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(II)

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(二)

交 通 部 運 輸 研 究 所

中 華 民 國 96 年 4 月

96-23-7243

MOTC-IOT-95-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(二)

著者：江玟德、張憲國、林立青、何良勝

交 通 部 運 輸 研 究 所

中華民國 96 年 4 月

96-23-7243

MOTC-IOT-95-H2DB001

96

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

( 二

)

交

通

部

運

輸

研

究

所

GPN：1009600754 定價 300 元

國家圖書館出版品預行編目資料

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.　二 / 江玟德等著. -- 初版. --

臺北市 ： 交通部運研所, 民96

面： 公分

參考書目:面

ISBN 978-986-00-9241-7 (平裝)

1. 海洋氣象 - 自動化 2. 波動 - 臺灣

444.94029 96005997

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_(二) 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：臺北市敦化北路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96年4月 印 刷 者：福島實業有限公司 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港灣技術研究中心網站 定　　價：300 元 展 售 處： 交通部運輸研究所運輸資訊組．電話：（02）23496880 國家書坊臺視總店：臺北市八德路_{3段10號B1．電話：（02）25781515} 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(二) 國際標準書號（或叢刊號） 978-986-00-9241-7 (平裝) 政府出版品統一編號 1009600754 運輸研究所出版品編號 96-23-7243 計畫編號 95-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：林立青 地址：新竹市大學路 1001 號 聯絡電話：03-5131488 研究期間 自 95 年 3 月 至 95 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1996年~2005年之船隻動態記錄，船舶動態 模式的建構以颱風影響船舶動態參數，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因子，做為類 神經網路之輸入值，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。 另外，針對波浪特性的分析，本計畫以花蓮港實測波浪數據，進行波高與 週期之直方圖與機率密度的計算，根據波高分析結果，驗證出花蓮港之波高分 佈較近似於Weibull分佈，其波高直方圖適合分組組數大概介於5至8組，週期之 分析結果，在示性波高大於1.5m的區間所對應的週期資料，其最適之理論分佈 為 Erlang 分 佈 ， 在 示 性 波 高 小 於 1.5m 的 區 間 ， 其 最 適 之 理 論 分 佈 為 Longuet-Higgins分佈。在不分區間的波浪週期資料方面，則以Normal分佈與機 率密度直方圖的吻合度較佳。而任一區間內的波浪資料，其最佳分組組數均為 5-7組。 出版日期 頁數 定價 本 出 版 品 取 得 方 式 96 年 4 月 284 300 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。

PUBLICATION ABSTRACTS OF RESEARCH PROJECTS INSTITUTE OF TRANSPORTATION

MINISTRY OF TRANSPORTATION AND COMMUNICATIONS

TITLE: Alert Model for Ship Escape from Hualien Harbor During Typhoon Period II

ISBN (OR ISSN)

978-986-00-9241-7 (pbk)

GOVERNMENT PUBLICATIONS NUMBER

1009600754

IOT SERIAL NUMBER

96-23-7243

PROJECT NUMBER

95-H2DB001

DIVISION: Harbor & Marine Technology Center DIVISION DIRECTOR: Chiu Yung-Fang PRINCIPAL INVESTIGATOR: Ho Liang-Sheng PROJECT STAFF: Jiang Wen-Der

PHONE: (04) 26587126 FAX: (04) 26560661 PROJECT PERIOD FROM March 2006 TO October 2006 RESEARCH AGENCY: National Chiao Tung University

PRINCIPAL INVESTIGATOR: Chang Hsien-Kuo

PROJECT STAFF: Lin Li-Ching, Chen Wei-Wei, Huang Ming-Yang ADDRESS: 1001 Ta Hsueh Road, Hsinchu, Taiwan 300, ROC PHONE: (03) 5131488

KEY WORDS:

Alert Model of Ship Escape; Neural Network; Wave Statistics

ABSTRACT:

The official records of ship escape from HuaLien Harbor during typhoon period each year are collected from the year 1996 to 2005. Criteria of ship escape are classified into four groups based on the resulting factors, such as typhoon’s scale, path, wind speed, position of typhoon’s center and the distance between typhoon centers and interest points. The relationship between the criteria of ship escape and the resulting factors is established by artificial neural network (NN), which provides an alert model of ship escape. The accuracy of the proposed NN model is examined using recorded events of ship escape in three typhoons. Fair agreements in calibrating and verifying stages show that the proposed model can apply to practical situations in the future.

