應用類神經網路預測模式於水庫集水區單場暴雨非點源污染自動採樣之研究(I)

行政院國家科學委員會專題研究計畫 期中進度報告

應用類神經網路預測模式於水庫集水區單場暴雨非點源污

染自動採樣之研究(1/2)

計畫類別： 個別型計畫 計畫編號： NSC94-2211-E-006-036- 執行期間： 94 年 08 月 01 日至 95 年 07 月 31 日 執行單位： 國立成功大學環境工程學系（所） 計畫主持人： 溫清光 計畫參與人員： 張智華, 陳俐璇, 施郁庭, 李念勳 報告類型： 精簡報告 處理方式： 本計畫可公開查詢

中 華 民 國 95 年 5 月 30 日

行政院國家科學委員會補助專題研究計畫

期中進度報告

應用類神經網路預測模式於水庫集水區單場暴雨非點源污染自動

採樣之研究(1/2)

計畫類別：; 個別型計畫 □ 整合型計畫

計畫編號：NSC 94－2211－E －006 －036

執行期間：

94 年 8 月 1 日至 95 年 7 月 31 日

計畫主持人：溫清光

共同主持人：

計畫參與人員： 張智華、李念勳、陳俐璇、施郁庭

成果報告類型(依經費核定清單規定繳交)：;精簡報告 □完整報告

本成果報告包括以下應繳交之附件：

□赴國外出差或研習心得報告一份

□赴大陸地區出差或研習心得報告一份

□出席國際學術會議心得報告及發表之論文各一份

□國際合作研究計畫國外研究報告書一份

處理方式：除產學合作研究計畫、提升產業技術及人才培育研究計畫、

列管計畫及下列情形者外，得立即公開查詢

□涉及專利或其他智慧財產權，□一年□二年後可公開查詢

執行單位：國立成功大學環境工程系

中 華 民 國 95 年 5 月 30 日

一、 摘要 台灣水庫集水區污染以非點源污染 為主，其中包含大量的無機鹽類及懸浮固 體物，對水資源運用造成嚴重的影響。台 灣氣候條件特殊，少數幾場豪大雨便包含 大部分的非點源負荷輸出，污染集中再加 上現場採樣不易，使得相關數據十分欠 缺，造成暴雨非點源污染估計上極大的誤 差。 本研究採用離槽採樣及自動監測之 方式，收集短時距且連續的單場暴雨逕流 水質數據，並建立監測與實際水質的率定 曲線，再配合類神經網路做模擬與預測。 所模擬的結果提供我們後續發展最佳採樣 時機與下游離槽水庫取水時機之決策，並 評估溶解性與非溶解性污染物在單場暴雨 中所產生之特性。 初步結果顯示類神經網路在降雨逕 流關係上能提供非常好的模擬結果。降雨 逕流網路在經過訓練、驗證與測試之後， 預測未來3 小時後的逕流變化，R2仍可達 到 0.8 以上，但在濁度模擬上，由於資料 不足，只做網路先期訓練之部分，但仍須 更多觀測數據做網路之驗證與測試。 二、 緣由與目的 非點源污染具有全面及不定時發生 的特性，一般定期水質監測無法反映真實 的污染行為，尤其台灣水庫集水區逕流的 營養鹽及泥沙負荷往往集中於全年少數幾 場颱風及暴雨，傳統採樣方式易錯失該場 降雨初期沖刷(First flush)或洪峰水樣，估 計之污染負荷往往有很大的誤差。 因颱風暴雨期間人工採樣困難，各種 形式的水質監測設備皆會被破壞，造成資 料缺少而影響後繼的污染管制規劃及總量 策略擬定，為了解決此問題，本研究採用 離槽式監測策略，以能完整收集在颱風暴 雨時的水質變化情形。 所收集的短時距且連續之數據，需要 一種能處理大量資料並有預測能力的資訊 工具，幫助我們完成決策之依據，因此我 們採用類神經網路(NN, Neural Networks) 做為資料處理工具。而回顧國內外有關使 用類神經網路預測模式之研究，大部分皆 為模擬預測日平均流量、水質之變化，較 少針對單場暴雨中短時距內流量與水質的 變化做模擬。因此本研究研擬以利用現場 自動監測的方式，分別針對水庫集水區單 場暴雨逕流中溶解性之硝酸鹽及非溶解性 之懸浮固體物，建構對應之類神經網路預 測逕流污染負荷模式，並結合抽樣調查理 論及最佳化方法，提出將現行自動採樣器 由經驗操作提昇至預測採樣的可行技術與 方法。 本 研 究 除 了 決 定 最 佳 採 樣 時 機 之 外，也可應用在其他水資源策略上。目前 國內離槽水庫取水策略皆著重在水量上， 卻忽略水質這項重要因素；水庫常在暴雨 初期時大量取水，忽略初期為污染負荷量 最大的情況，導致許多離槽水庫產生淤積 嚴重及優養化的問題，另外也造成後續淨

