第六章 地下水參數檢定系統應用於濁水溪流域
6.3 綜合討論
6.3.2 土地利用現況可能抽水量分布分析
由第一層補注量分布情形圖可知，濁水溪沖積扇補注量多集中在靠近 山麓的地區，與山區雨量多且多為礫石層，入滲量大的情形相符。而在雲 林地區接近濁水溪出海口的地方，則因該處土層水力傳導係數較大，且因 第一層與第三層間無阻水層，所以補注量較其他地區稍大一些。
由第三層與第五層抽水量分布可知，抽水量較大的地區多分布在沿海 及鐵路車站附近，由內政部土地使用資料(如圖 6.3-4、圖 6.3-5)及 Google 衛星地形圖(如圖 6.3-6、圖 6.3-7、圖 6.2-8)進一步比對可發現，沿海地區有 許多養殖漁業，魚池遍佈，因此地下水抽取量較多；而在鐵路車站附近，
為都市的中心，工業區則位於都市外圍，形成一個人口密集，工業發達的 區域，因此可推測這些區域為地下水使用量較大之區域。
經現地概況分析可發現，本研究檢定後之抽水量或淨補注量之分布與 現地狀況近似，如此即可證明本研究設計之參數檢定規則應用在實際案例 仍深具可信度，且具有實際應用之能力。
圖6.3-4 第三層抽水較大區域與土 地利用
圖6.3-5 第五層抽水較大區域與土 地利用
圖6.3-6 第三層抽水較大區域與衛 星地形圖
圖6.3-7 第五層抽水較大區域與衛 星地形圖
圖6.3-8 放大漁塭地區之衛星地形圖 6.3.3 分區間交互影響特性分析
為了進一步觀察濁水溪沖積扇之上下層分區交互影響之特性，因此從 中挑選 7 個分區，並對其檢定過程進行分析，選定區域分別為六合(1)、豐 榮(1)、箔子(1)、石榴(2)、瓊埔(1)、虎溪(3)、豐榮(3)，其中六合(1)表示在 第一含水層且位於觀測井六合所屬分區的範圍。其檢定過程之Q 值變化如 圖6.3-9 所示。這 7 個分區分別位於不同分層之上、下游。從調整過程可以 發現，系統會先大幅修正第一層主要補注區，接著在大幅修正下層的抽水 區域，直至修正到趨近合理值，再回去小幅修正第一層補注區，如此來回 修正到系統收斂而停止。
-4000 -3000 -2000 -1000 0 1000 2000 3000 4000 5000 6000 7000
0 50 100 150 200 250
調整次數
Q(cmd)
六合(1) 豐榮(1) 箔子(1) 石榴(2) 瓊埔(1) 虎溪(3) 豐榮(3)
圖6.3-9 Q 值檢定過程
接著再觀察同一分層之分區間交互影響的特性，因此選取同一分層間 的7 個分區進行比較，所選取的 7 個分區為六合(1)、田中(1)、西螺(1)、竹 塘(1)、合興(1)、香田(1)、豐榮(1)，這些區域都位於第一層，其中六合(1)、
田中(1)為上游分區，西螺(1)、竹塘(1)、合興(1)為中游分區，香田(1)、豐 榮(1)為下游分區，調整過程如圖 6.3-10 所示。從調整過程可發現，位於上 游的六合(1)、田中(1)會先大幅調整至一合理區域，接著中、下游區域才開 始大幅調整，由於下游區域與主要補注區距離很遠，所以受影響較小，較 快調整至合理值後就不再變動，當調整過程至尾聲時，可發現僅剩上游與 中游區域互相來回調整。
-2000 -1000 0 1000 2000 3000 4000 5000 6000 7000
0 50 100 150 200 250
調整次數
Q(cmd)
六合(1) 田中(1) 西螺(1) 竹塘(1) 合興(1) 香田(1) 豐榮(1)
圖6.3-10 Q 值檢定過程
綜合本節分析可發現，由於表層之上游地區為整體模式主要補注區，
因此調整抽水或補注，對整體模式水位影響較大，所以於檢定初期會先大 幅調整，此外因為濁水溪沖積扇在上游與中游處之水力傳導係數甚大，並 且在上游處，因垂向土層之通透性良好，所以上層主要補注區域與鄰近中 遊區域和附近下層區域極易互相影響，而需較多次跌代，才能調整至合理 值。而在下游地區，因受上游補注影響，所以會在上游區域修正至趨近合 理值後，才會開始大幅調整，且因其影響區域較少或接近定水頭邊界，因 此會較上、中遊區域較快調整至合理值。
6.3.4 專家系統之推論邏輯說明
由以上全區均方根誤差以及 Q 值檢定過程可發現，約在第 72 次至第 78 次調整時，全區均方根誤差及部份區域 Q 值調整量均有較大幅變動，因 此將選定六合(1)之第 72 次至第 78 次調整觀察專家系統之推論進行解釋，
其推論過程如圖 6.3-11 所示。第 72 次調整方向為正，調整量不變。而第
73 次 及 第 74 次 調 整 ， 兩 次 誤 差 改 變 量 均 低 於 設 定 門 檻 ( 即 Rule calibrating_adjust 之判斷結果)，因此須放大調整量。至第 75 次調整，調整 量已不需再放大，接著判斷調整方向與上次相同，調整量不變。第 76 次調 整，調整方向改變，調整量減半。而第77 次調整時為抽乾的狀態，所以調 整方向再改為正，而因調整方向改變，所以調整量減半。第 78 次調整時，
調整方向又與上次相反，所以調整量再減半。這一段專家系統解釋輸出，
可以瞭解當誤差改變率低於設定門檻時，調整量會放大，而再持續調整幾 次後，調整量又會再逐漸縮小，使最終答案趨近於合理值。
iteration: 72 z: 1 x: 51 y: 49 sim_head: 36.4599
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_plus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> 15.625) MSG << put-modified_q ED:2 (<Instance-thefact> 15.625)
iteration: 73 z: 1 x: 51 y: 49 sim_head: 36.5931
