3-1 颱風波浪資料之選用
本研究使用的安帄港實測波高資料是由交通部運輸研究所港灣 技術研究中心提供。港灣技術研究中心於 1999 年 9 月於安帄港防波 堤外水深 15 米處的海上觀測樁，其上安裝波浪觀測儀器 Inter Ocean S-4 ADW ， 可 同 時 觀 測 潮 位 、 海 流 、 波 浪 及 波 向 ， 測 站 位 置 為 22°56’37”N、120°08’10’’E。由於 Inter Ocean S-4 ADW 儀器逐漸老舊，
遂於 2007 年增購挪威 AWAC 方向性潮波流儀，具備可測得逐時波 浪、分層流向流速、水位值之功能，並安裝於相同位置之安帄海上觀 測樁，如圖 3-1 所示。
圖 3-1 測站地理位置圖
根據港灣技術研究中心所提供之安帄港波浪資料，紀錄時間為 2000 年 1 月至 2010 年 12 月。其中 2002 年波浪資料缺漏 12 月，而 2003 年波浪資料缺漏 3 月與 12 月，尚有零星的部分缺漏，但波浪資 料大致上完整，但遇上颱風時常會有 6~10 小時的缺漏。
本研究選取 HS (示性波高)作為實測波高資料，即以波群中依照大 小排序，取前 1/3 大的個別波波高帄均值來代表波浪的大小，其在統 計特性上，具安定性且較能反映波浪所含之能量大小，是最常使用的 代表波(郭，2001)。
颱風 資料取自日本國 土交通省氣象廳 (JMA)的 RSMC-Tokyo Center 颱風氣象資料，颱風的名稱、發生時間與行進路徑皆採用 RSMC-Tokyo Center 發佈的資料為準，時間格式以臺灣的所在時區為 準。RSMC-Tokyo Center 所發佈之颱風資料為每 6 小時一筆，而港灣 技術研究中心之波浪資料為每 1 小時一筆，為配合波浪資料之時間間 距，本研究將颱風氣象資料(經緯度、中心氣壓、近中心最大風速)，
利用三次多項式內插，將其時間間距內插為 1 小時一筆。再依據中央 氣象局(CWB)所公佈之侵臺颱風列表，挑選合適的颱風作為模式的建 立與驗證之用。
中央氣象局公佈之 2000 年至 2010 年侵臺颱風共有 73 場，考慮 每場颱風對應之波浪資料之完整性及相關性，本研究選擇對安帄港波 浪會造成影響且實測波浪資料完整之颱風共 56 場來進行資料分析，
針對這 56 場颱風評估是否適合模式之學習與驗證，如表 3-1 所示。
表 3-1 中顯示在 2000 至 2010 年中有 56 場擁有完整的波浪資料，
而其中 2010 年因為中央氣象局有發佈之侵臺颱風對應之實測波浪資 料，皆有連續缺漏 6 小時左右的情況發生，故在選用列表中無法將其 列入。
在選擇 56 場颱風中，有 36 場颱風最大波高未達 3 米；小於 2 米 的有 21 場；小於 1 米的有 5 場。對於安帄港而言，其港區位置位於 臺灣西南側的海岸，會受到每年七、八、九月之夏季西南季風影響，
最大波高值 3 米以上的颱風，不一定是由颱風所造成的波浪，可能為 季節風所造成。在選用模式適合之颱風時，我們也需同時考慮到颱風 行徑的路徑，如果颱風是由臺灣東部往西部行徑，颱風結構容易受到 中央山脈阻擋而造成結構鬆散，這種類型的颱風受到高山的屏障效 應，對於安帄港的影響就會變小，而颱風的最大波高就會偏低。
表 3-1 選擇安帄港波浪實測資料的颱風名稱及其最大波高
最大波高大於或接近 3 米且對於安帄港有較大影響之第五、七、
九路徑的颱風有 CHEBI(2001)、NAKRI(2002)、DUJUAN(2003)、
NANMADOL(2004)及 LINFA(2009)，本研究認為這 5 場颱風為適合 模式推算的颱風。
本研究以人工的方式同時考量前述各種季節風、地形、高山屏障
3-2 颱風波浪特性之分組
為了建立一個具有廣義性的類神經模式，必需先將資料分組來學 習與驗證。在資料的分組上，本研究採用兩種分組方式：1.學習與驗 證組(LT 組)、2.學習、查核與驗證組(LVT 組)。其中符號 L 為學習(Learn ing)用資料群；V 為查核(Validation)用資料群；T 為驗證(Test)用資料 群。
LT 組分組方式是將資料分為兩個部分，1.學習資料群、2.驗證資 料群，以 MSE 當作目標和學習次數當作限制的訓練方式訓練類神 經，此種訓練方式需以嘗詴錯誤（Try & Error）測詴其適合的 MSE 目標與學習次數，以避免網路的過度學習，耗時且無測詴之規則可 言，其學習結果的適用性可靠度較低。
LVT 組分組方式是將資料分為三個部分，1.學習資料群、2.查核 資料群、及 3.驗證資料群，隨著訓練次數的增加，模式對於學習資料 群的 MSE 會逐漸降低，在訓練的同時輔以查核資料群進行網路的確 認，當查核資料群之 MSE 無法因為網路的訓練而降低，即停止網路 的訓練，透過查核資料群我們可以防止網路的過度學習，也使學習出 來的網路對於未學習過的資料適用性更高，訓練結束後可利用驗證資 料群進行模式的二次驗證，確認模式的適用性。