水處理程序上極大的負擔。因此若能準確 預測幾個小時之後的水量與水質變化，便 能在兼顧水量與水質的情況下，提供下游 離槽水庫最佳取水時機之建議，以及估算 每年會有多少污染負荷流入水庫中。 三、 研究方法 本研究主要之目的為建立河川下游 流量與水質預測模式，及最佳採樣時機之 決定，為了建構逕流污染負荷之短期預測 模式，需要大量調查資料以供模式訓練及 驗證，在這個方面雨量、流量及溫度都能 高頻度自動記錄，而逕流硝酸鹽及懸浮固 體物之污染負荷監測則為一大難題。特別 是在颱風暴雨時期，人為現場採樣幾乎無 法進行，且各種採樣監測設備皆會被破 壞，以致台灣地區颱風時期的水質變化資 料十分欠缺。 本計畫從94 年 9 月執行之後，先尋 找南部地區河川流域內適合架設監測設備 的地點，在考慮交通、流量站及離槽水庫 上游等主要因素，選定八掌溪上游觸口橋 處做為監測地點；在觸口橋堤防旁有一五 河局所屬之防汛倉庫，採用一離槽式水質 監測方法，將河水從河道抽取至倉庫，倉 庫中則放置水槽、自動採樣器、水質監測 設備及電腦，包括美國HACH 公司之表面 散射式濁度計(Model SS6 SURFACE SCATTER TURBIDIMETER)，及硝酸鹽 監測儀(NITRATAX plus sc100)，可以連 續監測並記錄濁度與硝酸氮濃度的變化。 在今年雨季前將監測設備設置好之 後，收集到梅雨期間至今完整的水質變化 資料，但訓練類神經網路需要大量的水質 數據，而且最好能涵蓋大、中、小型的降 雨，才能完整的模擬各種不同降雨情況下 的水質變化，因此在沒有足夠水質數據提 供訓練網路及製作率定曲線的情況下，先 以八掌溪集水區內的降雨，和觸口橋水文 站的流量，以及今年四月底一場代表性降 雨中濁度之變化，做網路的先期訓練。 由於八掌溪流域內既有之雨量、流量 站有長期的雨量、流量觀測資料，本文從 2004 年到 2006 間篩選出大（A1, A2, A3）、中（B1, B2, B3）、小（C1, C2, C3） 各三場較具代表性之降雨事件，共469 組 雨 量 與 流 量 數 據 來 做 模 擬 （SimulationⅠ）。前三場降雨，包括大、 中、小各一場降雨（A1, B1, C1），共 197 組數據做網路之訓練；中間三場降雨（A2, B2, C2），共 174 組數據做驗證；最後三 場降雨（A3, B3, C3），共 98 組數據做測 試；另外也以四月底一場代表性降雨來模 擬濁度之變化（SimulationⅡ）。 四、 結果與討論 1.回顧文獻中所使用之方法，皆是利用降 雨、水位與前期濁度，預測未來濁度之 變化，相同之方法也可應用在預測溶解 性污染物，如硝酸氮上。目前所收集到 以小時為單位時間的降雨與水位資料在 2004 年後才有較完整的數據，而濁度方

面今年則約有三場代表性資料，但仍不 夠提供網路作訓練。 2.第一部份先用降雨與前期水位變化預測 未來水位變化，採用現在與前 3 個小時 集流時間（t, t-1, t-2, t-3）的降雨和水位 數據當輸入，而1 到 3 小時之後（t+1, t+2, t+3）水位變化情形做為輸出，所建立之 模式可表示為： Hτ = f（R(t),R(t-1),R(t-2),R(t-3), H(t),H(t-1),H(t-2),H(t-3)） 其中Hτ為八掌溪觸口橋處在 t+τ 時 的預測水位，τ 為 1、2 和 3，R(t)與 H(t) 分別為雨量與水位在 t 時間的觀測值。 從 2004 年到 2006 年間 9 場降雨事件 中，挑出一場最大暴雨事件來做模擬， 在1 小時後模擬出的 R2=0.949；2 小時 後的R2=0.874；3 小時後 R2=0.813。所 模擬出的趨勢變化如圖1。 223 223.5 224 224.5 225 225.5 226 0 20 40 60 80 100 120 140 時間(hour) 水位 (m ) Observed Simulated 圖1. 利用類神經網路預測 1 小時後水位變化情形 3.第二部分再利用降雨及前期濁度變化， 模擬1 到 3 小時之後的濁度變化情形， 所建立之模式可表示為： Nτ = f（R(t),R(t-1),R(t-2),R(t-3), N(t),N(t-1),N(t-2),N(t-3)） 其中Nτ為八掌溪觸口橋處在t+τ 時的預 測濁度，τ 為 1、2 和 3，N(t)為濁度在 t 時間的觀測值。但由於今年所收集到可 用之降雨濁度變化資料約只有三場，無 法提供類神經做完整的訓練、驗證與測 試，因此我們先做網路先期訓練之部 分。目前模擬出來的結果在1 小時後的 濁 度 變 化 R2=0.949 ； 2 小 時 後 R2=0.788；3 小時後 R2=0.650。所模擬 出的趨勢變化如圖2。 -200.00 0.00 200.00 400.00 600.00 800.00 1000.00 1200.00 1400.00 1600.00 0 20 40 60 80 100 120 時間(hour) 濁度 (N T U ) observed Simulated 圖2. 利用類神經網路預測 1 小時後濁度變化情形 4.利用 NN 預測短期流量變化趨勢與文獻 類似，即便是各只有3 場數據作為訓練 及驗證、如果妥善依降雨特性配置仍然 可獲得不錯的測試效果，惟準確度會隨 者預測時間拉長而降低。後續研究希望 能在允許誤差下盡量拉長預測時間，因 為對後續應用(預測採樣、最佳取水)而 言，預測時間即代表決策空間。在模擬 濁度部分，因目前資料不足(四場雨)只 能做濁度的初步測試。圖3 顯示溶解性 的硝酸鹽與濁度在降雨過程中有很好的 相關性。一般認為懸浮性的濁度與流量 關係較明顯，溶解性物質則無明顯關 連，不過由實測數據來看，透過 NN 以

