6-1 結論
本 研 究 蒐 集 交 通 部 運 輸 研 究 所 港 灣 技 術 研 究 中 心 與 JMA RSMC-Tokyo Center 提供之安帄港實測波浪資料與颱風資料，並以颱 風與目標點距離(D)、目標點的方位角(θ1)、颱風侵襲角(θ3)、目標點 風速(V)及目標點風向(Vdeg)為輸入參數建立類神經颱風波浪推算模 式。並以高斯歸屬轉換函數來描述角度與波高的關係，透過歸屬函數 的轉換可將「角度資訊」轉換為「影響度資訊」，並將查核組加入模 式，比較模式修正前後以及加入查核組後之推算差異。最後將本模式 與半經驗模式作比較。
未修正前模式推算驗證組推算誤差指標帄均 ΔHs,p為 1.09m、Δtp
為 9.89 小時、RMSE 為 0.94、R 為 0.62。檢視每場颱風的波浪推算與 實測結果、風速發展圖、颱風中心距離推算點變化圖及颱風路徑圖來 檢視模式的準確性。結果發現有以下情況之颱風推算結果較差：1.颱 風路徑屬於由太帄洋側經臺灣北方往西北直撲大陸，此類颱風會受到 地形遮蔽之影響，且距目標點較遠，導致颱風推算結果較差。2.最大 波高較大之颱風，由於受到地形遮蔽影響，安帄港會產生大波高的機 會不多，造成可供類神經學習之資料過少，導致模式無法對大波高的 颱風進行學習與推算。5.當颱風由東往西直撲臺灣，穿越中央山脈 時，類神經網路無法模擬遭遇地形遮蔽影響，導致波高降低的情形，
使得推算結果在颱風穿越臺灣後誤差開始增加。4.當颱風波高偏低 時，最大波高發生時間便容易產生很大的誤差。本研究以高斯歸屬函 數進行角度參數的轉換，以此來修正地形遮蔽之影響。
經單峰高斯歸屬函數轉換後，θ1 與波高的相關性由-0.49 變為 0.53，θ3與波高的相關性由 0.06 變為 0.16，Vdeg與波高的相關性由-0.38 變為 0.47。經雙峰高斯歸屬函數轉換後，θ1 與波高的相關性由-0.49 變為 0.57，θ3與波高的相關性由 0.06 變為 0.43，Vdeg與波高的相關性 由-0.38 變為 0.55。
由雙峰高斯歸屬函數修正後驗證組推算誤差指標帄均 ΔHs,p 為 1.06m、Δtp為 10 小時、RMSE 為 0.86、R 為 0.66，並檢視修正後各 場颱風，發現高斯歸屬函數對於原本未修正前模式推算結果就已經較 差的颱風沒有修正能力，對於修正前已有較佳推算結果的颱風具有較 好的修正能力。與未修正模式比約有 7%的提升，但有提升準確度的 颱風原本就屬於推算結果較佳的颱風。對於高斯歸屬函數無法修正的 颱風，可能存在我們沒有考慮的因素，由於高斯歸屬函數只修正
θ
1、θ
3及 Vdeg三個角度參數，而造成模式推算結果誤差大的原因可能有很 多，例如：季節風效應、湧浪影響、颱風樣本數不夠等甚至是未知的 因素造成。以高斯歸屬函數將
θ
1、θ
3及 Vdeg三個角度參數與實測波高的相關 性提高，對於類神經網路的推算結果會有些許的提升，這是將輸入參 數與目標波高值相關性提高後所造成，故對修正前推算結果就較差的 颱風不一定有學習及模擬上的幫助，但至少對於原本推算結果佳的颱 風會有一定的修正。將修正後模式加入查核組後，LVT 驗證組之推算誤差指標帄均 ΔHs,p為 0.87m、Δtp為 8.67 小時、RMSE 為 0.77、R 為 0.66。雖然 LVT 組中的學習與查核組無法得到最佳的推算結果，但訓練出來的網路對 於完全沒加入模式學習的驗證組會有較佳的推算結果，推算結果約可 增加 9%之準確度，對於驗證組而言，好的推算結果代表模式的適用 性是廣泛的。
最後本模式將與湯(1970)和井島(1972)半經驗颱風波浪推算模式 之推算結果作比較。由 LVT 驗證組中，選取兩模式皆有推算的 5 場 颱風來與實測波高相比，整體而言以本模式之推算結果較好，其推算 誤差指標帄均ΔHs,p為 1.18m、Δtp為 7.8hr、RMSE 為 0.73、R 為 0.75，
評估指標除了Δtp之外皆優於半經驗模式，半經驗模式推算誤差指標 帄均ΔHs,p為 1.84m、Δtp為 7.4hr、RMSE 為 1.39、R 為 0.59。
6-2 建議
本研究利用高斯歸屬函數修正類神經網路輸入參數，雖然使得整 體颱風推算結果獲得提升，但提升程度有限，整體模式仍然有改善的 空間：
1. 高斯歸屬函數的轉換上，是將所有角度資料進行轉換，若能針對 不同距離計算多組高斯歸屬函數，並將不同距離之角度給予不同 的高斯歸屬函數，轉換結果對於角度與波高的關聯將會有更好的 描述。-
2. 對於推算結果較差的颱風，我們必頇重新檢視其是否適用於模式 的學習與推算，可能這些颱風原本就屬於特例，或者本研究之輸 入參數無法用來描述這些特例颱風，在篩選使用的颱風以及選擇 要輸入的參數時，可能需要更仔細判斷。
3. 模式對於大波高颱風之推算結果有較大的誤差，由於安帄港之整 體颱風資料皆為波高較小之颱風，在學習上缺乏大波高之颱風資 料。若能獨立建立一組針對大波高颱風推算的類神經模式，對於 規模較大、影響度較強之颱風會有較好的推算結果。