Four distributions, which are Gamma, Normal, Rayleigh and Weibull distribution, are used to approximate the histogram of the significant wave heights of each measured data during 20 min at the Hualien waters in 2004. The best fitting distribution is the Weibull distribution among these four distributions. Furthermore, four distributions: Rayleigh, Longuet-Higgins, Gamma, and Erlang distribution, are used to approximate the significant wave periods. For every data set Erlang distribution is the best fitting distribution when the significant wave height is over 1.5m. When the significant wave height is smaller than 1.5m, Longuet-Higgins distribution is the best fitting distribution. The suitable cell size of wave heights histogram for every hour is examined to be 5 to 8, and that of wave periods histograms is 5 to 7.

DATE OF PUBLICATION April 2007 NUMBER OF PAGES 284 PRICE 300 CLASSIFICATION □RESTRICTED □CONFIDENTIAL □SECRET □TOP SECRET ▓UNCLASSIFIED

目 錄

中文摘要表 ...Ⅰ

英文摘要表 ...Ⅱ

目錄 ...Ⅲ

圖目錄 ...Ⅵ

表目錄 ...Ⅶ

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 ...1-2

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 影響船舶動態的颱風因子...2-1

2.2 颱風規模對船舶動態的影響...2-7

2.3 颱風距離對船舶動態的影響...2-7

2.4 颱風風速及方位角對船舶動態的影響...2-11

第三章 船隻動態預警模式之建構...3-1

3.1 類神經網路模式 ...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...3-8

第四章 波浪特性分析...4-1

4.1 資料來源與處理 ...4-1

4.2 示性波高與週期之計算 ...4-2

4.2.1 示性波高之計算...4-2

4.2.2 示性週期之計算...4-3

4.3 波浪特性分析 ...4-3

第五章 波浪特性分析結果...5-1

5.1 波高分析結果 ...5-1

5.1.1 每月波高資料分析結果...5-1

5.1.2 每季波高資料分析結果...5-2

5.1.3 全年之波高分析結果...5-3

5.2 週期分析結果 ...5-8

5.2.1 月份週期資料分組組數分析...5-8

5.2.2 每季波浪週期資料分組組數分析...5-10

5.2.3 全年週期資料分析結果...5-11

5.3 波高統計之理論值與實際值比較...5-16

5.3.1 Weibull 分佈之波高統計代表值推導 ...5-16

5.3.2 Weibull 分佈之參數分析 ...5-20

5.3.3 分析及比較方法...5-23

5.3.4 理論與實際

Hs

之比較...5-24

5.3.5 理論與實際之

H / m0

之比較...5-25

5.3.6 理論與實際

Hs/ m0

之比較 ...5-26

5.3.7 理論與實際

H_s/H

之比較 ...5-27

5.3.8 理論與實際

Hmax /Hs

之比較 ...5-27

5.3.9 理論與實際

H /s Hrms

之比較 ...5-29

5.4 週期統計之理論值與實際值比較...5-30

5.4.1 月份統計特性...5-32

5.4.2 每季統計特性...5-33

5.4.3 全年統計特性...5-34

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

附表 1 波浪資料之各種指標評估結果... 附表 1-1

附表 2 波浪資料評估分組組數的各種指標... 附表 2-1

附圖 1 ... 附圖 1-1

附圖 2 ... 附圖 2-1

審查意見處理情形表...審-1

簡報內容 ...簡-1

圖目錄

圖 2-1 颱風中心與花蓮港之方位角度示意圖 ...2-4

圖 2-2 颱風距離與觀測站示性波高關係 ...2-4

圖 2-3 颱風規模 1 影響船隻異動的範圍 ...2-9