圖 3-3 LT 組與 LVT 組之分組示意圖 Learning
Test
Learning
Test
Validation
不論是將資料分為兩群還是三群，均需要保持每個資料群的颱風 特性是均勻的，意即讓類神經網路模式在學習、查核與驗證各個階段 所模擬的颱風特性類似，此可提高模式在驗證時的可靠度。
本研究初步的分類方法是依據 Camargo 等人(2007a)所採用的熱 帶氣旋分類法 Curve-Aligned Clustering，透過熱帶氣旋在地球表面的 路徑來將颱風分類，將所有颱風依據路徑分成三種特性不同的分類如 表 3-3 所示。各群集分類之路徑如圖 3-4 所示。除了路徑的特性之外，
還需考慮每個颱風所造成的最大波高，本研究再將這三組特性不同的 分類個別依照最大波高由小到大排序，且最後將排序後各組合併，結 果如表 3-4 所示。
表 3-3 群集分類颱風路徑的結果
分類 A(8 場) 分類 B(12 場) 分類 C(9 場)
年份 颱風名稱 最大波高
(m) 年份 颱風名稱 最大波高
(m) 年份 颱風名稱 最大波高 (m)
2003 尹布都 3.90 2000 巴比倫 2.83 2001 利奇馬 2.36 2003 杜鵑 3.52 2000 象神 1.74 2002 娜克莉 3.96 2004 蘭寧 2.11 2001 奇比 6.92 2003 柯羅旺 3.18 2005 泰利 4.05 2003 莫拉克 2.75 2004 敏督利 5.01 2005 丹瑞 2.73 2004 納坦 1.20 2004 康柏斯 1.96 2008 如麗 5.81 2004 南瑪都 2.91 2005 珊瑚 4.72 2008 哈格比 3.28 2005 海棠 4.76 2008 辛樂克 1.84 2009 莫拉克 7.66 2005 馬莎 2.52 2009 蓮花 7.20 2005 龍王 2.06 2009 莫拉菲 3.63 2007 韋帕 1.50
2007 柯羅莎 3.57
2008 薔蜜 3.02
分類 A
分類 B
分類 C
圖 3-4 各群集分類颱風之路徑
表 3-4 將表 3-3 的分類依大小排序後之結果合併
年份 颱風名稱 颱風名稱 最大波高(m)
2004 RANANIM
蘭寧
2.11 2005 DAMREY丹瑞
2.73 2008 HAGUPIT哈格比
3.28 2003 DUJUAN杜鵑
3.52 2003 IMBUDO尹布都
3.90 2005 TALIM泰利
4.05 2008 NURI如麗
5.81 2009 MORAKOT莫拉克
7.66 2004 NOCK_TEN納坦
1.20 2007 WIPHA韋帕
1.50 2000 XANGSANE象神
1.74 2005 LONGWANG龍王
2.06 2005 MATSA馬莎
2.52 2003 MORAKOT莫拉克
2.75 2000 PRAPIROON巴比倫
2.83 2004 NANMADOL南瑪都
2.91 2008 JANGMI薔蜜
3.02 2007 KROSA柯羅莎
3.57 2005 HAITANG海棠
4.76 2001 CHEBI奇比
6.92 2002 SINLAKU辛樂克
1.84 2004 KOMPASU康柏斯
1.96 2001 LEKIMA利奇馬
2.36 2003 KROVANH柯羅旺
3.18 2009 MOLAVE莫拉菲
3.63 2002 NAKRI娜克莉
3.96 2005 SANVU珊瑚
4.72 2004 MINDULLE敏督利
5.01 2009 LINFA蓮花
7.20學習與驗證組(LT 組)的資料選取，採用總資料量的 2/3(20 場)作 為類神經模式學習之學習組，其餘資料(9 場)作為類神經模式驗證的 驗證組。選取的準則為，從表 3-4 中，先交叉選取奇數列的颱風共 15 場納入學習組，再將剩餘的 14 場颱風每隔兩場颱風選取一次的方式 選出 5 場颱風一併納入學習組，使學習組總共有 20 場颱風，而最後 剩餘 9 組颱風則納入驗證組，其結果如表 3-5 所示。
表 3-5 學習與驗證組(LT 組)分類
學習組(20 場) 驗證組(9 場)
年份 颱風名稱 最大波高
(m) 年份 颱風名稱 最大波高
(m)
2004 蘭寧 2.11 2003 杜鵑 3.52
2008 哈格比 3.28 2005 泰利 4.05
2003 尹布都 3.90 2007 韋帕 1.5
2008 如麗 5.81 2005 龍王 2.06
2004 納坦 1.20 2004 南瑪都 2.91
