97-49-7335
MOTC-IOT-96-H2DB001
臺灣國際港區船舶動態管理特性
及颱風波浪資料補遺研究(三)
97-49-7335 MOTC-IOT-96-H2DB001
臺灣國際港區船舶動態管理特性
及颱風波浪資料補遺研究(三)
著者：江玟德、張憲國、陳蔚瑋、何良勝
交 通 部 運 輸 研 究 所
97
臺灣國際港區船舶動態管理特性及颱風波浪資料補遺研究
( 三
)
交通部運輸研究所
GPN：1009700842國家圖書館出版品預行編目資料 +---+ | | | 船舶運動推算臺灣海域即時波浪場模式建立之研 | | 究. (3/4) / 邱永芳等著. -- 初版. -- 臺北 | | 市 : 交通部運研所, 民97.03 | | 面 ; 公分 | | 參考書目:面 | | ISBN 978-986-01-3882-5(平裝) | | | | 1. 波動 2. 船舶工程 3. 自動化 4. 臺灣 | | | | 351.941029 97006532 | | | +---+ GPN：1009700842 ISBN：978-986-01-3901-3 (平裝) 著作財產權：中華民國(代表機關：交通部運輸研究所) 本著作保留所有權利，欲利用本著作全部或部份內容者，須徵求交通部 運輸研究所書面授權。 臺灣國際港區船舶動態管理特性及颱風波浪資料補遺研究(三) 著 者：江玟德、張憲國、林立青、何良勝 出版機關：交通部運輸研究所 地 址：台北市敦化北路 240 號 網 址：www.ihmt.gov.tw (中文版>中心出版品) 電 話：(04) 26587176 出版年月：中華民國97 年 3 月 印 刷 者：德輝興業有限公司 版(刷)次冊數：初版一刷 110 冊 本書同時登載於交通部運輸研究所網站 定 價：300 元 展 售 處： 交通部運輸研究所運輸資訊組• 電話：(02)23496880 五南文化廣場：臺中市中山路6 號• 電話：(04)22260330
交通部運輸研究所合作研究計畫出版品摘要表
出版品名稱：臺灣國際港區船舶動態管理特性及颱風波浪資料補遺研究(三) 國際標準書號（或叢刊號） ISBN978-986-01-3901-3 (平裝) 政府出版品統一編號 1009700842 運輸研究所出版品編號 97-49-7335 計畫編號 96-H2DB001 本所主辦單位：港研中心 主管：邱永芳 計畫主持人：何良勝 研究人員：江玟德 聯絡電話：04-26587126 傳真號碼：04-26560661 合作研究單位：國立交通大學 計畫主持人：張憲國 研究人員：陳蔚瑋 地址：新竹市大學路1001 號 聯絡電話：03-5131487 研究期間 自96 年 3 月 至96 年 10 月 關鍵詞：船舶預警模式、神經網路、波浪統計 摘要： 本計畫利用花蓮港港務局所提供之船隻動態記錄，修正原始模式，並選用颱風六 個影響船隻動態的颱風因子建立颱風與ISE 間的關係。本計畫選擇之學習範例為含蓋 4 種不同颱風路徑、4 種船隻異動指數，選取颱風共 50 個，做為類神經之學習範例。 並以4 場颱風進行驗證，由驗證結果顯示，本模式可於實際颱風期間花蓮港之船舶操 作預警。目前船舶動態預警模式已建構完成並已附加圖形化使用者介面來提升其使用 性。 另外，本計畫以安平港與台北港實測波浪數據，進行波高與週期之直方圖與機率 密度的計算，對於波高與週期則選定各四種機率分布，結果驗證出安平港與台北港之 波高分布較近似於Weibull 分布，其波高直方圖適合分組組數大概介於 5 至 7 組。另 外於週期之分析結果，在比較各種評估參數後，選定最佳分組組數為5 組，最佳分布 為Erlang。本計畫推導出幾個較適用之機率分布之統計特性，如 H1/10，Hs，Hmean 等，由統計特性之比較波高與週期之機率分布發現分別為Weibull 分布及 Erlang 分布 最適何。 就安平港、臺北港與花蓮港的全年示性波高及週期資料而言，示性波高的最 適分布為Gamma分布，而示性週期的最適分布亦為Gamma分布。波高週期聯合分 布比較可發現，Cavanié聯合機率密度分布，明顯大幅優於Longuest-Higgins。 出版日期 頁數 定價 本 出 版 品 取 得 方 式 97 年 4 月 212 300 凡屬機密性出版品均不對外公開。普通性出版品，公營、公益 機關團體及學校可函洽本所免費贈閱；私人及私營機關團體可 按定價價購。 機密等級： □密□機密 □極機密 □絕對機密 （解密條件：□ 年 月 日解密，□公布後解密，□附件抽存後解密， □工作完成或會議終了時解密，□另行檢討後辦理解密） ■普通 備註：本研究之結論與建議不代表交通部之意見。目錄
中文摘要表... Ⅰ 英文摘要表... Ⅱ 目錄... III 圖目錄... V 表目錄... VIII 第一章 緒論...1-1 1.1 前言...1-1 1.2 歷年計畫工作內容...1-2 1.3 本年度計畫工作內容...1-3 1.4 研究動機與文獻回顧...1-3 第二章 颱風與船舶動態特性分析...2-1 2.1 船舶動態與颱風特性...2-1 2.2 颱風風速及方位角對船舶動態的影響...2-8 2.3 輸入資料之設定與修正...2-9 第三章 船隻動態預警模式之建構...3-1 3.1 類神經網路...3-1 3.2 船舶動態預警模式之建立...3-3 3.3 船舶動態預警模式之驗證...3-11 3.4 視窗化模式之建構與實例操作...3-14 3.4.1 圖形化使用者介面之介紹...3-14 3.4.2 颱風波浪預測模式圖形化介面介紹...3-18 3.4.3 實例操作與開發中功能...3-24 第四章 波浪特性分析...4-1 4.1 資料來源與處理...4-1 4.1.1 示性波高之計算...4-2 4.1.2 示性週期之計算...4-3 4.2 波浪特性分析...4-4 第五章 波浪特性分析結果...5-15.1 波高短期統計分析...5-1 5.1.1 每月波高分布分析...5-1 5.1.2 每季波高分布分析...5-3 5.1.3 全年之波高分布分析...5-4 5.2 週期短期統計分析...5-11 5.2.1 每月週期分布分析...5-11 5.2.2 每季週期分布分析...5-11 5.2.3 全年週期分布分析...5-11 5.3 波高統計特性分析...5-18 5.3.1 Weibull 分布系列之統計代表值推導 ...5-18 5.3.2 Gamma 分布系列之統計代表值推導 ...5-21 5.4 計算統計值與實測值之比較...5-22 5.4.1 花蓮港波高及週期統計值...5-22 5.4.2 臺北港波高及週期統計值...5-34 5.4.3 安平港波高及週期統計值...5-45 5.5 示性波浪之統計特性...5-55 5.5.1 示性波高之統計特性...5-55 5.5.2 示性週期之統計特性...5-58 5.6 波高週期聯合分佈結果...5-60 第六章 結論...6-1 參考文獻...參-1 附錄1 花蓮港之船隻動態表...附 1-1 附錄2 颱風路徑圖...附 2-1 期中報告審查意見處理情形表...審-1 期末報告審查意見處理情形表...審-4 簡報內容...簡-1
圖目錄
圖2.1 颱風距離與觀測站示性波高關係(見張和錢(2003)) ...2-6 圖2.2 颱風風速與船隻異動指數關係圖...2-8 圖2.3 颱風中心至測站方位角與船隻異動指數關係圖...2-9 圖2.4 影響船舶動態之颱風因子示意圖...2-10 圖3.1 類神經網路架構示意圖...3-1 圖3.2 路徑 4 模式颱風安珀學習結果之比較...3-5 圖3.3 路徑 4 模式颱風碧利斯學習結果之比較...3-6 圖3.4 路徑 4 模式颱風桃芝學習結果之比較...3-6 圖3.5 路徑 5 模式颱風賀伯學習結果之比較...3-7 圖3.6 路徑 5 模式颱風瑞伯學習結果之比較...3-7 圖3.7 路徑 5 模式颱風柯吉拉學習結果之比較...3-8 圖3.8 路徑 6 模式颱風葛樂禮學習結果之比較...3-8 圖3.9 路徑 6 模式颱風莎莉學習結果之比較...3-9 圖3.10 路徑 6 模式颱風奧托學習結果之比較...3-9 圖3.11 路徑 7 模式颱風魏萊特學習結果之比較...3-10 圖3.12 路徑 7 模式颱風薩恩學習結果之比較...3-10 圖3.13 路徑 7 模式颱風戴兒學習結果之比較...3-11 圖3.14 路徑 4 龍王颱風之模擬船隻異動指數...3-12 圖3.15 路徑 5 葛樂禮颱風之模擬船隻異動指數...3-13 圖3.16 路徑 6 杜鵑颱風之模擬船隻異動指數...3-13 圖3.17 路徑 7 艾利颱風之模擬船隻異動指數...3-14 圖3.18 GUI 的開發對於使用者族群的分布變化 ...3-15 圖3.19 本介面主視窗...3-19 圖3.20 樹狀結構的工具列...3-19 圖3.21 船舶異動指數所對應之警示標誌...3-21 圖3.22 颱風資料輸入視窗...3-21 圖3.23 模擬結果資料存檔視窗...3-23圖3.24 即時波高實測圖...3-23 圖3.25 即時衛星影像圖...3-24 圖3.26 操作流程介紹 1：Matlab 主要視窗 ...3-25 圖3.27 操作流程介紹 