圖 2-4 颱風規模 2 影響船隻異動的範圍 ...2-9

圖 2-5 颱風規模 3 影響船隻異動的範圍 ...2-10

圖 2-6 颱風規模 4 影響船隻異動的範圍 ...2-10

圖 2-7 颱風規模 5 影響船隻異動的範圍 ...2-11

圖 2-8 颱風風速與船隻異動指數關係圖 ...2-12

圖 2-9 颱風中心至測站方位角與船隻異動指數關係圖 ...2-12

圖 3-1 類神經網路架構示意圖 ...3-1

圖 3-2 類神經網路架構示意圖 ...3-4

圖 3-3 模擬楊妮(Yanni)颱風侵台時之船隻異動指數 ...3-8

圖 3-4 模擬碧利斯(Bilis)颱風侵台時之船隻異動指數 ...3-9

圖 3-5 模擬尤特(Utor)颱風侵台時之船隻異動指數 ...3-10

圖 4-1 花蓮港地理位置示意圖 ...4-1

圖 4-2 統計參數與波高資料直方圖 ...4-5

圖 4-3 波高與週期最適組數與機率分佈之分析流程圖 ...4-10

表目錄

表 2-1 颱風路徑歸類表 ...2-2

表 2-2 Saffir-Simpson 的颱風規模分類標準 ...2-2

表 2-3 颱風規模歸類表 ...2-3

表 2-4 颱風之船隻異動指數歸類表 ...2-6

表 2-5 颱風規模 4 與颱風規模 5 各個颱風之船隻異動指數 ...2-7

表 3-1 單一隱藏層不同轉換函數及神經元個數之學習誤差平方值3-6

表 3-2 雙層隱藏層之學習誤差平方值 ...3-6

表 3-3 颱風之船隻異動指數模式實際與學習輸出值之比較 ...3-7

表 5-1 組數與分佈函數之各種指標評估結果(Hs<0.5m)...5-4

表 5-2 組數與分佈函數之各種指標評估結果(0.5m<Hs<1.0m) ...5-4

表 5-3 組數與分佈函數之各種指標評估結果(1.0m<Hs<1.5m) ...5-5

表 5-4 組數與分佈函數之各種指標評估結果(1.5m<Hs<2.0m) ...5-5

表 5-5 組數與分佈函數之各種指標評估結果(2.0m<Hs<3.0m) ...5-6

表 5-6 組數與分佈函數之各種指標評估結果(Hs>3.0m)...5-6

表 5-7 評估分組組數的各種指標 (Hs<0.5m)...5-12

表 5-8 評估分組組數的各種指標 (0.5m<Hs<1.0m) ...5-13

表 5-9 評估分組組數的各種指標（1.0m<Hs<1.5m） ...5-13

表 5-10 評估分組組數的各種指標 (1.5m<Hs<2.0m）...5-14

表 5-11 評估分組組數的各種指標（2.0m<Hs＜3.0m） ...5-14

表 5-12 評估分組組數的各種指標（3.0m<Hs） ...5-15

表 5-13 評估分組組數的各種指標（2004 年全年週期資料） ...5-15

表 5-14 2004 年各區間波高資料水位時序列之

m0

與

β

關係 ...5-21

表 5-15 2004 年資料推估 2005 年參數值與實際參數值之關係 ...5-23

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

94 年度之工作方式與研析方法，針對臺灣國際港區之港內外

波浪及颱風情況，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

94 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波浪與船舶動態關係之模式，

並針對颱風動態參數與觀測資料進行統計分析與分類，以期能建立有

系統之颱風波浪資料補遺，並藉由相關颱風與船舶資料之模式，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。

1.3 本年度計畫工作內容

本計劃研究範圍與對象為花蓮港之港內外區域，並收集歷年海象

及氣象資料，包括波浪與颱風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，以建立船舶動態之類神經網路模式。

另外就波浪資料之統計分析與特性研究，則將建立颱風波浪推算模

式，以進行相關波浪之補遺與模式之建立。另外，對於花蓮港之波浪

資料則進行波高及週期之統計分佈，以了解其波浪特性。本年度(95)

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. 針對花蓮港區建立波浪特性關係。

2. 針對花蓮港區建立颱風與船舶動態關係。

3. 應用船舶動態與颱風資料關係建構類神經網路模式。

二、颱風波浪資料統計分析

1. 統計分析模式之改善。

2. 現場資料之蒐集與統計分析。

3. 實例操作：以花蓮港進行實例操作。

4. 模式視窗化之初步建立。

5. 教育訓練：每年六次，包含計量統計分析理論與應用、模式操作

應用。

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。

在 波 浪 統 計 部 份 ， 本 計 劃 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。

本計劃於

94 年度之結果以分析花蓮港港務局的船隻動態記錄，並

研究其船隻動態之時間與颱風規模及位置等參數之關係，本年度(95)

