4-1 研究範圍簡介
石門水庫興建主因為大漢溪上游陡峻，無法涵蓄水源，延及下游各地區常遭水 旱之苦；政府為解決民困、發展農業、興修水利，自民國四十五年七月展開興建石 門水庫工作，並於五十三年六月完工，歷時八載，參加員工七千餘人，建設經費約 達新台幣三十二億元，水庫總長度為十六．五公里，滿水位面積八平方公里，有效 蓄水量約二億四千萬立方公尺，為一多目標水利工程，具有灌溉、發電、給水、防 洪、觀光等效益。主要工程可分為大壩、溢洪道、排洪隧道、電廠、後池及後池堰、
石門大圳及桃園大圳進水口等結構物，自完工營運以來，對北部地區農業生產之改 良，工業之發展，人民生活水準提高，以及防止水旱災害等方面均有重大貢獻。
4-1-1 集水區概況
石門水庫集水區為台灣地區第三大水庫，以淡水河上游之大漢溪為其主流。
集水區東鄰台北縣、宜蘭縣，南接台中縣，西南與苗栗縣相鄰，主要行政區域劃 分隸屬桃園縣大溪鎮、龍潭鄉、復興鄉，新竹縣關西鎮、尖石鄉、五峰鄉及宜蘭 縣大同鄉。集水區總面積為76,340.49公頃，水庫庫容約為217 百萬立方公尺，石 門水庫流域圖如圖4-1：
圖 4-1 石門水庫流域圖(資料來源：北區水資源局網站)
石門水庫全部工程，包括以下九個主要部份: (石門水庫管理中心，2009) 一、水庫：
水庫長度16.5 公里，集水面積 763 平方公里，正常滿水位標高 245 公尺，呆 水位標高195 公尺，目前有效蓄水量 23300 萬立方公尺。
二、大壩：
水庫大壩為滾壓土石構造，壩高133 公尺，壩頂長度 360 公尺，寬度 10 公尺，
體積約為706 萬立方公尺。
三、溢洪道及排洪隧道
溢洪道為鞍部瀉漕型，堰頂長度100 公尺，設閘門六座，最大可能排洪量 11400 秒立方公尺；另於民國六十九年九月開工興建，七十三年一月底完工排洪隧道 1200 秒立方公尺，溢洪道及排洪隧道洩洪量共計 13800 秒
立方公尺。在確知颱風來臨前，可先降低水庫水位，以增加水庫防洪容量，並 於洪水發生時調節水庫蓄水量，以維大壩安全。
四、發電廠
(一)石門發電廠：裝置發電機二組，每組容量為四萬五千仟瓦。
(二)義興發電廠：裝置發電機一組，容量為四萬仟瓦。
五、後池及後池堰
後池堰頂長度為371.5 公尺；後池具有洩洪時之消能作用，設計可攔蓄發電尾 水220 萬立方公尺，調節供應桃園及下游灌溉與公共給水及工業用水。
六、石門大圳
石門大圳進水口設在大壩上游左岸，中心線標高193.55 公尺，為混凝土結構，
下接直徑2.5 公尺壓力隧道，長約 300 公尺，設計輸水量 18.4 秒立方公尺，主 幹渠長27 公里，支渠 18 條，共長 97 公里，分渠 44 條，共長 170 公里，全部 為混凝土襯砌結構，以減少輸水損失。
七、桃園大圳新進水口
桃園大圳進水口為一鋼筋混凝土結構物，寬4 公尺，高 5 公尺，頂封弧形閘門 兩座，設計輸水量16.8 秒立方公尺。
八、公共水場 九. 移民設施
4-2 資料來源與因子選定
本研究以石門水庫為主要研究對象，水質資料來自石門水庫管理局2004~2008 年之連續月之料，採樣站為水庫管理局於庫區內長期設置之監測採樣點，包含：阿 姆坪、龍珠灣、長興、仙島、壩頂等五個採樣點，其監測地點如圖4- 2 所示；水質 數據處理方法，將其五個測站之各項水質數據分別加總求取平均值後，視為當月分 該項水質數據；此外再以平均後之數據為基準，分別與各測站水質數據進行差異度
比較，除SS 項目變化量＜±25％外，其餘項目均＜±15％，於長時間差異性不大情 況下，使用五個測站數據求得平均值方法代表庫區水質情況，所得資料筆數共60 筆，其中前40 筆為訓練資料，後 20 筆為測試資料，運用迴歸分析及類神經網路分 析進行研究探討。
石門水庫管局所監測水質項目如下：水位、氣溫、深度、透明度、水溫、濁度、
pH 值、溶氧、懸浮固體量、正磷酸鹽、總磷、葉綠素 a…等。
圖 4-2 石門水庫水質採樣點
本研究目的在於預測水庫水質優養指標，將影響水庫優養重要指標之總磷
（TP）、葉綠素 a（chl-a）、透明度（SD）與監測因子採用時序相關性分析，相關 係數為-1 至 1 之間，係數為正，代表正相關，為負則代表負相關，絕對值越高，代 表關聯性越大，因子間相關性如表4-1。
