1-1 前言
台灣地區位處西太平洋颱風路徑要衝，在每年夏季經常面臨颱風侵襲，平均 每年有三至四個颱風經過並帶來大量的豪雨，加上台灣地形狹長、山勢陡峭，往 往在一次降雨事件過後，在短時間內就會反應在下游流量的變化中，對於水庫操 作或是防汛等關乎國家人民的生命財產安全的各方面課題上，都極需要能快速且 準確的預報降雨事件所帶來的下游流量變化。如何在降雨與流量間的複雜關係 中，建立一個快速且準確的預報模式，一直以來都是許多研究的重點項目。
傳統上，要建立一個可以描述水文現象的模式，有運用物理型模式與統計型 模式。其中，物理型模式是應用物理確定定律（Law of Certainty）來探討水文歷程 中投出與產出間的關係，物理型模式雖可探究水文過程的機制，但在面對複雜、
非線性的問題時，必須經由一些假設、簡化環境後才能加以建構。而統計型模式 在處理複雜的問題時，不需要針對問題定義其物理機制，而是藉由資料的學習來 面對複雜的問題，其中又以類神經網路為近年來廣為使用的方法。
類神經網路（Artificial Neural Network, ANN）是運用模仿生物神經元特性，
接受刺激並反應，且有記憶刺激之效果，並運用數學方法加以建構。本研究在類 神經網路的許多類型中，選用最廣泛使用的倒傳遞類神經網路（Back-Propagation Network, BPN）。倒傳遞類神經網路運用在降雨與流量推估中，已被大量的應用實 例所肯定，但大部份的類神經網路由於訓練資料的挑選，會大大的影響其預報結 果。由於近年來氣候變化已不再如過去所見，極端的雨量與流量紀錄也不斷的翻 新，然而，在倒傳遞類神經網路中，訓練資料中必須要包含極端事件，這也造成 了類神經網路模式在極端事件更新後，往往需就新加入的資料來重新建構或修正
原有的模式，將花費大量的時間在此過程中。
支援向量機（Support Vector Machine, SVM），是一種基於統計學習理論的機器 學習方法，利用多元分類的方法，延伸到迴歸問題。且已運用在許多不同的領域 中，成果亦相當優異。而在許多文獻中提到，具有全域最佳解是支援向量機的重 要優點之一，只要使用的訓練資料相同，則會得到相同結果，而常被使用的倒傳 遞類神經網路則會因初始權重的不同，即使是訓練資料相同，也會造成結果差異。
相較之下，SVM 在模式本身的強健性上即較 BPN 為佳。而模式的強健性高低會影 響使用者對模式表現的信賴程度，因此，本研究中，將針對訓練資料的問題，分 成四項（1）訓練資料量；（2）訓練場次挑選；（3）資料噪音；（4）BPN 初始權重，
並將兩模式的成果加以比較。
1-2 文獻回顧
類神經網路是一種模仿生物大腦與神經網路系統所架構出來的資訊處理系 統，能對於外界輸入的資訊有儲存、學習、回想、歸納推衍等一系列動作。由於 人腦的結構複雜，因此類神經網路只能簡單的利用數學模式加以建立，因此亦可 算是一種特殊的統計模式。類神經網路中是由許多的非線性運算單元，也就是神 經元（neuron），和位於這些運算單元間的眾多連結（links）所組成，只需經由反 覆學習及可，並不需要針對該系統的轉換機制加以描述，並具有結構單純、理論 簡明、可快速運算、學習及容錯能力，對於物理模式難以敘述的非線性關係，可 發揮其特殊能力，也因此在水文領域中有許多相關的研究。
Hsu（1995）利用均方根值等準則，選取類神經網路在輸入、隱藏、輸出各層 的最佳組合個數以進行降雨逕流之日流量預測。Thirumalaiah 與 Deo（1998）採 類神經網路並以三種演算法訓練其網路。陳昶憲與陳建宏（1999）以模糊理論，
結合類神經網路，應用在河川水位預測。張斐章等人（2001）結合回饋式類神經
網路與即時學習演算法以發展一水文推估模式，並運用在大甲溪上游流量推估。
Lin 與 Chen（2004）應用全面監督式訓練法則來建立輻狀基底函數網路之網路架 構，作為洪水流量預報模式。陳信中（2006）利用類神經網路預報水位，並運用 在蘭陽溪流域中。
在類神經網路的許多類型中，又以倒傳遞類神經網路（Back-Propagation Network, BPN）為最廣泛使用的類型。Zhu 與 Fujita（1994）利用倒傳遞類神經網 路進行洪水小時流量預測，得到不錯的結果。孫建平（1996）以倒傳遞網路對短 延時降雨逕流過程做一探討並對降雨及逕流作預測。Campolo 等人（1999）使用倒 傳遞類神經網路建立降雨-逕流模式，以多個雨量站預報單一水位站。Marina 等人
（1999）、Komda 與 Markarand（2000）曾以倒傳遞類神經網路進行洪水位預測。
Chen 與 Huang（2000）則嘗試以倒傳遞與反傳遞類神經網路於洪流量預測並加以 比較。
支援向量機（Support Vector Machines, SVM）是由 Vapnik 及其共同研究者
（1995；1998），基於統計學習理論（Statistical Learning Theory），所提出的一種機 器學習方法。支援向量機基於統計學習理論中的結構風險最小化（Structural Risk Minimization）法則，來處理多維度函數的分類與迴歸問題。最初，多應用在處理 二元分類問題，後來延伸到多元分類與迴歸問題中。
在其它領域中，支援向量機被運用的相當廣泛。Joachims（1998）、Dumais
（1998）、李柏毅（2004）應用在文字分類中；Dibike（2001）應用在衛星影像分 類；Osuna 等人（1997；1998）應用在人臉辨識；郭瑞修（2004）應用特徵選擇演 算法與支援向量機於胃部組織學分類中。
而在水利領域中，支援向量機的應用仍屬剛剛起步。Sivapragasam 等人（2001）
利用支援向量機建立日雨量與日流量預報模式，進行前置一日的雨量與流量預 報。Yu 等人（2002）將 SVM 與混沌理論來預報日流量；Liong 與 Sivapragasam（2002）
利用上游日水位當作 SVM 的輸入項，來建立模式並預報下游水位；Choy 與 Chan
（2003）利用支援向量個數來決定輻狀基底函數類神經網路的架構，並用來模擬 降雨逕流；Sivapragasam 與 Liong（2004）利用支援向量機建立日水位預報模式；
Bray 與 Han（2004）著重於模式架構及參數選擇的探討，用來預報逕流量；
Sivapragasam 與 Liong（2005）將流量分三類再分別建立 SVM 模式來進行一日與 三日的流量預報；陳昶憲、游保杉與陳建宏（2005）使用 SVM 建立蘭陽大橋未來 一至六小時的水位預報模式。
前人的研究中，雖都有提及 SVM 相對於 BPN 有較佳的強健性，但卻無相關 研究來針對強健性加以討論，因此本研究將針對這兩種模式的強健性以四種問題 方向加以討論。