2000 象神 1.74 2007 柯羅莎 3.57
2005 馬莎 2.52 2004 康柏斯 1.96
2000 巴比倫 2.83 2003 柯羅旺 3.18
2008 薔蜜 3.02 2004 敏督利 5.01
2005 海棠 4.76
2002 辛樂克 1.84
2001 利奇馬 2.36
2009 莫拉菲 3.63
2005 珊瑚 4.72
2009 蓮花 7.20
2005 丹瑞 2.73
2009 莫拉克 7.66
2003 莫拉克 2.75
2001 奇比 6.92
2002 娜克莉 3.96
學習、查核與驗證組(LVT 組)的資料選取，採用總資料量的 1/2(15 場)作為類神經模式學習的學習組，其餘資料(14 場)的 1/3(5 場)作為 查核類神經模式的查核組，餘下的資料(9 場)則作為類神經模式驗證 的驗證組。選取的準則為，從表 3-4 中，先交叉選取奇數列的颱風共 15 場納入學習組，再將剩餘的 14 場颱風每隔兩場颱風選取一次的方 式選出 5 場颱風納入查核組，最後剩餘 9 組颱風則納入驗證組，其結 果如表 3-6 所示。
表 3-6 學習、查核與驗證組(LVT 組)分類
學習組(15 場) 查核組(5 場) 驗證組(9 場)
年份 颱風名稱 最大波高
(m) 年份 颱風名稱 最大波高
(m) 年份 颱風名稱 最大波高 (m)
2004 蘭寧 2.11 2005 丹瑞 2.73 2003 杜鵑 3.52 2008 哈格比 3.28 2009 莫拉克 7.66 2005 泰利 4.05 2003 尹布都 3.90 2003 莫拉克 2.75 2007 韋帕 1.5 2008 如麗 5.81 2001 奇比 6.92 2005 龍王 2.06 2004 納坦 1.20 2002 娜克莉 3.96 2004 南瑪都 2.91
2000 象神 1.74 2007 柯羅莎 3.57
2005 馬莎 2.52 2004 康柏斯 1.96
2000 巴比倫 2.83 2003 柯羅旺 3.18
2008 薔蜜 3.02 2004 敏督利 5.01
2005 海棠 4.76 2002 辛樂克 1.84 2001 利奇馬 2.36 2009 莫拉菲 3.63 2005 珊瑚 4.72 2009 蓮花 7.20
LT 組與 LVT 組的驗證組，皆是同樣的颱風；而 LT 組中的學習 組與 LVT 組中的學習及查核組亦是同樣的颱風，以利建構後的模式 比較有無使用查核組對於模式學習及推算之影響。
4-1
因北半球的颱風為逆時鐘旋轉，以颱風前進方向為中心來看，其
風速，當颱風中心靜止不動時，旋轉風速即為颱風中心附近之風速，
4-1-2 參數之探討
建立類神經網路模式時，輸入層的輸入參數對於模式的建立有著 很大的影響，類神經必頇藉由這些參數與數據來建立輸入參數與波高 值的權重關係，若參數本身要表達的物理意義越明顯，類神經越能簡 單的學習與推算，因此本研究將所得到的颱風基本資料進一步計算成 5 個輸入參數。以下針對上節所計算之 5 個參數做進一步的探討。
(1) 目標點 10 米風速 V：
颱風接近目標點時，驅動波浪最主要的動力為風，風的起因是由 於颱風中心低氣壓與外部壓力的差異造成壓力梯度的變化，此壓力梯 度使得空氣劇烈的流動形成風。利用 RVM 模型颱風模式計算風速 時，只需要輸入目標點座標以及颱風逐時座標與逐時中心氣壓，但其 並未考慮陸地上受到地形或是山脈的遮蔽影響，若要以傳統的統計方 法、歸納或是理論方法計算地形影響亦不容易，所以本研究將目標點 風速 V 配合其他輸入參數一起輸入類神經網路進行學習，以期望能解 決複雜的地形影響。
(2) 颱風與目標點距離 D：
颱風與目標點的距離越近，對目標點當地波浪的影響就越大，意 即距離 D 越小，波高值會越大。以本研究所收集的颱風資料相對應 之安帄港波浪資料來繪製距離-波高分布圖，如圖 4-3 所示。圖中顯 示雖然颱風距離與目標點波高大致上呈現反比，但在距離小時仍會有 許多波高小的狀況發生(圖中左下角密集區)，這顯示颱風因為其他因 素例如颱風減弱、陸地遮蔽或陸域地形造成風場的衰減，使得目標點 波高降低，距離與波高值並非單純的呈現反比關係。另外也可發現在 颱風距離目標點 1800km 以上，出現波高 3m 的數量明顯的變少，故 本研究將排除 1800km 以上的資料點，並將剩餘資料點距離除以 1800km 來作正規化再以 1 減之，將原本反比之關係修改為正比關係 再輸入類神經。
圖 4-3 颱風距離與目標點波高分布 (3) 目標點的方位角 θ1：
由目標點的方位角可以計算目標點是在颱風中心的哪一個方 位，本研究設定正北為 0°，若 θ1為 90°表示颱風是在目標點的左側，
反之若
θ
1為 270°則表示颱風位於目標點的東側太帄洋的位置，這兩反之若