2：船舶動態預警模式主要視窗...3-26 圖3.28 操作流程介紹 3：颱風資料輸入視窗...3-26 圖3.29 操作流程介紹 4：颱風資料輸入完成...3-27 圖3.30 操作流程介紹 5：船隻異動指數推算完成...3-27 圖4.1 安平港波浪觀測位置示意圖...4-1 圖4.2 臺北港波浪觀測位置示意圖...4-2 圖4.3 統計參數與波高資料直方圖...4-6 圖4.4 波高與週期最適組數與機率分佈之分析流程圖...4-10 圖 5.1 機率高於 F x x( ≤ p) 1= − p之平均值為xp及最大機率密度 之示意圖...5-18 圖5.2 以 Weibull 及 Rayleigh 分布計算花蓮港波高 H1/10之比較...5-26 圖5.3 以 Weibull 及 Rayleigh 分布計算花蓮港波高 Hs之比較...5-26 圖5.4 以 Weibull 及 Rayleigh 分布計算花蓮港波高 Hmean之比較..5-26 圖5.5 以修正 Weibull 計算花蓮港波高 H1/10 與實測值之比較...5-27 圖5.6 以修正 Weibull 計算花蓮港波高 Hs 與實測值之比較 ...5-27 圖5.7 以修正 Weibull 計算花蓮港波高 Hrms 與實測值之比較...5-28 圖5.8 以 Rayleigh 分布及 Weibull 分布所得 T1/10之比較...5-32 圖5.9 以 Rayleigh 分布及 Weibull 分布所得 Ts之比較...5-32 圖5.10 以 Rayleigh 分布及 Weibull 分布所得 Trms之比較...5-32 圖5.11 以 Erlang 分布計算花蓮港波浪 T1/10與實測值之比較...5-33 圖5.12 以 Erlang 分布計算花蓮港波浪 Ts與實測值之比較...5-33 圖5.13 以 Erlang 分布計算花蓮港波浪 Trms與實測值之比較...5-34 圖5.14 以 Rayleigh 及 Weibull 分布計算臺北港波高 H1/10之比較.5-37 圖5.15 以 Rayleigh 及 Weibull 分布計算臺北港波高 Hs之比較...5-38 圖5.16 以 Rayleigh 及 Weibull 分布計算臺北港波高 Hmean之比較5-38 圖5.17 以修正 Weibull 計算臺北港波高 H1/10與實測值之比較...5-38 圖5.18 以修正 Weibull 計算臺北港波高 Hs與實測值之比較...5-39
圖5.19 以修正 Weibull 計算臺北港波高 Hrms與實測值之比較...5-39 圖5.20 以 Gamma 分布及 Erlang 分布所得臺北港波浪 T1/10之比較5-43 圖5.21 以 Gamma 分布及 Erlang 分布所得臺北港波浪 Ts之比較.5-43 圖5.22 以 Gamma 分布及 Erlang 分布所得臺北港波浪 Trms之比較5-43 圖5.23 以 Erlang 分布計算臺北港波浪 T1/10與實測值之比較...5-44 圖5.24 以 Erlang 分布計算臺北港波浪 Ts與實測值之比較...5-44 圖5.25 以 Erlang 分布計算臺北港波浪 Trms與實測值之比較...5-45 圖5.26 以 Rayleigh 及 Weibull 分布計算安平港波高 H1/10之比較.5-48 圖5.27 以 Rayleigh 及 Weibull 分布計算安平港波高 Hs之比較...5-49 圖5.28 以 Rayleigh 及 Weibull 分布計算安平港波高 Hmean之比較5-49 圖5.29 以修正 Weibull 計算安平港波高 H1/10與實測值之比較...5-49 圖5.30 以修正 Weibull 計算安平港波高 Hs與實測值之比較...5-50 圖5.31 以修正 Weibull 計算安平港波高 Hrms與實測值之比較...5-50 圖5.32 以 Gamma 分布及 Erlang 分布計算安平港週期 T1/10 之 比較...5-53 圖5.33 以 Gamma 分布及 Erlang 分布計算安平港週期 Ts 之比較 5-54 圖5.34 以 Gamma 分布及 Erlang 分布計算安平港週期 Trms 之 比較...5-54 圖5.35 以 Erlang 分布計算安平港波浪 T1/10 與實測值之比較 ...5-54 圖5.36 以 Erlang 分布計算安平港波浪 Ts 與實測值之比較...5-55 圖5.37 以 Erlang 分布計算安平港波浪 Trms 與實測值之比較 ...5-55
表目錄
表2.1 颱風路徑歸類表...2-3 表2.2 花蓮港務局颱風路徑歸類表...2-4 表2.3 Saffir-Simpson 的颱風規模分類標準 ...2-4 表2.4 蒲福風級表...2-5 表2.5 颱風之船隻異動指數歸類表...2-7 表3.1 不同模式之學習結果分析表...3-5 表3.2 使用 GUI 介面之效率比較表...3-17 表5.1 安平港波浪數據各月之分組情形...5-2 表5.2 台北港波浪數據各月之分組情形...5-3 表5.3 2006 年安平港波高之各種分布及指標評估結果(Hs<0.5m)....5-5 表5.4 2006 年安平港波高之各種分布及指標評估結果 (0.5m<Hs<1.0m) ...5-5 表5.5 2006 年安平港波高之各種分布及指標評估結果 (1.0m<Hs<1.5m) ...5-6 表5.6 2006 年安平港波高之各種分布及指標評估結果 (1.5m<Hs<2.0m) ...5-6 表5.7 2006 年安平港波高之各種分布及指標評估結果 (2.0m<Hs<3.0m) ...5-7 表5.8 2006 年安平港波高之各種分布及指標評估結果(Hs>3.0m)....5-7 表5.9 2006 年台北港波高之各種分布及指標評估結果(Hs<0.5m)....5-8 表5.10 2006 年台北港波高之各種分布及指標評估結果 (0.5m<Hs<1.0m) ...5-8 表5.11 2006 年台北港波高之各種分布及指標評估結果 (1.0m<Hs<1.5m) ...5-9 表5.12 2006 年台北港波高之各種分布及指標評估結果 (1.5m<Hs<2.0m) ...5-9表5.13 2006 年台北港波高之各種分布及指標評估結果 (2.0m<Hs<3.0m) ...5-10 表5.14 2006 年台北港波高之各種分布及指標評估結果 (Hs>3.0m) ...5-10 表5.15 2006 年安平港週期之各種分布及指標評估結果 (Hs<0.5m) ...5-12 表5.16 2006 年安平港週期之各種分布及指標評估結果 (0.5m<Hs<1.0m)...5-12 表5.17 2006 年安平港週期之各種分布及指標評估結果 (1.0m<Hs<1.5m)...5-13 表5.18 2006 年安平港週期之各種分布及指標評估結果 (1.5m<Hs<2.0m)...5-13 表5.19 2006 年安平港週期之各種分布及指標評估結果 (2.0m<Hs<3.0m)...5-14 表5.20 2006 年安平港週期之各種分布及指標評估結果(Hs>3.0m)5-14 表5.21 2006 年台北港週期之各種分布及指標評估結果(Hs<0.5m)5-15 表5.22 2006 年台北港週期之各種分布及指標評估結果 (0.5m<Hs<1.0m)...5-15 表5.23 2006 年台北港週期之各種分布及指標評估結果 (1.0m<Hs<1.5m)...5-16 表5.24 2006 年台北港週期之各種分布及指標評估結果 (1.5m<Hs<2.0m)...5-16 表5.25 2006 年台北港週期之各種分布及指標評估結果 (2.0m<Hs<3.0m)...5-17 表5.26 2006 年台北港週期之各種分布及指標評估結果(Hs>3.0m)5-17 表5.27 Weibull 分布系列之統計特性公式...5-20 表5.28 Gamma 分布系列之統計特性公式 ...5-22 表5.29 波高統計特性與實測值之比較(Hs<0.5m) ...5-24 表5.30 波高統計特性與實測值之比較(0.5m<Hs<1.0m) ...5-24 表5.31 波高統計特性與實測值之比較(1.0m<Hs<1.5m) ...5-24 表5.32 波高統計特性與實測值之比較(1.5m<Hs<2.0m) ...5-25
