5.1 結論
本研究利用朴子溪流域牛稠溪橋(1)水位測站，竹崎、番路雨量測站 2017 年一 整年之水位、降雨資料，分別建立支援向量回歸、灰色水位、線性回歸三種降雨—
—水位模式，以集水區降雨量預測河川水位。建立模式后，使用 2018 年三場降雨 事件分別作驗證，獲得以下結論：
1. 支援向量回歸模式在三場降雨事件中，決定係數分別爲 0.9902、0.9295、0.9147，
證明其在朴子溪中上游河段具有一定之預測能力，利用歷史資料訓練得到的模 式架構，可快速預測未來之水位。
2. 在輸入資料未經篩選與降噪之情況下，支援向量回歸模式仍具有相對較好的預 測能力，且優於其它兩種模式，證明其健壯性較強。
3. 然則受限於率定使用之降雨量推估方式、時間精度、資料雜訊，各模式在尖峰 水位之預測中均具有一定偏差。
4. 在朴子溪上游的三次降雨事件中，各預測模式均具有一定之洪水預測能力，綜 合精確度為支援向量回歸 ＞ 灰色模式 ＞ 線性回歸，推測支援向量回歸更擅 長處理資料量有限之情形。
5. 本研究使用三種預測模式中，線性回歸在某些評鑒指標中均具有較大劣勢。這 是由於水文過程中，降雨量與水位並非線性關係，若模式過度簡化，將引入較 大誤差。
5.2 建議
1. 本研究使用之資料種類及數量較為苛刻，比如將整年之資料不加篩選直接輸入
作為變數。後續研究可以考慮僅使用有降雨之時段作為訓練集，以減少資料中 的雜訊（Noise，即偏離期望值）。
2. 為達到快速預測之目的，研究僅使用上游兩個雨量站作為降雨參考，並未統計 區域內其餘地區雨量，預測精確度一般。在實際應用中若條件允許，應利用更 多雨量測站配合插值法，得到更加精確的上游集水區降雨量。同時，降雨產生 之徑流量也與地形、集水區邊界距離有關，如能對集水區構建 3D 地圖或者相 應的模式，可以更好地決定雨量站資料權重。
3. 在預測精度有限的情況下，研究未考量前置時間（Lead time）之模擬，故預測 時間停留在了三小時，未來研究可考慮增加此項。
4. 由於本研究之預測事件均為短時、高强度降雨，模式不一定適用於所有降雨情 形，未來研究應驗證盡可能多的降雨模式。
5. 朴子溪中上游的水性較為單純、坡短流急，降雨量與河川流量之相關度較高。
未來的研究若針對大型河川預測水位，應考量更多變數。
參考文獻
王如意、易任（1979）。應用水文學。茂昌圖書有限公司，臺北。
邓聚龙（1982）。灰色控制系统。华中工学院学报，10(3)，9-18。
夏軍（1989）。水文系統 DHGM 模型識別與實時灰色預測，灰色系統論文集。
莊文南（1993）。微分水文灰色模式之研究與應用。國立臺灣大學農業工程研究所 碩士論文。
包玉海、寶力格（1995）。改進 DHGM (2, 2) 模型。內蒙古師範大學學報: 自然科 學版，(2)，54-57。
駱尚廉（1995）。環境數學。茂昌圖書有限公司，臺北。
吳漢雄、鄧聚龍、溫坤禮、夏郭賢（1996）。灰色分析入門。高立圖書公司，臺北。
鄧聚龍、郭洪（1996）。灰預測原理與應用。全華科技出版社，臺北。
長江防洪系統即時調度研究編輯委員會（1997）。長江防洪系統即時調度研究。中 國水利電力出版社，北京。
鄧聚龍（1999）。灰色系統理論與應用。高立圖書有限公司，臺北。
盧瑞山、駱尚廉（2000）。類神經網路於土壤復育工程之應用。財團法人中興工程 顧問社。
國立臺灣大學生物環境系統工程學系（2001）。水文設計應用手冊。經濟部水資源 局。
張簡鳳蓮（2002）。結合模糊理論於濁水溪流域逕流預報模式之研究。國立成功大 學水利及海洋工程學系碩士論文。
樊新海、苗卿敏、王華民（2003）。灰色預測 GM (1, 1) 模型及其改進與應用。裝
甲兵工程學院學報，(2)，21-23。
張逸凡（2005）。支撐向量機在即時河川水位預報之應用。成功大學水利及海洋工 程學系碩士論文。
陳磊、張土喬（2006）。基於貝葉斯最小二乘支持向量機的時用水量預測模型。天 津大學學報(09)，1037-1042。
李明軒（2008）。支撐向量機與模糊推論於流量預報即時誤差修正之研究。成功大 學水利及海洋工程學系碩士論文。
劉鑌鋈（2009）。利用機器學習修正 QPESUMS 雷達估計降雨，成功大學水利及海 洋工程學系碩士論文。
劉新立譯（2008）。初級統計學。清華大學出版社，北京。Triola, M. F.(1986).Elementary statistics, Benjamin-Cummings Publishing Company.