水文資訊建構水質(溶解/懸浮)預測模式 應為可行。 0 200 400 600 800 1000 1200 1400 1600 1 12 23 34 45 56 67 78 89 100 111 122 133 144 155 166 177 188 199 210 221 232 時間 濁度 (NT U ) 0.00 0.20 0.40 0.60 0.80 1.00 1.20 1.40 硝酸 氮 (p p m ) 濁度 硝酸氮 圖3. 降雨過程中濁度與硝酸鹽濃度之變化趨勢 5.由於目前取得觸口橋處的時流量資料在 今年四、五月間有間斷，因此我們便先 用降雨與前期濁度預測未來濁度，但只 用降雨模擬濁度變化似乎不太足夠，若 能配合流量來模擬濁度，應該可大幅提 昇預測的準確度。而且目前濁度變化資 料也不足，我們仍須更多的觀測資料做 訓練、驗證及測試網路。 6.由上述結果顯示，類神經能非常有效的 模擬出雨量與流量在時間上的變化，因 此在濁度及硝酸氮的部分，我們預期也 能模擬出很好的結果，除了我們後續所 要發展的最佳採樣時機與下游離槽水庫 取水策略之決策外，評估在單場暴雨或 是整年降雨事件中，所產生之溶解性與 非溶解性污染負荷量，也可提供非常有 效的參考依據。 7.目前我們使用倒傳遞神經網路(FFBP)做 模式的訓練，而在其他文獻中我們可發 現使用不同的網路也可得到不錯的效 果，如幅狀基底函數(RBF)等(Chang, F.J. 2001)；因此後續我們也會嘗試不同 的網路做訓練，期望能得到更好的效 果，不只能預測到3 小時之後，更能預 測到5 小時甚至更久之後的變化，而提 供我們更大的決策空間。目前我們持續 收集八掌溪觸口橋處的雨量、流量、濁 度與硝酸氮變化資料，希望能在今年完 整收集到各種不同降雨事件的變化情 形，特別是颱風豪大雨時所產生的劇烈 變化，為相當寶貴的資料，也可令我們 所建立的模式更加完善。 五、 參考文獻 張斐章，張麗秋，黃浩倫，2003。類神經 網路－理論與實務。東華書局。 張智華，1999。工廠及工業區非點源污染 初期沖刷之研究。國立成功大學環境 工程系碩士論文。 梁晉銘，張斐章，陳彥璋，2000。複合演 算類神經－模糊推論模式應用於洪 水預測。中華水土保持學報 31(3)， 183-191。 黃家勤，2001。逕流污染定量之合理採樣 頻率研究。國科會專題研究計畫成果 報告，NSC 89-2211-E214-002。 羅華強，2005。類神經網路－MATLAB的 應用。高立圖書有限公司。 Alp, M., Cigizoglu, H.K., 2005. Suspended sediment load simulation by two artificial neural network method using hydrometeorological data.

Environment Modelling & Software xx (2): 1-12.

Anctil, F., Michael, C., Perrin, C., Andréassian, V., 2004. A soil moisture index as an auxiliary ANN input for stream flow forecasting. J.

of Hydrology 286, 155-167.

Chang, F.J., Liang, J.M., Chen, Y.C., 2001. Flood Forecasting Using Radial Basis Function Neural Networks. IEEE Transactions on Systems, Man and Cybernetics, Part C 31(4), 530-535

Cigizoglu, H.K., 2004. Estimation and Forecasting of Daily Suspended Sediment Data By Multi-layer Perceptrons. Advances in Water

Resources 27(2):185-195.

Kaluli, J.W., Madramootoo, C.A., Djebbar, Y., 1998. Modeling nitrate leaching using neural networks. Water Science and Technology 38(7), 127-134.

Lek, S., Guiresse M., Giraudel, J.L., 1999. Predicting Stream Nitrogen Concentration From Watershed Features Using Neural Networks.

Water Research 33(16),

3469-3478.

Sharma, V., Negi, S.C., Rudra, R.P., Yang, S., 2003. Neural networks for

predicting nitrate-nitrogen in drainage water. Agricultural Water