表5.33 波高統計特性與實測值之比較(2.0m<Hs<3.0m) ...5-25 表5.34 波高統計特性與實測值之比較(Hs>3.0m)...5-25 表5.35 週期統計特性與實測值之比較(Hs<0.5m)...5-30 表5.36 週期統計特性與實測值之比較(0.5m<Hs<1.0m) ...5-30 表5.37 週期統計特性與實測值之比較(1.0m<Hs<1.5m) ...5-30 表5.38 週期統計特性與實測值之比較(1.5m<Hs<2.0m) ...5-31 表5.39 週期統計特性與實測值之比較(2.0m<Hs<3.0m) ...5-31 表5.40 週期統計特性與實測值之比較(Hs>3.0m)...5-31 表5.41 安平港示性波高與各分佈函數評估結果...5-35 表5.42 臺北港示性波高與各分佈函數評估結果...5-35 表5.43 花蓮港示性波高與各分佈函數評估結果...5-35 表5.44 計算臺北港波高統計值與實測值之比較(1.5m<Hs<2.0m) ..5-36 表5.45 計算臺北港波高統計值與實測值之比較(2.0m<Hs<3.0m) ..5-36 表5.46 計算臺北港波高統計值與實測值之比較(Hs>3.0m)...5-36 表5.47 計算臺北港週期統計值與實測值之比較(Hs<0.5m)...5-41 表5.48 計算臺北港週期統計值與實測值之比較(0.5m<Hs<1.0m) ..5-41 表5.49 計算臺北港週期統計值與實測值之比較(1.0m<Hs<1.5m) ..5-41 表5.50 計算臺北港週期統計值與實測值之比較(1.5m<Hs<2.0m) ..5-42 表5.51 計算臺北港週期統計值與實測值之比較 (2.0m<Hs<3.0m) 5-42 表5.52 計算臺北港週期統計值與實測值之比較(Hs>3.0m)...5-42 表5.53 計算安平港波高統計值與實測值之比較(Hs<0.5m)...5-46 表5.54 計算安平港波高統計值與實測值之比較(0.5m<Hs<1.0m) ..5-46 表5.55 計算安平港波高統計值與實測值之比較(1.0m<Hs<1.5m) ..5-46 表5.56 計算安平港波高統計值與實測值之比較(1.5m<Hs<2.0m) ..5-47 表5.57 計算安平港波高統計值與實測值之比較(2.0m<Hs<3.0m) ..5-47 表5.58 計算安平港波高統計值與實測值之比較(Hs>3.0m)...5-47 表5.59 計算安平港週期統計值與實測值之比較(Hs<0.5m)...5-51 表5.60 計算安平港週期統計值與實測值之比較(0.5m<Hs<1.0m) ..5-52 表5.61 計算安平港週期統計值與實測值之比較(1.0m<Hs<1.5m) ..5-52 表5.62 計算安平港週期統計值與實測值之比較(1.5m<Hs<2.0m) ..5-52
表5.63 計算安平港週期統計值與實測值之比較 (2.0m<Hs<3.0m) 5-53 表5.64 計算安平港週期統計值與實測值之比較(Hs>3.0m)...5-53 表 5.65 花蓮港示性波高與各分佈函數評估結果...5-56 表 5.66 臺北港示性波高與各分佈函數評估結果...5-57 表 5.67 安平港示性波高與各分佈函數評估結果...5-57 表 5.68 花蓮港示性週期與各分佈函數評估結果...5-58 表 5.69 臺北港示性週期與各分佈函數評估結果...5-59 表 5.70 安平港示性週期與各分佈函數評估結果...5-59 表 5.71 花蓮港各月份實際值與理論值之聯合機率評估結果 ...5-60 表 5.72 臺北港各月份實際值與理論值之聯合機率評估結果 ...5-61 表 5.73 安平港各月份實際值與理論值之聯合機率評估結果 ...5-61
第一章
緒論
1.1 前言
台灣濱臨太平洋，位處易受颱風或異常波浪侵襲之地區，而颱風 所引起的巨浪為破壞港灣的重要因素，其亦困擾港內船舶作業與碇靠 之管理。因此，港內之穩靜情況關係著船隻碇泊與貨物裝卸作業管理 之重要。鑑於颱風或異常波浪對港灣設施及船隻碇泊的重要性，本研 究擬延續95 年度之工作方式與研析方法，依據本所港研中心所收集之 歷年海象資料，包括波浪與潮位資料以及歷年港內船舶碇靠、離港紀 錄進行分類分析，並應用模糊理論與類神經網路之方法分析，從波浪 之觀測與船舶動態資料分析並建立預警模式予以港灣管理單位做即時 的判斷與反應，建立一個可即時性反應的船舶動態管理系統，俾提供 港務單位船隻碇泊、裝卸作業及離港疏散之參考依據。 由於港內外海氣象調查相關性資料的貧乏及相關推算模式之即時 反應效用的欠缺，目前國內主要港口尚無有關港內外波浪特性與船舶 動態管理機制探討的具體研究。另外，各港區所辦理之海氣象觀測資 料及相關即時資訊系統，在颱風強大的波浪作用下，量測儀器可能受 損或遺失，導致量測資料失去連續性，使得估計的設計波浪發生誤差， 因此必須建立精確的資料補遺系統，以為港灣擴建發展及防災的重要 依據。同時，以海氣象統計計量分析模式，推算臺灣各國際港區之颱 風波浪資料的相關性，藉以建立各港區颱風波浪之補遺模式，以補遺 過去因儀器故障或遺失的量測資料，構製完整的颱風波浪資料庫，並 據此建立各港區波浪相關特性之統計分析模式。因此，如何建立觀測 資料分類與分析，並進行預警系統的建置，為本研究重要的課題。 本次計畫將以95 年度之相關研究及分析結果，配合類神經網路等 技術，建立一個以台灣港灣為主的颱風動態參數與船舶動態關係之模 式，以期能建立有系統之颱風波浪資料補遺，進而能提高預警防災的能力。
1.2 歷年計畫工作內容
本研究屬本所「臺灣國際港區船舶動態管理系統及颱風波浪資料 補遺研究」(94-97 年)計畫規劃 4 年研究計畫，並於第一年(94)度完成 以下兩階段之工作項目： 1. 針對花蓮及蘇澳港區之港內外波浪及颱風情況，進行波浪資料以及 歷年港內船舶動態紀錄與颱風因子等因素之統計分析與特性研究， 以此作為類神經網路之學習輸入值之篩選，以利船舶動態類神經網 路模式之建立。 2. 蒐集颱風資料與現場波浪資料，應用類神經網路及模糊理論建立以 花蓮港之颱風波浪類神經網路模式，並以颱風參數及其相對花蓮港 之方位角等進行分析與模式之建立，並以 9 場颱風作為學習，以 8 場颱風測試該模式在颱風波浪資料補遺的應用。 第二年(95)度完成以下兩階段之工作項目： 1. 針對花蓮港區之歷年港內船舶動態紀錄與颱風因子等，包括波浪與 颱風資料以及歷年港內船舶碇靠、離港紀錄等因素進行統計分析與 特性研究，並分析船隻異動與颱風波浪之關係。整理颱風與影響船 隻動態的因子可包括：颱風路徑、颱風規模、風速、颱風中心與花 蓮港之角度與颱風中心之經緯度等因素，完成類神經網路船舶動態 模式。 2.另外，對於花蓮港之波浪資料則進行波高及週期之以誤差均方根 (RMS)、相關性(R2)、離島型直方圖(Pi=0)與判斷是否為雙峰直方圖 (|Pi-Pj|>1/N)等四種參數來探討最適之機率分佈特性和最佳分組組 數。決定最佳組數與最適之機率分佈，並以此探討波高與週期之統 計特性。1.3 本年度計畫工作內容
本計畫研究範圍與對象為花蓮港之港內外區域，並收集歷年海象 資料，包括波浪資料以及歷年港內船舶碇靠、離港紀錄等。以分析船 隻異動與颱風波浪之關係，並修正 95 年度之船舶動態類神經網路模 式。另外就波浪統計分析，以台北港及安平港之波浪資料，將建立波 浪特性推算模式，以進行相關波浪之補遺與統計特性模式之建立。本 年度(96)研究計畫已完成之工作項目分為兩部份： (一) 港區船舶動態管理特性研究 1. 分析通過花蓮港區颱風特性與船舶動態關係。 2. 改善類神經網路之船舶動態與颱風推算基本模式 (二) 颱風波浪資料補遺分析 1. 建置花蓮港域波浪特性統計分析模式。 2. 初步建立安平港域波浪特性統計分析模式。 3. 波浪特性統計分析模式技術訓練與轉移。1.4 研究動機與文獻回顧
花蓮港面臨西太平洋，且在夏季平均約有 3 至 4 個颱風侵襲，使 得特殊港形的花蓮港面臨著港池震盪的問題。根據張(1996)分析花蓮港 船隻動態與長波之關係中得知，每年颱風波浪造成船隻出港避風之次 數高達 5 至 6 次之多，而除了強烈的風力對船隻停泊有影響外，長波 所造成船隻的搖晃，亦是造成船隻斷纜或出港之主要因素，所以船隻 動態與颱風波浪關係密切。往昔學者如簡和曾(1999)分析颱風資料得到 颱風波浪大小與颱風行進路徑及強度規模有關。張和郭(1999)提出花蓮 港在波浪週期於 96 秒時會有明顯港池共振現象，若岸壁反射率小於 0.9 時則共振情況會緩和且當外海入射波向為東南向之波浪對花蓮港 港池靜穩定之影響最大，因此花蓮港容易受到夏季太平洋之颱風波浪 或東南方向遠洋傳來之湧浪影響，造成港池不靜穩。郭(2001)提出颱風 波浪的大小與颱風之規模強度、颱風風速及颱風的行進方向等有很大的關係。張和簡(2002)探討颱風期間實測波浪延時變化，其結果顯示波 浪成長與颱風路徑、最大風速、中心移動度等有密切關係。因此花蓮 港之船隻停泊在颱風侵台期間目前仍面臨出港躲避湧浪之困擾。 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)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。Deo 等人(2002、2003)則以類神經 網路分析波向及推算碎波波高。錢等人(2002)利用神經-模糊網路推算 颱風波浪並建立颱風行為及氣象與颱風波浪間的關係。張和錢(2003) 結合Holland 颱風風場模型與類神經網路，建立三種不同影響參數之台 灣東部近岸颱風波浪推算模式以模擬颱風波浪。Makarynskyy(2004)為 修正短期波浪之預測，分析不同延時之測試對預測風浪正確性之關 係，並建立輸入值為 48 小時與輸出值為 24 小時之波高及周期類神經 學習網路，以此進行較長時間且可獲得較正確之波浪預測。Kalra 等人 (2005)則以衛星量測之外海波浪特性及風場資料，進行近岸類神經網路 風浪之推算。蔡(2005)以適應性類神經網路(ANFIS)建立風速大小、風 向與對應波浪之架構，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類 神經網路模式，以進行颱風波浪之推算。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。Kazeminezhad(2005) 以實測之風速及吹風延時以 ANFIS 模式進 行波高及周期的推算，並與CEM(Coastal Engineering Manual)的方法比 較，其誤差結果較CEM 小。Őzger and Sen(2007) 應用模糊系統，以實 測風速及前一個延時的波高及周期推算下一個時間的波高與周期值。 Browne 等人(2007)應用 9 個 NOAA Wave Watch III 模式之輸出參數，