欲建立花蓮港船隻異動指數之預警模式，期望可在颱風來襲之前，利

用預警模式判斷船隻是否需要出港避風、何時該出港避風或是船隻是

否會有斷纜等情形，以減少船隻因來不及出港避風而受損的情況。再

者，港內異常波浪的產生與颱風有密切的關係，本計劃於

94 年度於港

內外波浪於船隻異動指數之分析，顯示波浪特性較無法明顯判斷與船

隻異動指數的關係。其結果與颱風規模之船隻異動指數分析有相同的

特性，船隻異動指數越高，則波浪特性或颱風規模並非呈線性增加。

其原因可能為當時船舶管理爲避免災害發生而採取相關船隻異動措

施，因此於本年度欲篩選船隻異動指數，並以颱風規模及波浪特性進

行類神經網路的模式之建立。

本研究於

94 年度應用類神經網路建立之颱風波浪推算模式，進行

資料補遺之測試。其中於最大波高發生處約誤差

1 公尺，相對應之發

生時間則誤差約

1 個小時。顯示於颱風波浪之初步補遺模式，可達到

較佳之精度。本年度(95)則進行模式之修正，以達最佳之補遺效果。針

對其波浪統計特性之分析於

94 年度，已初步建立波浪統計特性之分

析，本年度(95)則欲進行波浪週期、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

由 94 年度之颱風因子分析結果，可得知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。可利用颱風中心之經緯度代表颱風距離，而當

做影響船隻動態之影響因子。故本計劃將分析颱風與花蓮港波浪結果

可知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六個影響船隻動態的颱風

參數，本年度(95)計畫之船隻動態紀錄表已更新至 94 年，示如附錄 1。

另外也收集相對應於各個颱風的波浪資料進行颱風波浪的補遺研究。

2.1 影響船舶動態的颱風因子

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。由颱風

規模及風速可分類為表 2-2 及 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。由蒲福風級(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）

38

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

9

芭比絲（Babs, 1998）

₁

表 2-2 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 2-3 颱風規模歸類表

颱風規模

颱風名稱

個數

1 級颱風

彼得（Peter, 1997）、楊妮（Yanni, 1998）、奧托（Otto, 1998）、凱特（Kate, 1999）、歐佳（Olga, 1999）、山姆（Sam, 1999）、尤特（Utor, 2001）、莫拉克（Morakot, 2003）、米 勒（Melor, 2003）、梅姬（Megi, 2004）、珊瑚（Sanvu, 2005）

11

2 級颱風

貝絲（Beth, 1996）、葛樂禮（Gloria, 1996）、蒂娜（Tina, 1997）、歐珀（Opal, 1997）、維琪（Vicki, 1998）、象神 （Xangsane, 2000）、貝碧佳（Bebinca, 2000）、科羅旺 （ Krovanh, 2003）、巴比崙（ Prapiroon, 2000）、海燕 （Haiyan, 2001）、康森（Conson, 2004）、蘭寧（Rananim, 2004）、艾利（Aere, 2004）、馬莎（Masta, 2005）

14

3 級颱風

薩恩（Zane, 1996）、安珀（Amber, 1997）、丹恩（Dan, 1999）、瑪姬（Maggie, 1999）、奇比（Chebi, 2001）、桃 芝（Toraji, 2001）、雷馬遜（Rammasun, 2002）、艾陶（Etau, 2003）、納坦（Nock-Ten, 2004）、

9

4 級颱風

魏萊特（Violet, 1996）、奇洛基（Kirogi, 2000）、杜鵑 （Dujuan, 2003）、科吉拉（Kujira, 2003）、尹布都（Imbudo, 2003）、蘇迪勒（Soudelor, 2003）、辛樂克（Sinlake, 2002）、 凱沙娜（Ketsana, 2003）、舒達（Sudal, 2004）、敏督利 （Mindulle, 2004）、桑達（Songda, 2004）、米雷（Meari, 2004）、陶卡基（Tokage, 2004）、桑卡（Sonca,2005）、 尼莎（Nesat, 2005）、泰利（Talim, 2005）、卡努（Khanun, 2005）、龍王（Longwang, 2005）