4. 當颱風波高偏低時，最大波高發生時間容易產生很大的誤差，原 因可能由季節風影響造成。雖然在選取颱風時已透過人工的方式 將受季節風影響之颱風剃除，但仍然無法保證所選取的颱風完全 不受季節風影響。若能針對颱風建立一個完整的季節風篩選機 制，降低選取受到季節風影響之颱風進入模式學習與推算的比 例，相信能大大的提升所使用的颱風資料品質。
參考文獻
1. 湯麟武(1970)，「淺灘海岸上波浪推算方法之研究」，成功大學 土木水利學術彙刊，第1期，第105~164 頁。
2. 井島武士，1972，「台中港設計波浪計算報告書」，日本港灣顧 問公司。
3. 梁乃匡(1982)，「颱風湧浪的預報方法」，第6屆海洋工程研討會 論文集，第5-1~5-19頁。
4. 郭一羽，「海岸工程學」，文山書局(2001)。
5. 交通部運輸研究所，2005，「臺灣地區波浪預警系統之應用研究 (三)」，國立交通大學。
6. 錢維安(2006)“模糊-類神經混合網路之颱風波浪推算模式“，國 立交通大學土木工程研究所博士論文。
7. 交通部運輸研究所，2009，「臺灣主要港口附近海域長期波浪統 計特性及設計波推算之研究(1/4)」，國立交通大學。
8. Agrawal, J. D. And Deo, M. C., (2002) “On-line wave prediction.”
Marine Structure, Vol.15, pp.57-74.
9. Bhattacharya, B., Shrestha, D.L., Solomatine, D.P., (2003) “Neural Networks in Reconstructing Missing Wave Data in Sedimentation Modelling”, Proceedings of the XXXth IAHR Congress,
Thessaloniki, Greece.
10. Bretschneider,C.L., (1952) “Revised wave forecasting relationship.”
Proc.2nd Coastal Eng.,Council Wave Research, Engineering
Foundation, Berkley, Calf.11. Bretschneider, C. L., and Tamaye, E. E. (1976) “Hurricane wind and wave forecasting techniques.” Proceedings of the Fifteenth
Conference on Coastal Engineering, Hawaii, Vol. 1, pp. 202-237.
12. Booij, N., Holthuijsen, L. H., and Ris, R.C. (1996) “The SWAN wave model for shallow water,” Proceedings of 24th Conference
International Conference on Coastal Engineering, ASCE, Orlando,
Vol. 1, pp. 668-676.13. Camargo, S. J., A. W. Robertson, S. J. Gaffney, P. Smyth, and M.
Ghil, (2007a) “Cluster analysis of typhoon tracks. Part I: General properties.” J. Climate, 20, 3635–3653.
14. Camargo, S. J., A. W. Robertson, S. J. Gaffney, P. Smyth, and M.
Ghil (2007b) “Cluster analysis of typhoon tracks. Part II:
Large-scale circulation and ENSO,” J. Climate, 20, 3654-3676.
15. Chang, H.K., and Chien, W.A., (2006a) “Neural network with multi-trend simulating transfer function for forecasting typhoon wave. ” Advances in Engineering Software, 37, 184–194.
16. Chang, H.K. and Chien, W.A., (2006b) “A fuzzy-neural hybrid system of simulating typhoon waves,” Coastal Engineering, Vol. 53,
pp. 737-748.
