其中 x 為原數值、y 為訓練後的數值、n 為個數。
3. 結果分析
3.1 模型分析結果
平均絕對誤差(Mean Absolute Error, MAE)
n i x i y i n 1
MAE 1 (5)
均方根誤差(Root Mean Square Error, RMSE)
以 及 平 均 絕 對 百 分 比 誤 差(Mean Absolute Percentage Error, MAPE)
1 100
進行評估。Makridakis (1993)建議使用 MAPE 做為 評估結果，因 MAPE 能整合不同衡量指標的最佳
研究利用變異數影響因子(Variance Inflation Factor, VIF)檢定預測變數間共線性的量化指標(陳 係數(R)為 0.97，均方根誤差(RMSE)為 0.36 K，平 均絕對百分比誤差(MAPE)為 1.03%。圖 4 則為小 時資料，模型測試資料的R 為 0.97，RMSE 為 0.36，
MAPE 為 1.3%。
(4)
(6)
表3 日平均與小時資料共線性檢定分析表
日平均 小時
允差 VIF 允差 VIF
大氣溫度， airt
Xi .756 1.323 .843 1.186
衛星方位角，Xiag .926 1.080 .934 1.071
相對溼度， rh
Xi .837 1.194 .856 1.168
相對濕度合成均方根誤差值， rh std
Xi _ .864 1.158 .933 1.072
風速，Xiwspd .862 1.160 .942 1.061
風速合成均方根誤差值， wspd
Xi .790 1.266 .933 1.072
風向， wd
X i .935 1.069 .955 1.047
長波幅射淨值， nlwrs
Xi .852 1.173
(a)
(b)
圖3 日平均資料網路訓練結果(a)、日平均資料網路訓練 MSE 陡坡圖(b)
(b)
圖4 小時資料網路訓練結果(a)、小時資料網路訓練 MSE 陡坡圖(b) (a)
表 4 是日平均資料與小時資料倒傳遞類神經 網路權重值正規化後的統計表。日平均與小時的網 路權重表中，Xiairt權重順位都是第一，表現出明顯 的影響力，代表在熱帶海洋地區，大氣溫度是左右 海面溫度最重要的因素。第二順位的因素在日平均 與小時資料中並不相同，Xiws_std是小時資料中的第 二重要因子，但在日平均資料中則排第4。推論當 大 氣 受 到 日 照 影 響 下 ， 大 氣 中 的 熱 潮 現 象 (Atmospheric Thermal Tide) 會 造 成 半 日 緯 向 風 (Semidiurnal Zonal Wind) (Deser, 1994; Ueyama &
Clara, 2008)，造成日平均資料中的風速變化模糊了
std ws
Xi _ 對海面溫度解釋能力，同時太平洋赤道地區 長年固定吹的是東風，造成數據變量不足。相對溼 度部分，日平均與小時資料分析結果一致，推論研
究區域的相對濕度在相同的時間尺度上較風速穩 定。
以 CCP=2%的類神經網路訓練結果如圖 5 說 明，使用模型測試資料預估海面溫度與實測資料的 相關係數為0.97，RMSE 為 0.38 K，MAPE 為 1%。
網路權重表(表 5)中，大氣溫度與相對溼度對 各隱藏層神經元的權重值相對比其他變數來得 高，特別是Xiairt_RMSE權重最高，其次為Xiairt，第三 則是Xirh。
其他不同CCP 資料的分析結果如表 6 說明，
從表中的各項數值可看出 CCP 對類神經網路分析 的結果影響有限，無論模型使用訓練資料或是驗證 資料，各個RMSE 值均在 0.38 K 以下，相關係數 (R)均為 0.97，MAPE 值也在 1.1%以下。
表4 倒傳遞類神經網路權重表
日平均資料 小時資料
ag
Xi Xiairt Xiwspd Xiws_std Xirh_std Xirh Xiwd Xinlwrs Xiag Xiairt Xiwspd Xiws_std Xirh_std Xirh Xiwd F1 0.16 0.20 0.02 0.09 0.10 0.08 0.10 0.27 0.02 0.01 0.00 0.13 0.60 0.16 0.07 F2 0.01 0.47 0.01 0.14 0.24 0.03 0.07 0.03 0.08 0.32 0.04 0.17 0.09 0.26 0.04 F3 0.01 0.10 0.01 0.03 0.57 026 0.01 0.02 0.13 0.31 0.09 0.34 0.02 0.03 0.08 F4 0.04 0.38 0.01 0.02 0.18 0.33 0.04 0.02 0.05 0.56 0.00 0.21 0.02 0.15 0.01 F5 0.03 0.50 0.03 0.03 0.19 0.22 0.00 0.00 0.04 0.27 0.02 0.22 0.24 0.19 0.02 F6 0.15 0.05 0.03 0.18 0.07 0.35 0.10 0.06 0.02 0.44 0.06 0.02 0.11 0.13 0.21 合計 0.39 1.70 0.11 0.49 1.35 1.26 0.31 0.39 0.34 1.91 0.22 1.10 1.08 0.92 0.43
順序 6 1 8 4 2 3 7 5 6 1 7 2 3 4 5
圖5 使用小時資料的網路訓練圖(a)、使用小時資料的網路訓練 MSE 陡坡圖(b) (b)
(a)
比較日平均及小時資料修正前後的海面溫度 與TAO 海面溫度(圖 6、7)，發現原始 GOES 海面 溫度在低溫(<28 oC)時會有高估實際海面溫度的現 象，而在海面溫度較高時(28 oC)會有低估的現
象，經本研究模型修正後，此現象有明顯的改善。
研究結果表現倒傳遞類神經網路對於日平均資料 與小時資料都具有良好的分析能力，並有穩定的結 果呈現。
表5 倒傳遞類神經網路權重表(CCP=2%)
ag
Xi Xirh Xiwd Xiws_std Xiwspd Xiwspd_std Xiairt Xiairt_std F1 0.06 0.23 0.11 0.00 0.02 0.00 0.12 0.45 F2 0.01 0.21 0.02 0.22 0.05 0.21 0.13 0.15 F3 0.02 0.22 0.03 0.29 0.07 0.24 0.09 0.05 F4 0.01 0.11 0.01 0.02 0.01 0.11 0.30 0.44 F5 0.00 0.11 0.03 0.01 0.30 0.02 0.43 0.11 F6 0.05 0.07 0.01 0.00 0.03 0.02 0.07 0.76 合計 0.15 0.95 0.21 0.54 0.48 0.60 1.14 1.96
順序 8 3 7 5 6 4 2 1
表6 不同 CCP 值的 RMSE、R、MAPE 比較
CCP 1% 2% 10% 20%
訓練資料 RMSE 0.37 0.38 0.38 0.38
驗證資料 RMSE 0.37 0.38 0.38 0.38
原始資料 R 0.97 0.97 0.97 0.97
訓練資料 R 0.97 0.97 0.97 0.97
驗證資料 MAPE 1.0% 1.0% 1.1% 1.0%
圖6 日平均資料 TAO 海面溫度與 GOES 海面溫度之比較(a)、日平均資料 TAO 海面溫度與模型推估海面 溫度之比較(b)
圖7 小時 TAO 海面溫度與 GOES 海面溫度之比較(a)、小時 TAO 海面溫度與模型推估海面溫度之比較(b)
(a) (b)
(a) (b)