的準確性，使用類神經網路模式(Artficial Neural Network，簡稱 ANN)，
選擇各種特性的輸入參數，以架構具季節風特性之波浪推算模式，應 用此模式之運算快速及非線性現象之描述能力，以達波浪推算較高精 度之推估性並提供港灣工程及港灣船隻作業之參考，並期望此模式未 來可在工程設計與防災上提供即時及精確的波浪推算與預報。
另外由於臺北港水域遼闊，未來發展相當富有彈性，期待發展為
2 括 Helmholtz (1888)的 Kelvin-Helmholtz 不安定理論及 Jeffreys(1924，
1925) 的遮蔽學說(Jeffreys sheltering hypothesis)，還有 Phillips (1957) 提出共鳴機制 (resonance mechanism) 的學說來說明靜止水面上風所 產生波浪的原理，解釋波浪的生成及初期發達。Phillips 認為由於風 的紊流 (turbulent flow)特性，而導致海面上受不均勻之壓力，由於水 面上受壓力隨機變動而產生強制性的波浪，而當風與波浪兩者因頻率 相同而開始共鳴時，則波浪因共鳴作用而呈線性成長。Miles (1957) 提出剪力流理論(shear flow hypothesis)來說明波浪後期發展機制，假 設海面上之平均風速依對數形式分佈，當水面引入小振幅波動時，原 (significant wave method)二種，前者是應用波浪能量平衡方程式為其 控制方程式，並配合波浪傳遞後各種物理特性來加以推算。至於示性 波法則是將波浪大小與風速、吹風歷時與吹送距離等參數關係加以定 量分析。示性波法早期最常被使用於工程應用上，以 Sverdrup 和 Munk (1947)及 Bretschneider (1952)之 SMB 法較具代表性，SMB 法是將波 浪大小與風速、吹送距離，坐定量關係分析，此方法導入統計代表量 的示性波概念來描述隨機海面波浪，理論架構包括風浪發生、發達、
傳遞及減衰等連串現象的系統推導，最後建立示性波波高及週期與風
3
速吹風速離、延時等公式。
而在海岸工程的應用上，過去有許多學者利用類神經網路於預測 波浪方面，有 Deo 和 Naidu(1999)以測站之即時波浪資料作為類神經 網路之輸入值，以倒傳遞類神經路推算下一個時間之波浪資料，並以 此建立短期波浪推算模式。Deo 等人(2000、2001、2002 及 2003)則建 構以風速與示性波高與週期之類神經網路，以預測風浪。Bhattacharya
蔡(2006)以 ECMWF（European Centre for Medium Range Weather Forecasts）歐洲中期預報中心所提供之風場之風速及風向，建立 ANFIS 波高推算模式，並進行季節風浪之推算。Chang 和 Chien(2006a、
b)針對不同風場參數分析其對波浪特性之關係，建立多個轉換函數之
資料收集
風與浪之基礎 研究與分析
風浪推算模式 與發展過程
類神經網路之發展 與應用
季節風特性分析
季節風波浪預報 模式之建立
模式適用性 驗證
結果分析
結論與建議
結果與討論研究方法文獻回顧
4
圖 1-1 研究流程
5