasting: The case of the Lez Basin (southern France). Journal of Hydrology, 403(3), 367-380.
38.Theodossiou, N., & Latinopoulos, P. (2006). Evaluation and optimisation of groundwater observation networks using the Kriging methodology. Environmental Modelling & Software, 21(7), 991-1000.
39.Tapoglou, E., Karatzas, G. P., Trichakis, I. C., & Varouchakis, E. A. (2014). A spatio-temporal hybrid neural network-Kriging model for groundwater level simulation. Journal of Hydrology, 519, 3193-3203.
40.Yilmaz, A. G., Imteaz, M. A., & Jenkins, G. (2011). Catchment flow estimation using Artificial Neural Networks in the mountainous Euphrates Basin. Journal of Hydrology, 410(1), 134-140.
41.Zhang, D., & Wang, X. C. (2014). Transit ridership estimation with network Kriging: a case study of Second Avenue Subway, NYC. Journal of Transport Geography, 41, 107-115.