基本類神經網路模式的建構過程中，需要正確的實測資料來提供 模式做為學習的目標以及模式驗證，選擇適當的輸入參數、網路結構 與規模，將決定模式模擬系統能力的好壞。正確的學習資料、有效的 輸入參數以及合適的類神經網路架構將提供類神經網路模式運算的 準確性及廣義化的正確性。基本類神經網路颱風波浪推算模式藉由收 集的波浪與颱風資料，依路徑及規模等建立模式學習資料，經學習訓 練後由類神經架構辨別不同颱風的路徑、規模與行為，建立颱風與波 浪之間的關係。
3-1 颱風波浪資料
類神經颱風波浪推算模式選擇台灣東部花蓮港外海觀測站的颱 風波浪資料進行模式的建構、學習與驗證，並嘗試推算接近花蓮測站 的蘇澳測站之颱風波浪，二個測站相關位置如圖3-1 所示。
颱風氣象資料的來源取自於三處為， Joint Typhoon Warning Center （JTWC， 網址 manati.wwb.noaa.gov）、Unisys Weather (網址 weather.unisys.com ) 及中央氣象局(CWB，網址 www.cwb.gov.tw)。波 浪資料取自交通部運研所港灣技術研究中心，颱風的名稱與發生時間 採用JTWC 發佈的資料，其中時間統一以格林威治時間(GMT)表示。
颱風氣象資料每6 小時一筆，波浪資料為每 1 小時一筆，測量波浪儀 器使用Woods Hole Instrument Systems SP-2200 波浪、潮汐量測儀，
每小時記錄20 分，原始資料的取樣頻率為 2.56Hz，波浪觀測站之位 置經緯度為（N23°58'45"E121°37'46"），測量點的水深平均約為25 公尺。
為配合波浪資料的時間間距，將颱風氣象資料利用3 次多項式內 差技術，內差颱風氣象資料時間間距同為 1 小時。所收集的颱風資料 中，選擇 9 場颱風當做類神經模式的學習資料，學習資料的選擇以颱 風運動行為相異為原則，經過整理較完整的颱風資料與波浪資料，如 表3-2 所示，學習資料的颱風路徑如圖 3-2 所示。所有學習資料經過 數據篩選過濾及內差後共計2500 筆資料。
42
表 3-1 颱風波浪推算模式花蓮測站颱風與波浪學習資料 年代 颱風名稱 颱風資料時段 波浪資料時段
Levi 05/25(1800)~05/30(0600) 05/25(1800)~05/30(0600) Opal 06/15(0600)~06/21(0600) 06/15(0600)~06/21(0600) 1997
Peter 06/23(0600)~06/29(0000) 06/23(0600)~06/29(0000) 1998 Otto 08/02(0000)~08/05(0600) 08/02(0000)~08/05(0600) 1999 Sam 08/18(0600)~08/23(0000) 08/18(0600)~08/23(0000) Jelawat 08/01(0000)~08/11(0000) 08/03(0800)~08/11(0000) Bilis 08/18(0600)~08/24(0000) 08/18(0600)~08/22(1200) Bopha 09/05(1800)~09/11(0600) 09/08(0400)~09/11(0600) 2000
Yagi 10/22(1200)~10/27(0600) 10/22(1200)~10/27(0600)
圖3-1 花蓮港、蘇澳港觀測站相關位置
43
圖3-2 類神經颱風波浪推算模式學習資料颱風路徑圖
類神經網路模式經過學習訓練的過程後，必須對模式學習訓練的 結果進行檢核，用來驗證模式推算能力與品質的資料為花蓮測站的 Gladys (1994)颱風、Kent (1995)颱風、Haiyan (2001)颱風以及蘇澳測 站的Maggie (1999)颱風，檢驗模式的颱風資料如表 3-2 所示，檢驗的 颱風路徑如圖3-3 所示。
表3-2 颱風波浪推算模式花蓮、蘇澳測站颱風與波浪測試資料 年代 颱風名稱 颱風資料時段 波浪資料時段 測站 1994 Gladys 08/19(0000)~
09/02(1800)
08/19(0000)~
09/02(1800)
花蓮
1995 Kent 08/24(0000)~
09/01(1800)
08/24(0000)~
08/30(2200)
花蓮
1999 Maggie 06/01(1200)~
06/06(1800)
06/01(1200)~
06/06(1800)
蘇澳
2001 Haiyan 10/11(1200)~
10/17(1800)
10/11(1200)~