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 calibrating_increase: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> 78.125) MSG << put-modified_q ED:2 (<Instance-thefact> 78.125)
iteration: 74 z: 1 x: 51 y: 49 sim_head: 37.2331
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 calibrating_increase: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> 390.625) MSG << put-modified_q ED:2 (<Instance-thefact> 390.625)
iteration: 75 z: 1 x: 51 y: 49 sim_head: 29.5186
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_plus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> 390.625) MSG << put-modified_q ED:2 (<Instance-thefact> 390.625)
iteration: 76 z: 1 x: 51 y: 49 sim_head: 56.8244
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_minus_correction: [thefact]
FIRE 15 negi_min_deltQ: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> -195.3125) MSG << put-modified_q ED:2 (<Instance-thefact> -195.3125)
iteration: 77 z: 1 x: 51 y: 49 sim_head: -888
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_plus_correction: [thefact]
FIRE 15 posi_min_deltQ: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> 97.65625) MSG << put-modified_q ED:2 (<Instance-thefact> 97.65625)
iteration: 78 z: 1 x: 51 y: 49 sim_head: 43.2029
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_minus_correction: [thefact]
FIRE 15 negi_min_deltQ: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> -48.828125) MSG << put-modified_q ED:2 (<Instance-thefact> -48.828125)
圖 6.3-11 六合(1)之第 72~78 次推論過程
接著再觀察同一次調整，不同區域之變化差別，乃選定六合(1)、田中 (1)、西螺(1)、竹塘(1)、合興(1)、香田(1)、豐榮(1)，這 7 個區域之第 50 次 調整，即此系統之調整初期來進行觀察，其推論過程如圖 6.3-12 所示。可 知於第50 次調整時，各參數調整量均不變，保持與上次調整量相同，其主 因為於調整初期，各參數均持續向合理值接近而未有震盪情形，因此調整 量(ΔQ)修正至一個適當值後，便會維持於此穩定值。此外從專家系統第 50 次調整所解出之調整量也可看出，位於上游之六合(1)、田中(1)在調整初期 調整量較大，而位於中、下游之西螺(1)、竹塘(1)、合興(1)、香田(1)、豐榮 (1)，初期調整量較小，此亦證實上游會先大幅調整之傾向。
iteration: 50 number: 竹塘(1) z: 1 x: 37 y: 39 sim_head: 20.3345
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_minus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> -7.8125) MSG << put-modified_q ED:2 (<Instance-thefact> -7.8125)
iteration: 50 number: 豐榮(1) z: 1 x: 25 y: 46 sim_head: 1.60761
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_plus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> 3.90625) MSG << put-modified_q ED:2 (<Instance-thefact> 3.90625)
iteration: 50 number: 田中(1) z: 1 x: 54 y: 39 sim_head: 34.5468