以類神經網路進行實測波高學之習與預測，其平均誤差結果較 SWAN
徑向基底類神經網路(RBF)進行近岸測站之波高及周期的推算。 在 波 浪 統 計 部 份 ， 本 計 畫 將 分 析 波 高 與 週 期 的 統 計 關 係 。 Longuet-Higgins(1952)證明了海面上的波高應該近似於 Rayleigh 分 佈。Forritall(1978)同意大部分的海上波高機率皆為 Rayleigh 分佈，但 是卻容易高估了較大的波高，因此以墨西哥灣暴風雨來臨時的實測波 浪資料作為分析依據，提出了另一種有兩參數的 Weibull 分佈模式。 Pan(1992)利用中國沿海各地至少三年以上的波浪資料，驗證出海上波 高的機率分佈為對數-常態分佈。錢(1991)也提到海面波高的機率分佈 為常態分佈；此外，Guedes(2001)也根據葡萄牙的港外波高資料，証實 出波高合適的機率分佈為 Weibull 分佈；Satheesh 等人(2005)則以印度 Alleppey 的波高資料作機率分佈，也說明了其波高分佈以 Weibull 分佈 最佳。 另外，在週期方面則有，Rayleigh(1952) 提出如果水面的變化是常 態分佈，且波譜也符合窄頻條件的話，那麼風波場裡的週期分佈，就 可以用Rayleigh 模式來描述。Bretschneider(1959)亦曾提出週期的平方 成 Rayleigh 分佈的建議。Erlang(1917)提出 Erlang 分佈理論，其為 Gamma 分佈中的特殊分佈理論，當 Erlang 分佈中的變數 λ 為 1 時， Erlang distribution 會趨近於 exponential distribution；變數 λ 越來越大 時，Erlang 分佈就會接近一個常態分佈。Nair 等(2002)提出將 Erlang 分佈應用在波浪週期分佈上，提出平均週期、示性週期、平均最大週 期、出現頻率最多的最大週期及週期極值等 5 個理論值，與實際波浪 資料比較後，證明Erlang 分佈應用在波浪週期上之正確性。 本年度(96)則繼續測試及修正先前(95 年度)之船舶動態預報模 式，藉以提高模式預報的準確度。本年度之模式建構則以輸入參數與 輸出值之間的關係，藉以檢定輸入參數是否適合描述輸出值，以便選 擇合適的輸入參數，提高模式推算的準確性。輸入參數(颱風參數)與輸 出值可能因為資料收集的遺失影響學習結果，並降低模式計算的準確 性。因此，本計畫將利用統計方法、經驗公式及相關理論式尋找、建
立適合的轉移函數，降低模式輸出的誤差值，此對類神經模式之計算 精度具有提升之作用。於波浪統計方面，本計畫則進行安平港與台北 港波浪週期、波高之機率分佈探討、波高週期之聯合分佈最適函數及 其特性分析與波浪長週期特性之研究等，最後則建立波浪統計模式。
第二章
颱風與船舶動態特性分析
颱風強弱影響波浪大小，波浪大小影響港池之靜穩度，而港池靜 穩度則關係船隻停泊或者出港避浪等不同的動態。簡和曾(1999)所述颱 風波浪大小與颱風行進路徑及強度規模有關；而波浪是由風吹過海面 而造成的，風愈大波浪亦愈高；颱風中心與花蓮港之角度影響颱風波 浪是否直接侵襲花蓮港而造成花蓮港之共振，張與郭(1999)發現以外海 入射波向為西南向(SE)波浪對花蓮港港池靜穩定之影響最大。張和錢 (2003)發現當颱風距離推算點在 1500 公里以內時，波高隨著颱風的接 近明顯升高，由此可知，波高與距離有著明顯的關係。95 度計畫則將 影響船隻動態的因子做類神經網路之輸入值，包括：颱風路徑、颱風 規模、風速、颱風中心與花蓮港之角度與颱風中心之經緯度等六個影 響船隻動態的颱風參數，並完成船舶動態類神經網路預警模式。本年 度(96)計畫之船隻動態紀錄表已更新至 94 年，95 年颱風皆不影響花蓮 之船隻動態，因此無花蓮港船隻動態紀錄，示如附錄 1。95 年度之計 畫將每場颱風僅取一天之時間，且為 6 小時取一次之數據，作為神經 網路之學習資料，於學習及推算過程中仍有些許誤差，本年度(96)將對 颱風因子進行重新分析，以新的因子作為類神經網路之輸入值，以修 正去年度完成之船舶動態預警類神經網路模式。2.1 船舶動態與颱風特性
本計畫根據此九種颱風路徑分類法，花蓮港港務局提供民國85 年 至 94 年之船隻動態表中有關颱風共 68 場整理其相關影響因子，颱風 路徑、颱風規模、風速、颱風中心與花蓮港之角度與颱風中心之經緯 度等。由路徑分類可示如表2.1。由表 2.1 發現第 6 種路徑最多，共有 37 個；其次為第 5 種路徑有 10 個，而第 2、4、9 種路徑最少。另外， 由花蓮港務局持續觀察花蓮港港池受颱風影響之狀況，影響港池之程 度概取決於颱風之路徑、強度、暴風圈範圍及其行進速度等因素，就台灣東部海域之颱風對花蓮港港池狀況之影響歸納進行 7 種路徑分 類，路徑分類可示如表2.2，路徑說明如下： 1. 由台灣西南方之南中國海生成之颱風由巴士海峽約朝東北向進入台 灣東南海域並持續遠離台灣者，均不至對花蓮港港池造成共振現象。 2. 由台灣東北部外海生成之颱風朝西南向接近台灣而未直接侵襲花蓮 者，亦不至對花蓮港港池造成共振現象。 3. 在菲律賓呂宋島東方海域生成之颱風朝西向通過呂宋島者，亦不至 對花蓮港港池造成共振現象。 4. 在菲律賓呂宋島東方海域生成之颱風朝西北向接近台灣並直接侵襲 花蓮者，影響最為嚴重。 5. 在菲律賓呂宋島東方海域生成之颱風朝西北向接近台灣再轉北北西 或轉北由花蓮外海通過者，影響亦甚顯著。 6. 在菲律賓呂宋島東方海域生成之颱風朝西北向接近台灣由台灣南端 或巴士海峽通過者，影響亦稱明顯。 7. 在菲律賓呂宋島東方海域生成之颱風朝西北，在距台灣尚遠時，緯 度即高過花蓮者，在未接近台灣前即轉北北西或轉北由台灣東部外 海通過，甚至轉北北東、東北而遠離台灣東部外海者，亦稍有影響 或甚至無影響。 其中，1-3 類對花蓮港幾乎無影響，4、5、6、7 類的颱風波浪對花 蓮港影響差異甚大。上述分類方式係港務局針對花蓮港之船舶管理而 自行制訂，因此本模式將採用該歸類方式進行模式建構。 颱風風速之分類示如表 2.3。本計畫依照 Saffir-Simpson 之分類標 準，將颱風規模依據颱風中心氣壓及最大風速分為五級，每級各約有 9-18 個。由表 2.4 蒲福風級表(Beaufort Scale)可知當風速越大，波高則 越大，風速與波高有著明顯的關係，因此，本計畫亦將風速納入影響 因子中。
表 2.1 颱風路徑歸類表
颱風路徑 颱風名稱 個數
1 溫妮(Winnie, 1997)、辛樂克（Sinlake, 2002）、蘭寧（Rananim, 2004）、艾利（Aere, 2004）、馬莎（Masta, 2005） 5 2 賀伯（Herb, 1996）、海棠（Haitang, 2005）、泰利（Talim, 2005） 3 3 安珀（Amber, 1997）、奧托（Otto, 1998）、碧利斯（Bilis, 2000）、桃芝（Toraji, 2001）、龍王（Longwang, 2005） 5
4 莫拉克（Morakot, 2003） 1
5
莎莉（Sally, 1996）、貝絲（Beth, 1996）、瑪姬（Maggie, 1999）、 山姆（Sam, 1999）、貝碧佳（Bebinca, 2000）尤特（Utor, 2001）、 尹布都（Imbudo, 2003）、科羅旺（Krovanh, 2003）、杜鵑（Dujuan, 2003）、珊瑚（Sanvu, 2005）
10
6
魏萊特（Violet, 1996）、薩恩（Zane, 1996）、戴兒（Dale, 1996）、 伊莎（Isa, 1997）、歐珀（Opal, 1997）、彼得（Peter, 1997）、 羅西（Rosie, 1997）、蒂娜（Tina, 1996）、楊妮（Yanni, 1998）、 瑞伯（Zeb, 1998）凱特（Kate, 1999）、歐佳（Olga, 1999）、 奇洛基（Kirogi, 2000）、雷馬遜（Rammasun, 2002）、科吉拉 （Kujira, 2003）、艾陶（Etau, 2003）、米勒（Melor, 2003）、 蘇迪勒（Soudrlor, 2003）、梅米（Maemi, 2003）、海燕（Haiyan, 2003）、盧比（Lupit, 2003）、巴比崙（Prapiroon, 2000）、凱 沙娜（Ketsana, 2003）、舒達（Sudal, 2004）、妮妲（Nida, 2004）、 康森（Conson, 2004）、敏督利（Mindulle, 2004）、梅姬（Megi, 2004）、佳芭（Chaba, 2004）、納坦（Nock-Ten, 2004）、桑達 （Songda, 2004）、米雷（Meari, 2004）、馬鞍（Man-On, 2004）、 陶卡基（Tokage, 2004）、桑卡（Sonca,2005）、尼莎（Nesat, 2005）、 娜比（Nabi, 2005）、卡努（Khanun, 2005）