10/17(1800)
花蓮
44
圖3-3 檢驗類神經颱風波浪推算模式颱風路徑圖
45
3-2 參數颱風風場模型
颱風風場模式描述的方式相當多，利用參數式建立不同颱風風場 模型，這些風場模式主要差別在於考慮影響颱風風場分佈的因素、邊 界條件以及規模的不同，如黏滯係數（viscosity coefficient）、拖曳係 數(drag coefficient)、柯氏力參數(Coriolis parameter)與颱風最大風速的 位置等，參數式颱風風場模式因為計算簡單、快速應用上較為廣泛，
但是在颱風運動行為複雜時無法完整描述真實颱風風場，因此應用在 颱風波浪計算時大多會產生不預期的誤差，但是符合快速計算的要 求。
目 前 較 為 常 用 的 颱 風 風 場 參 數 模 型 包 括 有 Rankine-Vortex model、SLOSH (Sea, Lake and Overland Surge from Hurricane )wind model 及 Holland wind model (1980)，以及以能量平衡方程式為基礎發 展的風場模式。颱風的行為受大氣環境與颱風結構特性所左右，而颱 風風場內的最大風速與颱風波浪的發展有直接的關係。各個颱風風場 模型的敘述如下：
1. Rankine – Vortex model
是使用參數 X 控制不同颱風半徑的風速分佈，颱風風速分佈可
0.4<X<0.6 (Hughes, 1952). 一般利用此模式進行颱風行為相關推 算時，X 大多設定為 0.5。
46
2. SLOSH wind model
目前是美國國家氣象局(National Weather Service , NWS)使用的 颱風風場模式，特別對海面風場做出修正 (Houston and Powell, 1994;
and Houston et al., 1999). SLOSH wind model 的風場分佈可以表示 為：
Rankine vortex model 及 SLOSH wind model 都需要最大風速半 徑Rmax與最大風速Vmax的量測值，而以颱風中心氣壓pc描述颱風的規 模及強度最為普遍，因此， Atkinson and Holliday (1977)利用北太平 洋的颱風資料建立了一個颱風最大風速Vmax與颱風中心氣壓pc的關係
3. Holland wind model
Holland wind model(1980)建立一個推算颱風風場內壓力與風速 分佈的公式為
47 風場內的影響，採用Jelesnianski (1966)建議式
Vf 4. Vickery and Skerlj (2000)
利用有限差分法建立基本風場模式，如公式（3-11）所示，在穩
CD為拖曳力係數（drag coefficient）。
Holland wind mode 模擬風場由於操作簡便且有令人滿意的模擬 能力，目前正被廣泛的使用，本研究亦採用Holland wind mode 做為 颱風風場計算的模式。
48
3-3 選擇輸入參數
類神經網路模式對於選擇輸入參數的方法分成兩個方式，一是利 用過去發展的經驗公式進行分析，選擇適合的參數描述颱風波浪的運 作。另一個方式是藉由波浪相關理論進行分析，以理論式為基礎尋找 具代表性的參數以便於有效的描述波浪的變化。
以經驗公式推算颱風的風場內示性波高Hs，必須配合風場分佈 來推算，對於風場外特定區域的颱風波傳遞為必須由風場內向外推 算。由於颱風風場內的颱風波浪向外傳遞時隨距離增加波高逐漸衰 減，因此一個穩定的颱風相對存在一個穩定的颱風波浪場，且相似路 徑的颱風行為其颱風波浪行為亦相似，於特定區域內颱風風場穩定且 移動緩慢的條件下，收集足夠多的颱風氣象與颱風波浪資料時，是可 以藉由颱風氣象及波浪資料統計、迴歸的方式建立颱風波高、週期與 颱風位置、規模的關係，參考公式（1-1）至（1-10）示性波高關係 式可以表示為：
(
, max, , 10, max,φ,λ)
1 pV V V R
F
Hs = Δ f (3-12) 若將經緯度φ、λ改以颱風眼為中心的極座標(r,θ1)，其中θ1為颱 風中心與觀測站間的方位角。考慮颱風移動速度影響颱風波浪傳遞的 因素，並假設Holland 風場模式可以建立Δp、 Vmax、 Vf、V10 、R及 颱風行進方向與觀測站夾角θ2的關係，公式（3-12）可以進一步簡化：
(
max , , ,θ)
2 V V r
F
Hs = f (3-13) 或
(
10, , ,θ)
3 V V r
F