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_plus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> 62.5) MSG << put-modified_q ED:2 (<Instance-thefact> 62.5)
iteration: 50 number: 西螺(1) z: 1 x: 41 y: 46 sim_head: 24.6618
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_minus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> -7.8125) MSG << put-modified_q ED:2 (<Instance-thefact> -7.8125)
iteration: 50 number: 香田(1) z: 1 x: 32 y: 37 sim_head: 18.9913
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_minus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> -7.8125) MSG << put-modified_q ED:2 (<Instance-thefact> -7.8125)
iteration: 50 number: 合興(1) z: 1 x: 41 y: 35 sim_head: 18.3421
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_minus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> -7.8125) MSG << put-modified_q ED:2 (<Instance-thefact> -7.8125)
iteration: 50 number: 六合(1) z: 1 x: 51 y: 49 sim_head: 36.0316
FIRE 1 initialization: [thefact]
FIRE 10 calibrating_adjust: [thefact]
FIRE 11 belonging: [thefact]
FIRE 12 first_dry: [thefact]
FIRE 13 calibrating_direction: [thefact]
FIRE 14 calibrating_plus_correction: [thefact]
MSG >> put-modified_q ED:2 (<Instance-thefact> 62.5) MSG << put-modified_q ED:2 (<Instance-thefact> 62.5)
圖 6.3-12 選定區域之第 50 次推論過程
以上專家系統之推論過程可說明每次調整時所啟動的規則，因此使用 者僅需回溯推論過程，即可瞭解如此調整之根據及調整後之意義。往後若 對任何區域之調整過程有疑點時，均可使用此機制釋疑，並讓使用者能完 全掌握最後答案之演繹。
6.3.5 穩態模式之檢定結果討論
本研究使用穩態模式進行模擬，相較於暫態模式較為簡化，參數也較 少，使得檢定速度會較快，並且較能掌握模式之基本性質，如長期水流方 向，平均抽水量，抽水量分配等。此外穩態模式也較易驗證系統架構以及 各種系統假設。然相較於暫態模式就無法反應任何與時間變化相關的動態 行為，如豐、枯年之抽水與補注變化或是每年、每月地下水之下降與回升 情形。
經由本研究檢定結果並參考相關研究文獻，可知濁水溪沖積扇其補注 量或抽水量均有所不同，歸納其原因除了研究方法與檢定區域有所差別 外，完善觀測井網的建置，使得檢定結果變得更精細，小區域內之大量抽 水或補水變得更易反應，而當地產業逐漸發達或移轉，以及各年降雨之變
化，都是檢定結果有所變化的主因，估計未來之檢定研究將更能掌握濁水 溪沖積扇之本質，使檢定結果更為精確。
第七章 結論與建議
7.1 結論
1. 本研究結合專家系統及地下水模式(MODFLOW)發展自動化地下水參 數檢定系統，系統中之檢定規則主要依據模擬水位與觀測水位之誤差及 質量守恆原則訂定。
2. 應用案例結果顯示，本系統在給定合理的邊界條件及地下概念分層，可 檢定出合理的淨補注量及抽水量，證實本系統之適用性及正確性，為地 下水參數檢定提供另一個客觀、具體和可行的途徑。
3. 由於本研究結合專家系統，而專家系統提供推論解釋之能力，使得本研 究參數檢定過程及結果可以理解及解釋。
4. 經本研究所開發之系統檢定後，濁水溪沖積扇之淨補注量為每年 12.41 億噸，淨抽水量為每年12.75 億噸，第三分層抽水量為每年 6.44 億噸，
第五分層抽水量為每年5.54 億噸。
5. 分析濁水溪沖積扇檢定後之抽水分布，經與現地土地利用所反映之可能 用水情況比對分析後，發現兩者有一致的趨勢，可證明本研究結果具相 當的可信度。
6. 經淨抽水量檢定過程深入分析發現，上、中游地區為模式主要補注區，
對整體地下水位影響較大，因此檢定初期主要在調整此兩區之參數值，
接著下游區域才有較大幅變動。另外因上、中游易互相影響，所以需較 多迭代次數，調整至合理值。下游地區因影響區域較少，且表層鄰近定 水頭邊界，下層阻水層較完整，所以可較快調整至合理值。
7.2 建議
1. 由於專家系統的知識庫可持續累積，故未來遇到特殊邊界條件或特殊地 質情況，可於知識庫中增加新的規則，將能適用於這些地區，而不需重 新建置新的系統。
1. 由於專家系統的知識庫可持續累積，故未來遇到特殊邊界條件或特殊地 質情況，可於知識庫中增加新的規則，將能適用於這些地區，而不需重 新建置新的系統。