17. Chester, D. (1990) “Why two hidden layers are better than one,” In
Proceeding IEEE International Joint Conference on Neural Networks, Washington, D.C. 265-268.
18. Dawson, C W. and Wilby, R. L. (2001) “Hydrological Modeling Using Artificial Neural Networks.” Progress in Physical
Geography.25(1): 80-108.
19. Deo, M.C., Sridhar Naidu, C. (1999) “Real time wave forecasting using neural networks,” Ocean Engineering,Vol. 26, No. 3, pp.
191-203.
20. Deo, M.C., Kiran Kumar, N. (2000) “Interpolation of wave heights.”
Ocean Engineering, Vol. 27, No. 9, pp. 907-919.
21. Deo, M.C., Jha, A., Chaphekar, A.S., Ravikant, K. (2001)“Neural
networks for wave forecasting,” Ocean Engineering, Vol. 28, No. 7, pp. 889-898.
22. Deo, M.C., Gondane, D. S., and Sanil Kumar, V. (2002)“Analysis of wave directional spreading using neural networks,” Journal of
Waterway, Port, Coastal, and Ocean Engineering, Vol. 128, No. 1,
pp. 30-37.23. Deo, M.C., Jagdale, S.S. (2003) “Prediction of breaking waves with neural networks,” Ocean Engineering, Vol.30,No. 9, pp. 1163-1178.
24. Hayashi, Y., Sakata, M., and Gallant, S.I. (1990) “Multi-layer versus single-layer neural networks and an application to reading hand-stamped characters,” In proceeding International Conference
on Neural Networks, Paris, 781-784.
25. Hiraoka, T., Maeda, H., Ikoma, N., (1999) “Two-stage prediction method of typhoon position by fuzzy modeling-fusion of outline prediction and detailed prediction systems,” Proc. of IEEE SMC '99
Conf. on Man,and Cybernetics, Vol.6, pp.581 -585.
26. Holland, G. J., (1980) “An analytic model of the wind and pressure profiles in hurricanes,” Monthly Weather Review, Vol. 108, No. 8,
pp. 1212–1218.
27. Huang, W., and Foo, S. (2002) “Neural network modeling of salinity variation in Apalachicola River,” Water Research, Vol. 36, 356-362.
28. Johnson, G. P., and Lin F.C. (1996) “Hurricane tracking via backpropagation neural network,” Proceedings of 1996 IEEE
International Conference on Neural Networks, Vol. 2, pp.
1103-1106.
29. Kecman, V, (2001) “Learning and Soft Computing: Support Vector Machines, Neural Networks , and Fuzzy Logic Models.” The MIT
Press Cambridge, Massachusetts London , England.
30. Lee, R. S. T., Liu, J. N. K., (1999) “An elastic graph dynamic link model for tropical cyclone pattern recognition,” Proc. of the 6th Int.
Conf. on Neural Information, ICONIP’99, Vol.1, pp.177-182.
31. Mirchandani, G.., Cao, W., (1989) “On hidden nodes for neural nets,” IEEE Transactions on Circuits and Systems, Vol.36 (5),
pp.661 -664.
32. Moller M, (1993) "A scaled conjugate gradient algorithm for fast supervised learning", Neural Networks, 6(4), 525-533.
33. Prechelt, L. (1998) “Early stopping-But when?” Neural Networks:
Tricks of the Trade, 553-543.
34. Sarle, W.S. (1995) “Stopped Training and Other Remedies for Overfitting,” Proceedings of the 27th Symposium on the Interface of
Computing Science and Statistics, 352-360.
35. Shore Protection Manual (1984) U.S. Army Coastal Engineering Research Center, Fort Belvoir, Vol. I-III.
36. Shore Protection Manual (2002) U.S. Army Coastal Engineering Research Center, Fort Belvoir, Vol. I-III.
37. SWAMP Group (24 Authors) (1985) Ocean Wave Modeling, Plenum Press, New Pork, 256 pp.
38. Tolman, H.L., (1999) User manual and system documentation of
WAVEWATCH-3,version 1.18, NOAA/NWS/NCEP/OMB Technical
Note 166.39. WAM model (1988) “WAMDI group A Third generation ocean wave prediction model,” Journal of Physical Oceanography, Vol.18,
pp.1775-7810.
40. Young I. R., Burchell, G. P., (1986) “Hurricane generated waves as observed by satellite,” Ocean Eng., Vol.23,pp.761–76.
41. Young, I. R. (1988a) “Observations of the spectra of hurricane generated waves,” Ocean Engineering, Vol. 25, pp. 261-276.
42. Young, I. R., (1988b) “A parametric hurricane wave prediction model,” Journal of Waterway Port, Coastal and Ocean Eng., ASCE,