Hs = f (3-14) 在能量平衡關係式中，颱風波浪的發展主要受到能量交換方式與 作用時間的影響。颱風輸入能量可以利用Holland 風場模式計算風場 對波浪的影響，推算點之水深一般在 10~25m，波浪碎波機率較少，
且底床摩擦力影響波浪低，所以假設實測波浪波高不受Sbot的影響。
若計算颱風波浪的區域有限制範圍，且 Snl及Sds只與颱風行為、
49
風場規模有關，考量颱風路徑及颱風停滯、加速、轉向等行為對颱風 波浪的影響時，就必須探討颱風過去時刻的行為。藉由連續時間的資 料輸入，可增加輸入參數間的關聯性，如連續時間的颱風的位置可取 代颱風移動速度Vf 。假設颱風模型的風場可以充分表達颱風風場特 性，由 Holland 風場模式得知V10與Vmax函數關係，藉由波浪推算區域 海面 10 公尺高風速V10的時序資料連續輸入表達風場的改變，因此可 由V10與颱風位置角r及θ1建立時序資料替代能量平衡方程式，考慮延 時的效應時，將觀測點波高與颱風規模及位置表示為：
( ) ( ) ( )
[
F V r t F V r t F V r t n]
F t
Hs( ) = 4 10, ,θ1; , 4 10, ,θ1; −1,L, 4 10, ,θ1; − (3-15) 其中n為影響t時刻颱風波浪的延遲時間。
50 之模式分別命名為NN1-1、NN1-2 及 NN1-3，而以式（3-17）的類神 經架構模式設定為NN2。
51
的模式輸入Vf、V10、r、θ1等4 個參數。
將Vmax與颱風波浪的關係區分 10 個等級(separation regions)，Vf 與 颱風波浪的關係區分10 個等級， r與颱風波浪的關係區分150 個等 級， θ1與颱風波浪的關係區分 36 個等級， θ2與颱風波浪的關係區 分10 個等級，5 個參數共可區分出 5.4×106個區間(separation regions)，
由Mirchandani （1989）建議，如式（2-23）。
因此在類神經組織結構第一個隱藏層使用 60 個神經元，為了優 選第一個隱藏層輸出中較重要的參數組合，第二個隱藏層採用第一個 隱藏層神經元的一半 30 個神經元。輸出為波浪的示性波高HS,p，三 組為（5-60-30-1）、（5-60-30-1）與（4-60-30-1）網路。
以式(3-17)為基礎的 NN2 模式假設風場作用測站在相同風速及 相同颱風運動軌跡條件下，波浪分佈會有相同的變化，所以模式利用 測站的風速V10與颱風位置r、θ 作為輸入參數。式(3-17)輸入參數為 V10、r及θ 與公式(3-16)不同外，式(3-17)增加了輸入參數V10、r及θ 的
前n 小時資料作為輸入資料，利用類神經網路自我學習修正的特性建
立輸入資料與示性波高Hs及週期Ts間的關係，同樣利用第一隱藏層 中大於輸入參數個數的神經元建立不同時間的輸入參數間不同權重 的組合，第二隱藏層仍然對第一隱藏層的神經元做權重的調整及組 合，修正隱藏層神經元間不同的權重值，建構輸入參數的時間序列與 示性波高HS,p間的函數關係。
通常颱風波浪的週期約 10-15 秒，當颱風波浪週期為 12 秒波浪 波速約18.72 m/s 當由颱風中心向外傳遞 1500 km 需時 22.25 小時。
因此，模式考慮的延時範圍選取 24 小時，所以模式以颱風 24 個小時 內移動的位置作為颱風位置及軌跡的特性，建立颱風軌跡、風速與示 性波高及週期間的關係。模式的輸入為24 個小時內的V10、r及θ 的資 料，為降低類神經網路結構的複雜性，將以每2 小時的V10、r 及 θ 的 資料值為輸入資料，即I(t)、I(t−2)、I(t−4)L I(t−24)時刻的V10、r及 θ 共39 個輸入參數。在類神經組織結構第一個隱藏層使用 80 個神經 元，第二個隱藏層採用40 個神經元，輸出為波浪示性波高HS，即為
52
（39-80-40-1）網路。
NN2 模式的結構設定因時序列輸入不適合使用式（3-18）來計 算。不適合的類神經網路結構通常無法充分表達較複雜的模擬，同時 也容易產生較大的推算誤差，複雜網路結構的決定通常沒有固定的規 則，大多依賴經驗法或試誤法做決定網路架構的基礎。若此情況，有 二種方式來確認類神經網路架構，一是由學習資料的數量判別，另一
NN2 模式的結構設定因時序列輸入不適合使用式（3-18）來計 算。不適合的類神經網路結構通常無法充分表達較複雜的模擬，同時 也容易產生較大的推算誤差，複雜網路結構的決定通常沒有固定的規 則，大多依賴經驗法或試誤法做決定網路架構的基礎。若此情況，有 二種方式來確認類神經網路架構，一是由學習資料的數量判別，另一