經由相關性分析表，選定係數較高之因子，分別建立總磷、葉綠素a、透明度 之預測模式分別與線性迴歸及類神經網路進行分析與模式建立，類神經網路參數設 定流程圖如圖4-3 所示。
表 4-1 相關性分析表
表水總磷（TP） 表水葉綠素（chl-a） 表水透明度（SD）
導電度(M) -0.3144（ˇ） -0.0183 0.0162
水溫(℃) 0.2946 0.3072（ˇ） 0.2310
pH 0.2508 0.0179 -0.0513 溶氧量(mg/L) -0.0802 -0.0677 0.2983（ˇ）
BOD 0.2177 0.2149（ˇ） -0.2459（ˇ）
COD 0.2774 0.1318（ˇ） 0.0885 SS 0.6764（ˇ） 0.0002 -0.2418（ˇ）
氨氮 0.3152（ˇ） -0.0668 -0.1764
硝酸鹽氮 0.0205 0.1084（ˇ） -0.2216 入流量 0.2649（ˇ） 0.1244（ˇ） -0.4165 出流量 0.1336（ˇ） 0.0542（ˇ） -0.2208
（ˇ） 為選用因子
圖 4-3 傳統類神經網路參數設定流程圖
4-3 當月水質之訓練與驗證結果
4-3-1 總磷
首先，根據相關性分析，建立總磷模式，採用因子為相關係數>0.3(導電度、
SS、氨氮)，依前人研究結論建議加入進、出流流量能提升模式預預測能力，本 研究嘗試未加入流量因子，其迴歸實驗結果，訓練判定係數(R2)為 0.557，測試 判定係數(R2)為 0.042，其 RMSE 訓練為 0.025，測試為 0.023，加入流量因子後，
以線性迴歸分析結果如圖4-4 所示，訓練判定係數(R2)為 0.483，測試判定係數(R2) 為0.0041，其 RMSE 訓練為 0.028，測試為 0.028，如表 4-2 所示：
圖 4-4 迴歸分析 TP 折線圖
表 4-2 迴歸 TP 運算結果
training testing R2 0.483 0.0041 RMSE 0.028 0.028
本研究類神經使用軟體是以XL Miner 所建構，其類神經方法於未加入流量 因子前，訓練判定係數(R2)為 0.624，測試判定係數(R2)為 0.013，其 RMSE 訓練 為0.024，測試為 0.023，加入流量因子後，總磷模式架構如圖 4-5 所示，參數設 定經多次試驗所決定如表4-3 所示，實際值與預測值之 R2與RMSE 結果分別如 表4-4 所示：
圖 4-5 總磷模式架構圖
表 4-3 類神經之決定參數表 隱藏層
層數
隱藏層
處理單元數 學習速率 訓練 循環數
參數設定值 1 3 0.6 2000
表 4-4 類神經網 TP 運算結果
training testing R2 0.81 0.11 RMSE 0.016 0.023
迴歸與類神經之TP 運算後散佈圖如圖 4-6、4-7 所示：
Actual value (mg / l)
0.00 0.05 0.10 0.15 0.20 0.25
Predicted value (mg / l)
0.00 0.05 0.10 0.15 0.20 0.25
training testing
Actual value (mg / l)
0.00 0.05 0.10 0.15 0.20 0.25
Predicted value (mg / l)
0.00 0.05 0.10 0.15 0.20 0.25
training testing
圖 4-6 TP 迴歸運算結果散佈圖 圖 4-7 TP 類神經網路運算結果散佈圖
4-3-2 葉綠素a
依據相關性分析，建立葉綠素a 模式，採用因子為相關係數>0.1(水溫、BOD、
COD、硝酸鹽氮)，依前人研究結論建議加入進、出流流量能提升模式預預測能 力，本研究嘗試未加入流量因子，經迴歸實驗結果，訓練判定係數(R2)為 0.171，