37
7 葛樂禮（Gloria, 1996）、奇比（Chebi, 2001）、丹恩（Dan, 1999） 3 8 艾文（Ivan, 1997）、維琪（Vicki, 1998）、象神（Xangsane, 2000） 3
表2.2 花蓮港務局颱風路徑歸類表 颱風路徑 颱風名稱 個數 1 凱姆（Cam）、維琪（Vicki）、西馬隆（Cima）、諾古力（Noguri）、 南卡（Nangka）、米勒（Melor）、康森（Conson） 7 2 寶發（Bopha）、 納莉（Nari） 2 3 貝絲（Beth）、費絲（Faith）、科羅旺（Krovanh）、 康伯斯（Kompasu） 4 4 安珀（Amber）、碧利斯（Bilis）、桃芝（Toraji）、 敏督利（Ｍindulle）、納坦（Nock-Ten） 5 5 賀伯（Herb）、瑞伯（Zeb）、柯吉拉（Kujira）、妮妲（Nida）、 陶卡基（Tokage） 5 6 葛樂禮（Gloria）、莎莉（Sally）、奧托（Otto）、瑪姬（Maggie）、 山姆（Sam）、丹恩（Dan）、奇比（Chebi）、 尤特（Utor）、 利奇馬（Lekima）、尹布都（Imbudo）、莫拉克（Morakot）、 杜鵑（Dujuan） 12 7 魏萊特 (Violet)、薩恩（Zane）、戴兒（Dale）、歐珀（Opal）、 彼得（Peter）、羅西（Rosie）、蒂娜（Tina）、溫妮（Winnie）、 艾文（Ivan）、 歐佳（Olga）、巴特（Bart）、奇洛基（Kirogi）、 巴比侖（Prapiroon）、雅吉（Yagi）、海燕（Haiyan）、雷馬 遜（Rammasun）、 艾陶（Etau）、梵高（Vanco）、梅米（Maemi）、 凱莎娜（Ketsana）、盧碧（Lupit）、舒達（Sudal）、馬鞍（MA-ON）、 蘭寧（Rananim）、梅姬（Megi）、佳芭（Chaba）、艾利（Aere）、 桑達（Songda）、米雷（Meari） 29 表2.3 Saffir-Simpson 的颱風規模分類標準 颱風規模 壓力（mb） 風速（knts） 1 級颱風 >980 64~82 2 級颱風 965~980 83~95 3 級颱風 945~965 96~112 4 級颱風 920~945 113~134 5 級颱風 <920 >134
表2.4 蒲福風級表 蒲福 風級 名稱 風速 浪高 風 浪 每時海浬 每秒公尺 一般 最高 0 無風 - 1以下 0-0.2 0 0 1 軟風 微波 1-3 0.3-1.5 0.1 0 2 輕風 微波 4-6 1.6-3.3 0.2 0.3 3 微風 小波 7-10 3.4-5.4 0.6 1 4 和風 小浪 11-16 5.5-7.9 1 1.5 5 清風 中浪 17-21 8.0-10.7 2 2.5 6 強風 大浪 22-27 10.8-13.8 3 4 7 疾風 大浪 28-33 13.9-17.1 4 5.5 8 大風 巨浪 34-40 17.2-20.7 6 7.5 9 烈風 猛浪 41-47 20.8-24.4 7 10 10 狂風 猛浪 48-55 24.5-28.4 9 12.5 11 暴風 狂濤 56-63 28.5-32.6 11.5 16 12 颶風 狂濤 64-71 32.7-36.9 14以上 16以上 13 颶風 狂濤 72-80 37.0-41.4 14以上 16以上 14 颶風 狂濤 81-89 41.5-46.1 14以上 16以上 15 颶風 狂濤 90-99 46.2-50.9 14以上 16以上 16 颶風 狂濤 100-108 51.0-56.0 14以上 16以上 17 颶風 狂濤 109-118 56.1-61.2 14以上 16以上 張和錢(2003)整理分析颱風中心位置距離觀測站的距離與觀測站 的指示波高的關係圖，如圖2.1 所示。圖 2.1 可以發現當颱風距離推算 點在 1500 公里以上時波高與颱風無明顯關係，若在 1500 公里以內則 波高與距離有著明顯的關係。本計畫依花蓮港之船舶動態紀錄表整理 及分析在颱風來臨期間，共分成四種船隻動態分別為
(1) 花蓮港內之船隻與其裝卸作業皆未受影響。 (2) 花蓮港內產生湧浪，但湧浪並未大到影響裝卸作業，船隻亦不 需出港避風。 (3) 產生之湧浪大到船隻需出港避風，才能免除斷纜的可能。 (4) 船隻產生了斷纜。 船隻發生斷纜可能造成船隻在港內任意漂泊進而造成船隻更嚴重 之船隻異動，如可能與港內其他之船隻產生破撞等。因此，我們將斷 纜歸於最嚴重之船隻異動指數4，並依據對船隻異動之嚴重性，將定義
為四個等級的船隻異動指數(Index for ship escape， ISE)。
根據此4 個船隻異動指數，並將 68 個颱風加以分類，示如表 2.5。 由表2.5 及附錄 1 可知 68 場颱風中有 29 場造成船隻的斷纜，有 10 場 颱風對船隻沒有造成影響，15 場颱風有湧浪的產生，15 場颱風船隻需 出港避風的情形。 0 1000 2000 3000 4000 D (m) 0 2 4 6 8 10 Hs (m ) 圖2.1 颱風距離與觀測站示性波高關係(見張和錢(2003))
表2.5 颱風之船隻異動指數歸類表
船隻異動
指數 颱風名稱 個數
1
貝絲（Beth, 1996）、維琪（Vicki, 1998）、凱特（Kate, 1999）、貝碧佳（Bebinca, 2000）、巴比崙（Prapiroon, 2000）、海燕（Haiyan, 2001）、凱莎娜（Ketsana, 2003）、 康森（Conson, 2004）、蘭寧（Rananim, 2004）、梅姬 （Megi, 2004） 10 2
彼得（Peter, 1997）、蒂娜（Tina, 1997）、楊妮（Yanni, 1998）、丹恩（Dan, 1999）、辛樂克（Sinlake, 2002）、莫 拉克（Morakot, 2003）、科羅旺（Krovanh, 2003）、科羅 旺（Krovanh, 2003）、梅米（Maemi, 2003）、妮妲（Nida, 2004）、佳芭（Chaba, 2004）、米雷（Meari, 2004）、馬鞍 （Ma-On, 2004）、桑卡（Sonca,2005）、尼莎（Nesat, 2005）
15
3
魏萊特（Violet, 1996、）戴兒（Dale, 1996）、羅西（Rosie, 1997）、瑪姬（Maggie, 1999）、山姆（Sam, 1999）、奇洛 基（Kiroji, 2000）、奇比（Chebi, 2001）、尤特（Utor, 2001）、柯吉拉（Kujira, 2003）、杜鵑（Dojuan, 2003）、 米勒（Melor, 2003）、舒達（Sudal, 2004）、桑達（Songda, 2004）、納坦（Nock-Ten, 2004）、海棠（Haitang, 2005）、 卡努（Khanun, 2005）
15
4
葛樂禮（Gloria, 1996）、賀伯（Herb, 1996）、莎莉（Sally, 1996）、薩恩（Zane, 1996）、伊莎（Isa, 1997）、歐珀（Opal, 1997）、溫妮（Winnie, 1997）、安珀（Amber, 1997）、艾 文（Ivan, 1997）、奧托（Otto, 1998）、瑞伯（Zeb, 1998）、 芭比絲（Babs, 1998）、歐佳（Olga, 2000）、碧利斯（Bilis, 2000）、象神（Xangsane, 2000）、桃芝（Toraji, 2001）、 雷馬遜（Rammasun, 2002）、蘇迪勒（Soudelor, 2003）、 尹布都（Imbudo, 2003）、艾陶（Etau, 2003）、盧比（Lupit, 2003）、敏督利（Mindulle, 2004）、艾利（Aere, 2004）、 陶卡基（Tokage, 2004）、馬莎（Masta, 2005）、珊瑚（Sanvu, 2005）、泰利（Talim, 2005）、娜比（Nabi, 2005）、龍 王（Longwang, 2005） 29 船隻異動指數1：花蓮港內之船隻與其裝卸作業皆未受影響。 船隻異動指數2：花蓮港內產生湧浪，但湧浪並未大到影響裝卸作業， 船隻亦不需出港避風。 船隻異動指數3：產生之湧浪大到船隻需出港避風，才能免除斷纜的可 能。 船隻異動指數4：船隻產生了斷纜。
2.2 颱風風速及方位角對船舶動態的影響
