• 沒有找到結果。

第四章 系統實現與案例展示

4.1 系統架構

本研究的系統架構圖如圖所示,分成三個階段: (1)歷史颱風案例收集、(2) 建 構評估相似度之模糊推論模組、(3)視覺化方式呈現,依序完成(圖 4-1)。

圖 4-1 系統架構 (一) 在歷史颱風案例收集階段

本研究收集 1996~2014 年間中央氣象局所建立之歷史颱風警報單,剔除未發布 警報與未歸類在九大路徑之颱風事件,共計 63 筆,依中央氣象局的颱風編號、

九大路徑、強度、經緯度座標、年代、颱風半徑、風速等颱風屬性,匯入歷史 颱風資料庫做為比對案例。

(二) 在建構評估相似度之模糊推論模組階段

本研究透過 Matlab 模糊控制工具箱建構評估相似度之模糊推論模組,建構模 糊推論模組主要是應用 Matlab 工具箱中所提供之模糊邏輯工具箱(Fuzzy Logic Toolbox),編輯所有模糊推論設定,包含設定模糊參數、隸屬函數、語言變數 及模糊規則等,其操作步驟可分為三項程序,依序為 FIS Editor、Membership Function Editor、Rule Editor,以下說明這三項程序:

1.模糊推論系統編輯器(FIS Editor,FIS 為 Fuzzy Inference System 的縮寫)

模糊推論系統編輯器用於設計和顯示模糊推理系統的一些基本資訊,如推理 系統的名稱,輸入、輸出變數的個數與名稱,模糊推理系統的類型、解模糊方法 等。其中模糊推理系統可以採用 Mandani 或 Sugeuo 兩種類型,解模糊方法有最大 隸屬度法、重心法、加權平均等。本研究使用的推論法則為 Mamdani 推論法則,

解模糊化之方法為重心法(圖 4-2)。

圖 4-2 模糊推論系統編輯器

2.隸屬函數編輯器(Membership Function Editor)

隸屬函數編輯器提供一個友好的人機圖形交互環境,用來設計和修改模糊推 理系中各語言變數對應的隸屬度函數的相關參數,也就是說編輯每個變數的隸屬 函數之形式、範圍、論域大小等,系統提供的隸屬度函數有三角、梯形、高斯形、

鐘形等,也可自行定義。

本研究對象為侵臺颱風,而侵臺颱風所導致之災害,主要原因為颱風所伴隨 的豪大雨與強風,其中以豪大雨為造成人員傷亡最嚴重的主因,因此本研究將造 成颱風降雨因子作為致災評估指標,並參考陳正斌於 2004 年發表的「應用模糊理 論於颱風降雨量之推估」中影響颱風之評估,分別為 30 浬暴風半徑、50 浬暴風半 徑、中心氣壓、近中心最大風速,作為評估指標。但由於本研究未蒐集到 30 浬暴 風半徑與 50 浬暴風半徑,因此本研究將 30 浬暴風半徑與 50 浬暴風半徑由七級暴 風半徑取代,最後在加入颱風移動方向指標,因為移動方向與降雨有一定的關聯 性,所以總體致災評估指標分別為七級暴風半徑、中心氣壓、移動方向與近中心 最大風速。本研究依據上述之評估指標建立每項指標的「模糊變數值」與其相對 應的隸屬函數數值,讓模組可以透過隸屬函數來判斷各項模糊規則的符合程度,

下面將各項指標之隸屬函數定義以及各項評估指標與相似程度的隸屬函數表與圖 分別列出:

2.1 近中心最大風速

不同的近中心最大風速可能造成降雨有不同的反應差異,故本研究參考中央 氣象局對颱風的強度分級,提出以快、中、慢共三種分類,並使用「梯形」隸屬 函數來表示該評估指標中隸屬函數分佈情況。

我們知道中央氣象局對颱風的強度,也就是近中心最大風速,有各別的固定 的區間,但本研究觀察至中央氣象局蒐集之資料,發現各類近中心最大風速區間 相較於中央氣象局所規定之固定區間具有重疊,靠近彼此的區間會有模糊空間,