國家標準 GB/T 22482-2008（2008）。水文情報預報規範。中華人民共和國水利局。
戴淩全、戴會超、蔣定國、李華、陳小燕（2010）。基於最小二乘法的河流水位流 量關係曲線推算。人民黃河，32(9)，37-39。
鄭又瑜、張良正（2011）。曾文水庫即時最佳防洪操作之研究。國立交通大學土木 工程研究所碩士論文。
中央氣象局（2015）。1897-2014 年侵臺颱風路逕分類統計。
（http://farmer.iyard.org/cwb/cwb.htm）
第五河川局（2017）。朴子溪環境生態簡介。水利署電子報，0238。
閆英男（2018）。基於灰色理論與機器學習的黑河地下水水位預測研究。蘭州大學。
霍文博、朱躍龍、李致家、馮鈞、周莉、孔俊（2018）。新安江模型和支持向量機 模型即時洪水預報應用比較。河海大學學報自然科學版，v.46(04)，283-289。
陳昆懋（2019）。國軍救災傳播策略之研究－以 2018 年花蓮 0206 震災與南臺灣 823 水災為例。國防大學政治作戰學院新聞碩士班，碩士論文。
第五河川局（2019）。局務介紹：朴子溪水系。
（https://www.wra05.gov.tw/13615/13616/13618/13624/16544）
ApacheCN（2019），scikit-learn (sklearn) 官方文檔中文版 0.21.3。
（https://github.com/apachecn/sklearn-doc-zh）
段生月、王長坤、張柳豔（2019）。基於正則化 GRU 模型的洪水預測。電腦系統 應用，28(5)，196-201。
鄭文吉（2020）。中央氣象局自動氣象站觀測資料彙整。
（http://farmer.iyard.org/cwb/cwb.htm）
感測資料-水利署河川水位資料。民生公共物聯網資料服務平臺。
（https://ci.taiwan.gov.tw/dsp/environmental_water_wra.aspx）
Cherkassky, V., & Ma, Y. (2004). Practical selection of SVM parameters and noise estimation for SVM regression. Neural networks, 17(1), 113-126.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
David Cournapeau, (2007). scikit-learn 0.23. (https://scikit-learn.org/stable/)
Glantz, S. A., Slinker, B. K., & Neilands, T. B. (1990). Primer of applied regression and analysis of variance (Vol. 309). New York: McGraw-Hill.
Han, D., Chan, L., & Zhu, N. (2007). Flood forecasting using support vector machines. Journal of hydroinformatics, 9(4), 267-276.
Hosseini, S. M., & Mahjouri, N. (2016). Integrating support vector regression and a geomorphologic artificial neural network for daily rainfall-runoff modeling. Applied Soft Computing, 38, 329-345.
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International journal of forecasting, 22(4), 679-688.
Nevo, S., Anisimov, V., Elidan, G., El-Yaniv, R., Giencke, P., Gigi, Y., ... & Tirumali, A.
(2019). ML for flood forecasting at scale. arXiv preprint arXiv:1901.09583.
Python Software Foundation,(2001). Python 3.7.7 (https://www.python.org/)
Sharifi Garmdareh, E., Vafakhah, M., & Eslamian, S. S. (2018). Regional flood frequency analysis using support vector regression in arid and semi-arid regions of Iran. Hydrological sciences journal, 63(3), 426-440.
Torres, R. A. (2013). Prediction of NBA games based on Machine Learning Methods. University of Wisconsin, Madison.
Vapnik, V., Golowich, S. E., & Smola, A. J. (1997). Support vector method for function approximation, regression estimation and signal processing. In Advances in neural information processing systems (pp. 281-287).
Vapnik, V. N. (1998). Statistical Learning Theory, Wiley, New York.
Wu, C. H., Ho, J. M., & Lee, D. T. (2004). Travel-time prediction with support vector regression. IEEE transactions on intelligent transportation systems, 5(4), 276-281.