本計畫對於颱風風速及颱風中心至花蓮港之方位角對船隻異動指 數進行分析，示如圖 2.2 及 2.3。由圖 2.2 可看出船隻異動指數 1 分布 於 75~175knots 的範圍，指數 2~4 則其風速分布在 55~295 knots 的範 圍，指數 2~4 之颱風風速指數 1 之風速較無鑑別度，顯示颱風風速必 非直接影響船隻異動。另外，由圖2.3 可知，影響花蓮港船舶動態，以 花蓮港之緯度為界 0~150 度及-60~0 度，且各指數之分佈範圍約略相 似。由風速及方位角對異動指數之關係，可知兩者之分佈較分散，雖 無一定之規則及不易辨識，但該兩參數仍是可定性描述影響異動指數 之關係。因此，本計畫將應用類神經網路之學習及對機制不明顯之描 述功能，予以分辨風速及方位角對異動指數之影響。 圖2.2 颱風風速與船隻異動指數關係圖圖2.3 颱風中心至測站方位角與船隻異動指數關係圖
2.3 輸入資料之設定與修正
本計畫依花蓮港記錄的船舶動態資料，將模式學習目標 ISE 設定 共分1-4 級，考慮記錄資料當時發佈船隻出港警訊 ISE 3 後，颱風持續 接近後並無發佈提高 ISE 等級的警訊，因此，當颱風直撲或氣象局對 花蓮港區域發佈颱風陸上警報時，將修正 ISE 3 提升至 ISE 4。由 95 年度之颱風影響船舶動態參數颱風動態參數為颱風路徑、颱風所處經 緯度、颱風規模、颱風風速及颱風中心與花蓮港之方位角等皆屬於連 續的函數，相對應顯示的ISE 預報的 4 個等級屬於步階函數。 因此，學習及預測的過程不容易提高準確度，考慮颱風事件與距 離由直接的關係且距離的尺度較大的條件下，將步階函數性質的資料 (ISE)除以距離的對數進行修正，使步階函數轉換成為接近連續的函數 的性質呈現，以提高類神經網路學習的能力並降低誤差。經過95 年度 之研究結果與相關資料綜合分析，原始模式經修正後，選用颱風與花 蓮港距離(D)、颱風最大風速(Vmax)、颱風中心至花蓮港之角度(θ1)、颱 風行進方位角(θ2)、風場能量 En(Vmax/Log(D))與中央氣象局發佈之海、陸上警報(WI,Waring Index)等六個影響船隻動態的颱風因子建立颱風 與ISE 間的關係，其相關因子之示意圖如圖 2.4 所示。其中，海上颱風 警報定義為：颱風七級暴風圈二十四小時後進入臺灣或金門、馬祖海 岸線一百公里以內海域時發布，之後每三小時發報一次，必要時得加 發之。海、陸上颱風警報定義為：預測颱風七級暴風圈十八小時後進 入臺灣或金門、馬祖陸上時發布，之後每一小時發報一次。必要時得 同時發布海上陸上颱風警報，不受上列條件所規範。解除颱風警報定 義為：當颱風的七級風暴風範圍離開臺灣或金門、馬袓陸地，但仍未 離一百公里近海時，改發海上颱風警報；當確定颱風離開一百公里近 海時，即發布解除警報。颱風轉向或消散時，得直接解除颱風警報。 圖2.4 影響船舶動態之颱風因子示意圖 本計畫以95 年度建構之船舶動態類神經網路架構為基礎，並將模 式修正方向歸納為以下三點： 1. 類神經網路船舶動態預報模式之輸入值將連結颱風預報中心颱風氣 象資料，預報資料來源包括：中央氣象局、JTWC 所發佈的颱風 48 小時預測颱風的路徑、規模及移動速度。於颱風可能侵襲花蓮港之 D θ1 θ2
前，由預測的颱風氣象資料推測未來48 小時船舶在港內受到颱風波 浪影響的相對行為，依船舶可能受影響的程度提供 1-4 級不同的警 告，以維護船舶及港區之安全，便於管理者提前因應颱風事件確實 掌握船隻狀況，隨時準備出港避風降低颱風對船隻的影響。 2. 建立不同類型及颱風路徑的獨立運算模式，依颱風侵台方式歸類進 行船舶動態預報。由 94、95 年度的研究結果並參考花蓮港務局對颱 風侵襲花蓮港七種路徑，經分析顯示不同種類路徑對花蓮港影響的 程度差異甚大。颱風在相似路徑與規模的條件下，每次颱風事件之 間的差異如路徑、位置與移動速度間複雜的關係對花蓮港內造成的 影響仍有不同。 3. 本計畫將參考花蓮港務局對颱風侵襲花蓮港七種路徑的歸類，以及 花蓮港紀錄之船舶動態資料進行分析與建立適當的模式，藉以充分 反應七種路徑、颱風運動行為與船舶動態間的關係。 考量颱風路徑及颱風停滯、加速、轉向等行為對颱風波浪的影響 時，就必須探討颱風過去時刻的行為。藉由連續時間的資料輸入，可 增加輸入參數間的關聯性，如連續時間的颱風的位置可取代颱風移動 速度。本計畫將上述修正方式對照95 年度之模式輸入值，修正颱風動 態參數，包括： 1. 本計畫初步依花蓮港務局對颱風侵襲花蓮港七種路徑，配合颱風、 船舶動態實測資料進行適當的調整。 2. 配合颱風影響的範圍，以直角座標經緯度表達的方式改為颱風中心 與花蓮港距離D 及颱風中心與花蓮港之方位角θ1等兩個參數，以 符合颱風位置與船舶動態的關係。 3. 颱風影響範圍 En，最大風速與距離比(Vmax/Log(D))，此參數的目的 在表達不同規模的颱風影響範圍，也可描述不同En值與 ISE 間的關 係。 4. 颱風最大風速 Vmax，則表示不同位置下颱風規模與ISE 的直接關係。 5. 颱風行進之方向角θ2，則是建立不同位置時颱風風向特性，藉以區 分颱風左右半圓與ISE 間的關係。
6. 海、陸上颱風警報 WI，則是配合氣象局發佈的預警系統建立與 ISE 的關係，其中WI 值在颱風生成時為 1，海上警報發佈時為 2，陸上 警報發佈時為3。 藉由上述參數之統計分析，進而可獲得定性上的颱風動態特性， 並同時考慮颱風運動軌跡對船舶動態的影響，並將颱風動態參數時間 序列資料對船舶動態進行關聯性分析。
第三章
船隻動態預警模式之建構
3.1 類神經網路
類神經網路(Artficial neural network，ANN)是模擬人腦之結構及訊 息傳遞的過程，所建立之刺激輸入值及反應輸出值間之關聯模式，對 於物理現象本身機制不明、複雜或其推論方程式之建立有遺漏部份， 該模式都能以學習過程之方式建立輸入及輸出間之最適化模式，以描 述整個物理現象。本文應用類神經網路具有學習最佳化的功能，並透 過其模式輸出值與學習目標值間的連結建立起其相關性，利用網路權 重(weights)與門限值(bias)來表示其關係的強弱。本文所選取之網路演 算法則為倒傳遞法(Back-propagation)，由於倒傳遞網路具有監督式的學 習，神經元間的交互作用經由該學習方式求得模式輸出值與實際值之 最小均方根誤差。本文架構神經網路使用Matlab 軟體來建置倒傳遞類 神經網路，如圖3.1 所示。 圖3.1 類神經網路架構示意圖 倒傳遞學習演算法是被廣泛使用的一種學習演算法，因其具有學 習及回想的功能，故可在回想過程中以相同於學習過程的方式來進行 預測。一般倒傳遞網路可分為三部份，輸入層用以接受外在環境的訊 息，隱藏層則表現輸入與輸出層各處理單元間的相互關係，並以權重 和閥值來闡述該相關性，輸出層用以輸出訊息給外在環境。倒傳遞網
路學習方式是由輸入相當數量之學習樣本，應用向前饋入與誤差向後 修正兩步驟，推求輸入變數與輸出變數的內在對映規則，再應用回想 功能，進行新案例之輸出變數值推估。 圖3.1 所架構之網路為一層隱藏層及一層輸出層，Trans.為轉換函 數，s
及
r 為隱藏層及輸出層之神經元個數，其扮演推論結果經由轉換 函數映射之過程。P 為輸入變數矩陣，IW和 b1為輸入層與隱藏層間的 權重和閥值矩陣，LW和b2為輸出層與隱藏層間的權重和閥值矩陣。經 由網路學習誤差最佳化的過程，神經網路將輸入值及學習目標值的關 係紀錄在閥值與權重上，以此表示輸入值與學習目標值間的關係強 弱。其中，類神經網路使用轉換函數使隱藏層模仿生物神經元處理非 線性的機能，以輸入值之加權乘積和轉換成處理單元之輸出值。整個 倒傳遞網路模式由隱藏層與輸入參數及輸出層的關係可用方程式表示 為(
1 1 1)
1 1 1s× = fs× IW s×nPn× +b s× a , , , (3.1)(
1 1 2 1)
1 1 2r× = fr× LW r×sa s× +b r× a , , , , (3.2) 其中 a1 為隱藏層之輸出值矩陣，a2 為倒傳遞網路輸出值矩陣，f 為轉換函數。藉由上式之運算後求出網路輸出值矩陣 a2，其與學習目 標矩陣 Y 間之誤差平方定義兩矩陣相減之長度(Norm)為誤差函數 E， 其表示如下式 N E 2 2 Y a − = (3.3) 因此，整個網路學習的過程為了最佳化各神經元間之權重與閥值 使誤差函數達到最小值，反覆迭代其過程使網路輸出值趨近學習目標 值。當網路完成學習過程(最佳化過程)，建立最合適的權重和閥值後即 可以此網路的回想過程來進行預測分析。以下說明其演算過程，最佳 化過程可分為兩類，一為啟發式的最佳化，如可變學習數率(Variable Learning Rate)與有彈性(Resilient)之演算法；另一為使用標準的數值最 佳化，如共軛梯度法、擬牛頓法及Levenberg-Marquardt (L-M)法。一般而言，在函數逼近的問題上Levenberg-Marquardt 演算法將有最快之收 斂性 (Neural Network Toolbox User’s Guide)。因此，本文選擇使用 L-M 演算法做為達到網路誤差函數最小之最佳化過程，該演算法使用 Hessian 矩陣逼近方式來達到最佳的目的，並以下式表示之
e
J
I
J
J
X
X
T T k k 1 1 − +=
−
[
+
μ
]