因此本研究依據實際觀察之數據 15~55 作為模糊區間(表 4-1)。

表 4-1 近中心最大風速隸屬函數表

模糊區間屬性值 隸屬函數數值

快 15~33 公尺

中 28~51 公尺

慢 48~55 公尺

在近中心最大風速隸屬函數設定,由上述近中心最大風速隸屬函數表,我們 可以知道模糊區間為 15~55,所以我們先設定模糊範圍 15~55,在進行中心最大風 速快、中、慢共三種梯形隸屬函數設定,快的梯形隸屬函數參數設為[15 15 28 33],

中的梯形隸屬函數參數設為[28 33 48 51],慢的梯形隸屬函數參數設為[48 51 55 55]

(圖 4-3)。

圖 4-3 近中心最大風速隸屬函數圖

2.2 七級暴風半徑

一般而言颱風越強,其暴風半徑越大,位於同樣半徑的地方所感受的風力也 較強烈。至於暴風半徑的範圍程度則直接影響受颱風影響之範圍大小,與颱風警 報範圍有密切關係。由上述可知暴風半徑與颱風的強度有密切的關係,故本研究 參考中央氣象局對颱風的強度分級,針對暴風半徑提出以大、中、小共三種分類,

考量到不同中度颱風及強烈颱風七級暴風半徑將導致屬於不同隸屬函數,因此採 用「三角形」隸屬函數,輕度颱風因有其一致特性則採用「梯形」隸屬函數,而 靠近彼此的區間會有重疊,因此本研究依據至中央氣象局蒐集之數據 50~350 作為 模糊區間根據(表 4-2)。

表 4-2 七級暴風半徑隸屬函數表

模糊區間屬性值 隸屬函數數值

小 50~350 公里

中 100~350 公里

大 180~350 公里

在七級暴風半徑隸屬函數設定,由上述七級暴風半徑速隸屬函數表,我們可 以知道模糊區間為 50~350,所以我們先設定模糊範圍 50~350,在進行七級暴風半 徑大、中、小共三種不同隸屬函數設定,大的隸屬函數參數設為[180 265 350],中 的隸屬函數參數設為[100 225 350],小的隸屬函數參數設為[50 50 100 350](圖 4-4)。

圖 4-4 七級暴風半徑隸屬函數圖

2.3 中心氣壓

颱風中心氣壓可表示是颱風強度大小,中心氣壓越低,颱風的威力越大,夾 帶的水汽量也越大。Alliss et al. ( 1992 ) 的研究發現當颱風降雨量越大,其中心最 低氣壓值越低,颱風降雨量與其中心最低氣壓呈現反比關係,因此颱風所造成的 降雨量大小與颱風氣壓的變化有相關性。1979 年的狄普颱風,中心曾有 870 百帕 的紀錄,曾造成「400 年一次大洪水」的納莉颱風,中心氣壓最低則曾降到 960 百 帕。故本研究參考中央氣象局對颱風的強度分級,提出以低、中、高共三種分類,

輕度、中度、強烈颱風因有其一致特性,故採用「梯形」隸屬函數,而靠近彼此 的區間會有重疊,因此本研究依據至中央氣象局蒐集之數據 900~1000 作為模糊區 間根據(表 4-3)。

表 4-3 中心氣壓隸屬函數表

模糊區間屬性值 隸屬函數數值

高 970~1000 百帕 中度 930~980 百帕

低 900~935 百帕

在中心氣壓隸屬函數設定,由上述中心氣壓速隸屬函數表,我們可以知道模 糊區間為 50~350,所以我們先設定模糊範圍 50~350,在進行中心氣壓低、中、高 共三種不同隸屬函數設定,低的隸屬函數參數設為[900 900 930 935],中的隸屬函 數參數設為[930 935 970 980],高的隸屬函數參數設為[970 980 1000 1000](圖 4-5)。