測試判定係數(R2)為 0.422，其 RMSE 訓練為 2.720，測試為 2.436，加入流量因 子後，以線性迴歸分析結果如圖4-8 所示，訓練判定係數(R2)為 0.207，測試判定 係數(R2)為 0.269，其 RMSE 訓練為 2.661，測試為 2.401，如表 4-5 所示：
圖 4-8 迴歸分析 chl-a 折線圖
表 4-5 迴歸 chl-a 運算結果
training testing R2 0.207 0.269 RMSE 2.661 2.401
其類神經方法於未加入流量前，訓練判定係數(R2)為 0.610，測試判定係數(R2) 為0.468，其 RMSE 訓練為 2.216，測試為 2.021，加入流量因子後，類神經模式 架構如圖4-9 所示，參數設定經多次試驗所決定如表 4-6 所示，其類神經實際值 與預測值之相關係數與RMSE 結果分別如表 4-7 所示：
圖 4-9 葉綠素 a 模式架構圖
表 4-6 類神經之決定參數表 隱藏層
層數
隱藏層
處理單元數 學習速率 訓練 循環數
參數設定值 1 3 0.6 1500
表 4-7 類神經網 Chl-a 運算結果
training testing R2 0.542 0.402 RMSE 2.023 1.993
迴歸與類神經之chl-a 運算後散佈圖如圖 4-10、4-11 所示：
Actual value (g / l)
0 2 4 6 8 10 12 14
Predicted value (g / l)
0 2 4 6 8 10 12 14
training testing
Actual value (g / l)
0 2 4 6 8 10 12 14
Predicted value (g / l)
0 2 4 6 8 10 12 14
training testing
圖 4-10 chl-a 迴歸運算結果散佈圖 圖 4-11 chl-a 類神經網路運算結果散佈圖
4-3-3 透明度
依據相關性分析，建立透明度模式，採用因子為相關係數＞0.25(溶氧、
BOD、SS) ，依文獻所提流量對於透明度具影響力，本研究嘗試加入流量因子，
經迴歸實驗結果，訓練判定係數(R2)為 0.348，測試判定係數(R2)為 0.035，其 RMSE 訓練為0.402，測試為 0.681；加納入流量因子之線性迴歸分析結果如圖 4-12 所 示，訓練判定係數(R2)為 0.288，測試判定係數(R2)為 0.100，其 RMSE 訓練為 0.411，測試為 0.631，如表 4-8 所示：
圖 4-12 迴歸分析 SD 折線圖
表 4-8 迴歸 SD 運算結果
training testing R2 0.288 0.100 RMSE 0.411 0.631
類神經方法於加入流量因子，訓練判定係數(R2)為 0.608，測試判定係數(R2) 為 0.0004，其 RMSE 訓練為 0.313，測試為 0.793，未加入流量因子，其類神經
模式架構如圖4-13 所示，參數設定經多次試驗後所決定如表 4-9 所示，其類神 經實際值與預測值之相關係數與RMSE 結果分別如表 4-10 所示：
圖 4-13 透明度模式架構圖
表 4-9 類神經之決定參數表 隱藏層
層數
隱藏層
處理單元數 學習速率 訓練 循環數
參數設定值 1 2 0.6 2000
表 4-10 類神經網 SD 運算結果
training testing R2 0.554 0.158 RMSE 0.327 0.631
迴歸與類神經之SD 運算後散佈圖如圖 4-14、4-15 所示：
Actual value (m)
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Predicted value (m)
0.0 0.5 1.0 1.5 2.0 2.5 3.0
training testing
Actual value (m)
0.0 0.5 1.0 1.5 2.0 2.5 3.0
Predicted value (m)
0.0 0.5 1.0 1.5 2.0 2.5 3.0
training testing
圖 4-14 SD 迴歸運算結果散佈圖 圖 4-15 SD 類神經網路運算結果散佈圖
4-4 下一個月水質預測之訓練與驗證結果