(3.4) 其中，Xk、Xk+1 分別表示每次疊代權重{IW，LW}與門限值{b1， b2}之前後最佳化計算值，J 為 Jacobian 矩陣，其包含網路誤差與權重 值和閥值的一階微分，e 為網路誤差向量，I 為單位向量。式(3.4)之 μ=0 時，則近似牛頓法的Hessian 矩陣，當 μ 值很大時，式(3.4)則具有較小 步階之梯度下降，其目的即為盡可能之快速地移向牛頓法以達到網路 誤差最佳化的結果，最後可獲得適應該網路之最佳化權重和閥值(見 Gill, et.al.，1981)。因此，倒傳遞類神經網路經由式(3.1)及式(3.2)計算 輸入值經轉換函數映射制模式輸出值，並以式(3.4)作為權重與門限值 之最適化反覆迭代計算，其網路學習完成之標準則以式(3.3)來判斷。3.2 船舶動態預警模式之建立
本計畫由分析船隻動態資料得知，熱帶性低氣壓均未對花蓮港船 隻造成影響，因此，依據前章所述之颱風影響船舶動態參數，颱風與 花蓮港距離(D)、颱風最大風速(Vmax)、颱風中心至花蓮港之角度(θ1)、 颱風行進方位角(θ2)、風場能量 En(Vmax/Log(D))與中央氣象局發佈之 海、陸上警報(WI)等六個影響船隻動態的颱風因子及中央氣象局所發佈 颱風未來48 小時的預測資料，做為類神經網路之輸入值。 本模式將以氣象局或 JTWC 發佈的颱風相關參數結果作為類神經 模式之相關輸入值，為了簡化模式的架構，對於固定區域tj時刻颱風與船隻異動指數 ISE 可以表示為颱風資料 D 、Vmax、θ1、θ2、En、WI 函數的時序列組合
) t ; WI , E , , , V , D ( f a ) t ( ISE max n i j n i i j
∑
1 θ2 θ1 = = (3.5)式(3.5)中
a
i為係數， f1為函數，tj 為時間。 本計畫選擇之學習範例為含蓋4 種颱風種類、4 種船隻異動指數， 選取颱風共 50 個，做為類神經之學習範例。本年度之修正模式採用 2 層隱藏層來表現非線性的效果，本模式之網路架構為輸入神經元為 6 個，輸出層為 1 個為 ISE 值，由經驗與嘗試之測試結果，本計畫之 2 層隱藏層，其神經元分為 80 及 40 個。隱藏層轉換函數則採用對數雙彎曲轉換函數(Log sigmoid transfer function)，而最終迭代次數設定為 1500 代，在誤差平方近似於 0 或迭代次數為 1500 代時之任何ㄧ個條 件，該網路即停止學習。 表 3.1 為不同路徑之船舶動態預警模式學習誤差平方值與相關係 數，其中經過正規化的學習目標範圍在 0 與 1 之間，正規劃後舶動態 參數為ISEob同時為學習目標，模式推算結果為ISEpr，由表 3.1 顯示知 路徑 4、5、6 學習結果有較小之誤差平方值與高相關係數，路徑 7 有 相對最低的相關係數0.842，圖 3.2 至 3.13 顯示路徑 4、5、6 及 7 中部 分颱風的模式學習目標ISEob與推算結果ISEpr的比較。 路徑 4 則有颱風安珀(Amber)、碧利斯(Bilis)、桃芝(Toraji)，如圖 3.2 至 3.4。路徑 5 為颱風賀伯(Herb)、瑞伯(Zeb)、柯吉拉(Kujira) ，如 圖 3.5 至 3.7，其中除了颱風瑞伯之推估值結果高於實測外，其餘推算 結果因颱風行進的方式不同而推估值皆能逐步修正後接近實測值。另 外路徑4 碧利斯(Bilis)颱風和路徑 5 柯吉拉(Kujira)與實測資料有部分差 異主要是由於目前模式並未考慮颱風移動速度，故颱風停留時間過長 或移動速度提升會造成此現象。路徑 6 為颱風葛樂禮(Gloria)、莎莉 (Sally)、奧托(Otto)，圖 3.8 至 3.10，三場颱風多能估算出適當的ISEpr值。 路徑7 為颱風魏萊特(Violet)、薩恩(Zane)、戴兒(Dale)，示如圖 3.11 至 3.13，其中魏萊特及薩恩在颱風接近花蓮港前出現湧浪訊號ISEpr為 2
之後隨即消失，再隨著颱風接近後模式多能估算出正確的ISEpr值。造 成類似雜訊的現象原因為模式受限於學習資料只有 48 小時延時的限 制，使的學習的容量有限以致學習資料中多場颱風行為在相同位置、 運動方向與規模條件下學習目標相同，因而取代少數颱風路徑相似不 同的學習結果。綜合比較結果顯示此網路架構之模式有較佳的學習效 果。 表3.1 不同模式之學習結果分析表 預報模式 模式架構 誤差均方值(RMS) 相關係數(r) 路徑4 6-80-40-1 0.047 0.912 路徑5 6-80-40-1 0.037 0.920 路徑6 6-80-40-1 0.038 0.940 路徑7 6-80-40-1 0.047 0.842 0 50 100 150 200 250 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Amber, ISE
ISEob
ISEpr
0 40 80 120 160 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Bilis, ISE
ISEob ISEpr 圖3.3 路徑 4 模式颱風碧利斯學習結果之比較 0 50 100 150 200 250 300 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Toraji, ISE
ISEob
ISEpr
0 50 100 150 200 250 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Herb, ISE
ISEob ISEpr 圖3.5 路徑 5 模式颱風賀伯學習結果之比較 0 50 100 150 200 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Zeb, ISE
ISEob
ISEpr
0 50 100 150 200 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Kujira, ISE
ISEob ISEpr 圖3.7 路徑 5 模式颱風柯吉拉學習結果之比較 0 20 40 60 80 100 120 140 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Gloria, ISE
ISEob
ISEpr
0 20 40 60 80 100 120 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Sally, ISE
ISEob ISEpr 圖3.9 路徑 6 模式颱風莎莉學習結果之比較 0 20 40 60 80 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Otto, ISE
ISEob
ISEpr
0 50 100 150 200 250 300 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Violet, ISE
ISEob ISEpr 圖3.11 路徑 7 模式颱風魏萊特學習結果之比較 0 50 100 150 200 250 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Zane, ISE
ISEob
ISEpr
0 50 100 150 200 250 Time ( hr ) 0 1 2 3 4 5 IS E
Typhoon Dale, ISE
ISEob ISEpr 圖 3.13 路徑 7 模式颱風戴兒學習結果之比較
3.3 船舶動態預警模式之驗證
經由上述船舶動態預警網路模式之學習後，本計畫目前以 4 場未 經由學習之颱風，來驗證該網路模式之預測能力。模式預測之船隻動 態指數為每個小時一筆資料，且將路徑 4 的龍王颱風(Longwang， 2005)、路徑 5 的葛樂禮颱風(Gloria，1996)、路徑 6 的杜鵑颱風(Dujuan， 2003)與路徑 7 的艾利颱風(Aere , 2004)等颱風以時序之方式呈現，示如 圖3.14 至 3.17，其中ISEob表示花蓮港記錄之船舶動態，ISEpr表示模式 推算模擬的船舶動態。 圖 3.14 為路徑 4 的龍王颱風經由模式推算之預測船隻異動指數時 序圖，由模式所預測出龍王颱風的最大船隻異動指數ISEpr為 4，亦即會 造成船隻斷纜的環境，船隻需出港避風。如圖 3.14 所示模式預測發佈 警訊時間較港內事件發生時間約提早 8 小時，模式預測 ISE 等級與港 內條件相同。測試路徑 5 的葛樂禮颱風(Gloria，1996)，由模式推算所得之預測 船隻異動指數結果如圖 3.15，由圖 3.15 可看出每一時間點之船隻異動 指數，且由模式預測葛樂禮颱風之最大船隻異動指數ISEpr為 4，亦即船 隻斷纜。預報的ISE 值隨著颱風條件逐步由 2 上修到 4，與港內實際環 境相當接近。 圖3.16 為經由模式推算所得路徑 6 的杜鵑颱風(Dujuan，2003)之預 測船隻異動指數。由圖 3.16 可看出每一時間點之船隻異動指數，並可 知由模式預測杜鵑颱風之最大船隻異動指數為ISEpr4，亦即船隻斷纜有 出港避風的必要性。 圖3.17 為經由模式推算所得路徑 7 的艾利颱風(Aere , 2004)之預測 船隻異動指數。圖 3.17 可看出船隻異動指數隨著颱風以左半圓接近的 變化，ISEpr由 2 逐漸上修為 4，並可知由模式預測艾利颱風之最大船隻 異動指數為4，亦即船隻斷纜有出港避風的必要性。 0 40 80 120 160 Time ( hr ) 0 1 2 3 4 5 IS E Typhoon Longwang,ISE ISEob ISEpr 圖 3.14 路徑 4 龍王颱風之模擬船隻異動指數