圖 4-5 中心氣壓隸屬函數圖

2.4 颱風走向

颱風每次侵襲臺灣所造成的損失大小不一,但颱風路徑走向及降雨型式有一 定之關聯性,故參考蒐集之歷史颱風資料進行的走向分類,提出以北、北北西、

北北東、西、西北、西北西、西南、西南西、東、東北、東北東共 11 種分類,然 而颱風的走向是唯一值,因此走向具有其一致特性,故採用「梯形」隸屬函數,

雖然近彼此沒有模糊區間,但可透過之後的規則編輯器制定其規則來影響相似度,

各類數值如表 4-4。

表 4-4 颱風走向壓隸屬函數表

模糊區間屬性值 隸屬函數數值

北 1

北北西 2

北北東 3

西 4

西北 5

西北西 6

西南 7

西南西 8

東 9

東北 10

東北東 11

在走向隸屬函數設定,我們先設定模糊範圍 0~12,在進行走向各類不同隸屬 函數設定,須注意不要讓各類走向有接觸,這樣可能會干涉結果,以北和北北西 的隸屬函數參數為例,分別設為[0.5 0.5 1.4 1.4]、[1.5 1.5 2.4 2.4],其餘各類走向以 此類推(圖 4-6)。

圖 4-6 颱風走向隸屬函數圖

2.5 相似程度

本研究依據輸入的待估案例與經驗案例資料,進行各指標隸屬函數來判斷各 項模糊規則的符合程度,並對應到相似程度隸屬函數區間,相似程度隸屬函數區 間分別為極高、高、中、低、極低(表 4-5)。

表 4-5 相似程度隸屬函數表

模糊區間屬性值 隸屬函數數值

極高 4~6

高 3~5

中 2~4

低 1~3

極低 0~2

在相似程度隸屬函數設定,我們先設定模糊範圍 0~6,在進行各類不同隸屬函 數設定,極低的梯形隸屬函數參數設為[0 0 1 2],低的三角隸屬函數參數設為[0 0 1 2],中的三角隸屬函數參數設為[2 3 4],高的三角隸屬函數參數設為[3 4 5] ,極高 的梯形隸屬函數參數設為[4 5 6 6](圖 4-7)。

圖 4-7 相似程度隸屬函數圖

3.規則編輯器(Rule Editor)

規則編輯器通過隸屬度函數編輯器來設計和修改“IF...THEN”形式的模糊控

制規則,為建構本研究之模糊規則部分。由該編輯器進行模糊控制規則的設計非 常方便,它將輸入量各語言變數自動匹配,而設計者只要通過互動式的圖形環境 選擇相應的輸出語言變數,這大大簡化了規則的設計和修改。另外,還可為每條 規則選擇權重,以便進行模糊規則的優化,這是由於規則編輯器的權重設定會影 響輸出的隸屬度,其影響為該規則比對完畢之隸屬度會乘於使用者所設定之權重,

如下圖為同樣案例可是調整其規則權重所得隸屬度不同(圖 4-8)。

圖 4-8 權重比較圖

本研究基於考量 4 項評估指標對於評估當前颱風與歷史颱風案例是否相似,

因此決定輸入與輸出變數後,各評估指標又分別有不同的相似度程度,遂針對輸 出之相似度分為 5 個等級「極低、低、中、高、極高」,作為推理比對。比對規則 如下:

IF(Cwai 為低)and(Cexi 為低)THEN(相似度 極高)(權重值)

其中 下標 wa 代表待評估案例上標 i 代表需評定的 4 項致災評估指標, 下標

ex 代表經驗案例,上標 i 代表需評定的 4 項致災評估指標。指標表示對照項為 i=1 代表近中心最大風速,其規則權重都設為 0.6;i=2 代表七級暴風半徑,其規則權 重都設為 0.8;i=3 代表中心氣壓,其規則權重都設為 0.6;i=4 代表颱風走向,其 規則權重都設為 1。各指標的權重目前是根據比對訓練樣本與測試樣本,找出與當

ex 代表經驗案例,上標 i 代表需評定的 4 項致災評估指標。指標表示對照項為 i=1 代表近中心最大風速,其規則權重都設為 0.6;i=2 代表七級暴風半徑,其規則權 重都設為 0.8;i=3 代表中心氣壓,其規則權重都設為 0.6;i=4 代表颱風走向,其 規則權重都設為 1。各指標的權重目前是根據比對訓練樣本與測試樣本,找出與當

相關文件