利用水庫水質資料預測下一個月之總磷（TP）、葉綠素a（chl-a）、透明度（SD）
與監測因子採用時序相關性分析，相關係數如表4-11 所示：
表 4-11 相關性分析表
表水總磷（TP） 表水葉綠素（chl-a） 表水透明度（SD）
導電度(M) -0.3554（ˇ） 0.1632 -0.1355
水溫(℃) 0.3583（ˇ） 0.2048（ˇ） 0.1618（ˇ）
pH 0.2589（ˇ） -0.1987 0.1805（ˇ）
溶氧量(mg/L) -0.1040 -0.2161（ˇ） 0.4236（ˇ）
BOD 0.0612 0.3111（ˇ） -0.1414 COD 0.0605 0.2349（ˇ） -0.0489
SS 0.1946（ˇ） 0.0504 -0.1501（ˇ）
氨氮 0.0428 0.1256 -0.0436
硝酸鹽氮 0.0435 0.0908 0.0116
入流量 0.2025（ˇ） 0.0588（ˇ） -0.2742 出流量 0.1776（ˇ） 0.0463（ˇ） -0.1149
（ˇ） 為選用因子
依循相關性分析表、文獻及本研究預測當月份水質所得結果做為參考，於預測 總磷及葉綠素a 時將流量加入選擇因子，而進行透明度預測時將流量因子排除，其 餘選定相關係數較高之因子，分別建立總磷、葉綠素a、透明度之下一個月之預測 模式，使用線性迴歸及類神經網路進行分析與模式建立。
4-4-1 總磷
首先，根據相關性分析，建立總磷模式，採用因子加入流量，其餘選擇相關 係數＞0.2(導電度、水溫、pH、SS、入流量、出硫量)，以線性迴歸分析結果如 圖4-16 所示，訓練判定係數(R2)為 0.259，測試判定係數(R2)為 0.0064，其 RMSE
訓練為0.033，測試為 0.030，如表 4-12 所示：
圖 4-16 迴歸分析 TP 折線圖
表 4-12 迴歸 TP 運算結果
training testing R2 0.259 0.006 RMSE 0.033 0.030
類神經模式架構如圖 4-17 所示，參數設定經多次試驗所決定如表 4-13 所 示，其類神經實際值與預測值之相關係數與RMSE 結果分別如表 4-14 所示：
圖 4-17 總磷模式架構圖
表 4-13 類神經之決定參數表 隱藏層
層數
隱藏層
處理單元數 學習速率 訓練 循環數
參數設定值 1 3 0.6 1000
表 4-14 相關係數與 RMSE 之結果表 training testing R2 0.569 0.048 RMSE 0.027 0.030
迴歸與類神經之SD 運算後散佈圖如圖 4-18、4-19 所示：
Actual value (g / l)
0.00 0.05 0.10 0.15 0.20 0.25
Predicted value (g / l)
0.00 0.05 0.10 0.15 0.20 0.25
training testing
Actual value (mg / l)
0.00 0.05 0.10 0.15 0.20 0.25
Predicted value (mg / l)
0.00 0.05 0.10 0.15 0.20 0.25
training testing
圖 4-18 TP 迴歸運算結果散佈圖 圖 4-19 TP 類神經網路運算結果散佈圖
4-4-2 葉綠素a
根據相關性分析，建立葉綠素a 模式，採用因子加入流量，其餘選擇相關係 數＞0.2 (水溫、溶氧量、COD、BOD、入流量、出流量)，以線性迴歸分析結果 如圖4-20 所示，訓練判定係數(R2)為 0.119，測試判定係數(R2)為 0.241，其 RMSE 訓練為2.795，測試為 1.414，如，表 4-15 所示：
圖 4-20 迴歸分析 chl-a 折線圖
表 4-15 迴歸 SD 分析結果
training testing R2 0.119 0.241 RMSE 2.795 1.414
類神經模式架構如圖 4-21 所示，參數設定經多次試驗所決定如表 4-16 所 示，其類神經實際值與預測值之相關係數與RMSE 結果分別如表 4-17 所示：