0 50 100 150 200 250 Time ( hr ) 0 1 2 3 4 5 IS E Typhoon Gloria,ISE ISEob ISEpr 圖3.15 路徑 5 葛樂禮颱風之模擬船隻異動指數 0 20 40 60 80 100 Time ( hr ) 0 1 2 3 4 5 IS E Typhoon Dujuan,ISE ISEob ISEpr 圖 3.16 路徑 6 杜鵑颱風之模擬船隻異動指數
1. 擴展使用者族群 近年來在專業領域中的應用程式開發，不論是在任何一種作業平 台上，都開始趨向於採用對於使用者較為友善的圖形化介面。其目的 除了介面視覺上的美觀之外，還能由圖示選項來代替原本程式操作所 需要用的指令。如此一來可使原本颱風波浪預報模式的使用者，由原 本所需要的富有程式操控能力且有颱風波浪相關知識的工作人員，擴 展到擁有颱風波浪相關知識的工作人員，示如圖3.18。 圖 3.18 GUI 的開發對於使用者族群的分布變化 圖3.18 為表示所有研究人員中對 Matlab 程式操作語法之能力分布 圖，位於金字塔行分布圖頂部的斜線區域中的是較少數熟悉Matlab 程 式操作的研究人員，本介面的發展，可以將颱風波浪預測模式的使用 者族群擴展至所有了解一般應用程式之研究人員。使得本模式的使用 範圍更為廣泛，使用者所需具備的程式操控能力限制將會大幅降低。 詳細的圖形介面以及完整的說明文件可以讓不具有程式語言能力的使 用者輕鬆地就可以利用本介面進行颱風波浪的預測與評估。使用者只 要熟練滑鼠的基本操作(單擊、雙擊、拖曳)，幾乎可以完成絕大部分的 操作指令。 2. 縮短模式操作程序時間 原有船舶動態預警模式之中的工作程序，可簡單分為： (1)輸入資料整合 熟悉 MatLab 程式操 作語法的研究人員 僅了解 Windows 一般應 用程式操作之研究人員
在船舶動態預警模式的輸入資料整合的部分包括颱風中心位置 與風速之資料檢核，目的在於確定輸入的資料固定為每小時一 筆，故所有的資料在此步驟需作補遺且經過嚴格的比對。在本圖 形化介面輸入的部分是利用圖形化的友善介面進行輸入檔案的 選取並會對輸入資料長度進行長度檢核，而資料的內插與補遺由 於需要更多的人為判斷，故將此動作移至外部的作業程序。 (2)由輸入資料計算模式所需參數 經由以上遊圖形介面選取所需要的輸入資料檔案後，還需要進行 一些參數的計算如颱風行進速度、颱風中心距離、颱風行進方向 定義以及較為複雜的風場模式計算，這些繁瑣的步驟都能在資料 輸入後直接整合進行運算並以矩陣的方式儲存於記憶體中，以便 於後續程式即時讀取使用。 (3)模擬(Simulation) 本圖形化介面在選取適當 Model、預測區域以及資料的輸入後， 只要由上方工具列直接選取即可直接開始 Simulation 的動作，在 此可省去原來使用大量程式指令來選取類神經架構增加許多執 行速度。 (4)輸出結果 使用圖形化介面執行輸出結果時，可以直接將結果以繪圖方式表 現，節省許多後續資料處理以及繪圖時間。並可即時與輸入資料 作比對。在輸出結果以及相關資訊的選擇上變得更多樣化，除了 基本輸入以及船隻異動指數的顯示之外，更額外加入颱風路徑的 顯示。此外透過網際網路的連結，本模式可顯示即時的波高，包 括花蓮港、蘇澳港、龍洞、龜山島、新竹等測站，以及即時的衛 星雲圖來顯示目前颱風動態，讓使用者能更容易瞭解數據以及圖 表之中的特性。
使用圖形化介面操作整個模式，可以整合以上四個部分中的所有繁 瑣過程，完全不必使用到指令，取而代之的是圖形介面上的滑鼠操 作。此介面與原來模式操作相較之下以進行單一颱風侵襲時的船隻 異動指數推算，可縮短操作時間至原來的十分之一。 表3.2 使用 GUI 介面之效率比較表 工作項目 原有模式操作 使用本介面操作 輸入資料處理 內插、補遺 資料輸入 讀取資料檔案 輸入資料檢核 手動檢核 計算所需參數 呼 叫 副 程 式 另 行處理 繪出各資料隨時間 變化圖 繪圖應用程式 開啟介面後選取 欲讀入支資料檔 案，自動計算並 繪圖 進行模擬 讀 取 檔 案 進 行 模擬 繪圖顯示模擬結果 繪圖應用程式 選取合適模式進 行模擬並自動繪 圖 模擬結果資料存檔指 令 儲 存 陣 列 並輸出至檔案 模擬結果繪圖存檔 繪圖應用程式 直接指定欲儲存 之檔案 操作方式 指令、外部應用 程式 滑鼠 展示或比較資料 經 由 繪 圖 應 用 軟體印出整合 在GUI 輸出視窗 中直接進行 外部颱風資訊 透 過 網 頁 瀏 覽 器檢視 直接於模式中即 可檢視即時波高 以及衛星雲圖 整體效率 較費時 較省時 3. 增加模式親和力 在模式中輸入資料以備妥的情況下，本圖形化介面只需使用滑鼠的 點選即可完成整個船隻異動指數推算的工作(包含資料輸入至結果 輸出)。完整的說明文件提昇本介面的親和力。介面中的開發環境是 以目前一般使用者所熟稔的Windows 系統為基礎，滑鼠的點擊、鍵 盤的快速鍵操作以及開啟檔案的檔案列表，都是與 Windows 系統相 同。使用者只要能夠具備有Windows 的基本操作觀念甚至不需要操
作手冊就可以對本介面輕鬆上手。這也使得本介面不像一般專業工 程應用軟體一般令人感到困難。 4. 提升未來自動化環境可行性 本介面的開發不但提供使用者在操作上的便利，並且在開發過程中 整合了整個模式的運作。整合後的模式可提升對於未來自動化環境 的配合度。未來可應用於提供網路即時船舶動態模式推算，可以在 無人操作的環境中直接擷取颱風觀測資料以推算出船隻異動指數並 同時以該伺服器作即時發布。 3.4.2 颱風波浪預測模式圖形化介面介紹
本介面開發環境為 Matlab 中的 GUIDE(Graphical User Interfaces Development Environment)。操作環境為 Mathworks 公司的科技運算應 用軟體 Matlab，版本支援 Matlab 5.0 以上系統。本介面測試環境有 Microsoft Windows98、Windows2000、WindowsXP 各版本，已知支援 作業系統並有 Mac 以及 Unix 其餘系統的可行性請詳見 Matlab 使用手 冊。 圖形化介面的開發目標期望能以最少的操作程序作最多的流程以 及展現最多的資訊，如此一來可以減少視窗的切換以及提升操作流程 的流暢度。目前整個圖形化介面主要由五個視窗組成、分別為 1.主介 面視窗 2.資料輸入視窗 3.資料存檔視窗 4.即時實測波高圖 5.即時衛 星影像圖，分別介紹如下： 1. 主介面視窗 (1)介面主視窗標題列：標題列明確列出目前介面所在視窗並註明介 面版本等資訊。 (2)介面主視窗工具列：工具列包含資料輸入輸出、模擬、颱風資訊 以及輔助四個部分。工具列的編排主要符合一般 Windows 應用程
式的架構，以樹狀的結構將所要選取的指令存放於內，示如圖 3.19。 圖 3.19 本介面主視窗 圖 3.20 樹狀結構的工具列 如圖3.20 中所示第一子工具列為輸入與輸出部分包括颱風資料的輸 入、船隻異動指數的輸出及離開本介面。第二子工具列為模擬部分， 此部份為資料輸入確定無誤後選取適當的類神經架構進行模擬，模 擬後可提出詳細的船隻異動指數報告。第三子工具列為颱風資訊部 分，透過網際網路取得即時的颱風資訊。第四子工具列為說明以及
版權宣告，包含呼叫完整的使用手冊以及關於本介面的版本資訊視 窗開啟，使用手冊的開啟將呼叫外部程式以開啟 HTML 資料的瀏覽 器。 (3)輸入資料之颱風距離變化圖：此區域可即時將所輸入的颱風位置 資料運算成颱風與港口之間距離變化並以繪圖方式來表示，幫助 使用者即時了解所輸入之颱風資料以及颱風最接近點的時間。 (4)輸入資料之颱風風速變化圖：此區域可即時將所輸入的颱風風速 資料以繪圖方式來表示，幫助使用者即時了解所輸入之颱風資 料，並標示出風速最大值所發生的時間。 (5)颱風路徑圖：颱風路徑圖視窗中展示該颱風在北緯 15~30 度、東 經114~138 度範圍內的颱風行進路徑。 (6)船隻異動指數：此為本模式讀取颱風資訊後進行模擬而推算之船 隻異動指數。 (7)警示燈：隨著船隻異動指數不同，利用閃光三色燈來發布目前狀 況，當無燈號時代表船隻異動指數為 1，即花蓮港內之船隻與其 裝卸作業皆未受影響；綠燈表示有船隻異動指數為 2，花蓮港內 產生湧浪，但湧浪並未大到影響裝卸作業，船隻亦不需出港避 風；黃燈代表船隻異動指數 3，港內產生之湧浪大到船隻需出港 避風，才能免除斷纜的可能；紅燈表示船隻異動指數 4，依據模 式訓練時所用的歷史資料顯示船隻產生了斷纜，此時代表花蓮港 內的停泊船隻相當危險。 (8)警示標誌：利用飛入的方法提醒使用者目前船隻異動指數的等級 以及船舶動態之建議，共四種警示標誌，示如下圖3.21。各個警 示標誌中的右側註明了船隻異動指數以 Level 1~4 表示，左側的 圖示則大略表達目前港內船舶狀況，Level 1 為港內海水面靜穩； Level 2 為有湧浪但仍不影響船隻裝卸作業；Level 3 則表示港內 產生之湧浪大到船隻需出港避風，才能免除斷纜的可能；Level 4
