前言

據建立降雨-逕流模式，透過如類神經網路(artificial neural networks, ANN)等非線性轉換之複雜結構取代物理過程，以大量訓練資料及合適 式開始受到重視。近幾年由於圖形處理器通用運算 (general-purpose computing on graphics processing units, GPGPU)技術進步，縮短了複雜 與高層數的 ANN 演算時間，使資料驅動模式開始能挑戰一些難以快速 處理的問題，例如 Silver 等人(2016)應用 13 層深度神經網路(deep neural network, DNN)於圍棋遊戲，達到了電腦超越人腦的成就。雖然 ANN 具 備強大的歸納與推演能力，但在訓練具有高維度輸出值的網路模式時，

doi:10.6342/NTU202003855

2

常會遇到過多的連結權重參數以隨機亂數法初始化時不容易收斂的問 題，該情況形亦於類神經網路預測具有高維度之區域淹水網格數值時 發生。為了降低輸出值維度，利用聚類及降維方法簡化模式複雜度是一 種有效的應對手段，如 Chang 等人(2010)利用 k-means 將淹水資料先分 群簡化複雜度，再加入地文因子輸入項使單輸出模式具備預測不同網 格數值能力；沈(2013)、Chang 等人(2014)利用自組特徵映射網路(self-organization map, SOM)及總淹水體積做為不同類別之淹水特徵值，將 高維淹水網格數值轉為二維淹水拓樸圖之聚類關係後，透過預測未來 之回饋式類神經網路(recurrent neural network, RNN)模式，成為能在不 事先分割區域淹水模式的條件下，輸出整個區域網格點淹水深的預測 模式，供未來防災應用參考。

doi:10.6342/NTU202003855

3 降維還原模式是以堆疊式自編碼器(stacked autoencoder, SAE)為基礎的 前饋式 類神 經網 路模式 ，屬 於一 種採 用堆疊 過程 建立 的自編 碼器 (autoencoder, AE)架構。AE 以隱藏層維度低於輸入及輸出層維度為主，

透過輸入與輸出具有相同維度的特性，以減少網路輸入與輸出項之間 的誤差進行監督式學習，並達到類似非監督式學習的成果。由於區域淹 水資料維度值高達 169,797，需透過多層網路逐步降維，同時整個神經 網路將有超過百萬個權重值需要調整，故以分段堆疊方式訓練網路，每 次堆疊進行訓練時以主成分分析(principle components analysis, PCA)評 估適當的降維後淹水特徵編碼之維度，並以 PCA 特徵向量作為初使神 經元權重，以避免隨機初始化對模式帶來的巨大不確定性。

完成以 SAE 為主的區域淹水資料降維還原模式後，進一步以回饋 式類神經網路(recurrent neural network, RNN)建立降維後淹水特徵編碼 預測模式。該模式為編碼器-解碼器(encoder-decoder, ED) 架構，以過去

doi:10.6342/NTU202003855

4

數小時雨量為輸入序列，輸出未來多時刻之淹水特徵編碼，最後結合前 段提及由 SAE 建立之還原模式將淹水特徵編碼還原成原始維度區域淹 水分布資訊，完成區域網格淹水預報模式。

最後本研究針對不同維度特徵編碼進行探討，說明用於降為的 SAE 模式與用於預測的 RNN 模式對整個區域淹水預報模式之影響，並 針對不同降雨類型所模擬的二維淹水網格數據以降維模式進行視覺化 呈現，分析不同雨型在區域淹水模擬結果之特徵。整個研究流程如圖 1.1 所示。

圖 1.1 研究流程圖

doi:10.6342/NTU202003855

5

1.4 論文章節架構

本文共分為五個章節：第一章為前言，包含研究動機與目的之說明 以及研究架構概述；第二章為文獻回顧，探討區域淹水預測方法及 RNN 與 ED 模式相關應用研究文獻；第三章為理論概述，簡介類神經網路及 本研究建構之 SAE-RNN 模式理論；第四章介紹研究案例與數據資料，

說明及討論區域淹水預測模式建置與數據分析結果；第五章為結論與 建議，總結模式建立過程中的重點並提出未來研究改進方向建議。

doi:10.6342/NTU202003855

6 doi:10.6342/NTU202003855

7

類神經網路(Artificial neural networks, ANN) 可以充分模擬高度非 線性的複雜系統，其透過學習輸入與輸出資訊間的關聯性，可省略中間 物理過程中參數設定的優勢，使其非常適合應用於地表資料蒐集不易 或系統複雜的水文模式建置工作，Nourani 等人(2014)及 Chandwani 等 人(2015)對過去應用類神經網路於水文及降雨-逕流的研究有綜合性的