18

5 級颱風

戴兒（Dale, 1996）、賀伯（Herb, 1996）、莎莉（Sally, 1996）、溫妮（Winnie, 1997）、伊莎（Isa, 1997）、艾文（Ivan, 1997）、羅西（Rosie, 1997）、瑞伯（Zeb, 1998）、芭比絲 （Babs, 1998）、碧利斯（Bilis, 2000）、盧比（Lupit, 2003）、 梅米（Maemi, 2003）、妮妲（Nida, 2004）、佳芭（Chaba, 2004）、馬鞍（Man-On, 2004）、海棠（Haitang, 2005）、 娜比（Nabi, 2005）

17

本計畫定義颱風中心及花蓮港連線與花蓮港緯度線之夾角，為颱

風對花蓮港的方向角，如圖 2-1 所示，代表颱風中心位在花蓮港的方

向，並以花蓮港之緯度線為界取順時針為正。若

₋₉₀o _<θ _<0o

_時，表示

颱風位於花蓮港之東北方；而若

₉₀o _{<θ <180}o

_{時，則表示颱風位於花蓮}

港之西南方，及

₋₁₈₀o _{<θ <−90}o

_{時，表示颱風於花蓮港之西北方，在上}

述三種角度之颱風所產生之波浪均不易傳入花蓮港內而引起港池共

振。當颱風中心與花蓮港之東南方時(

₀o _<θ _<90o

_{)，影響花蓮港較大。}

圖 2-1 颱風中心與花蓮港之方位角度示意圖

0 1000 2000 3000 4000 D (m) 0 2 4 6 8 10 Hs (m)

圖 2-2 颱風距離與觀測站示性波高關係(見張和錢(2003))

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 2-2 所示。圖 2-2 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。

颱風中心之經緯度代表著颱風之所在位置，當颱風位於花蓮港之

東南方時(

₀o <θ <₉₀o

_{)，而颱風中心位置的經度越大，緯度越小時，表}

示 颱 風 距 離 較 遠 ； 反 之 ， 當 颱 風 位 於 花 蓮 港 之 東 北 方 時 ( 即

o o ₀ 90 < < − θ

)，颱風中心之經度越小，緯度越小時，表示颱風距離較近。

在本計劃中，利用此規則，以颱風中心之經緯度與角度代表颱風距離，

如此，可節省掉計算距離之時間。

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，並依五對船隻

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 2-4。

由表 2-4 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。

表 2-4 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）

2.2 颱風規模對船舶動態的影響

本計畫依上節所述之影響船舶動態之颱風參數，分析颱風規模 1

至颱風規模 5 共 68 個之颱風與相關之船隻動態之異動指數之關係。可

得知，沿著花蓮港通過或直接穿過花蓮港之颱風，船隻若未出港避風，

則會發生斷纜，如安珀(Amber)、瑞伯(Zeb)、象神(Xangsane)、桃芝(Toraji)

等，其路徑見附錄 2。

表 2-5 為整理颱風規模 4 與颱風規模 5 颱風之船隻異動指數，由表

2-5 可知，在颱風規模 4 以上之颱風其船隻異動指數除了辛樂克

(Sinlake)、凱莎娜(Ketsana)、桑卡(Sonca)、尼莎(Nesat)、妮坦(Nida)及

梅米(Maemi)等，其船隻異動指數為 1 或 2，因此，船隻在颱風規模 4

以上之颱風來襲之時，則需出港避風。

表 2-5 颱風規模 4 與颱風規模 5 各個颱風之船隻異動指數

颱風規模 4

颱風規模 5

颱風名

船隻異

動指數

颱風名

船隻異

動指數

颱風名

船隻異

動指數

颱風名

船隻異

動指數

杜鵑

3

陶卡基

4

溫妮

4

莎莉

4

柯吉拉

3

凱莎娜

1

伊莎

4

艾文

4

奇洛基

3

舒達

3

戴兒

3

芭比絲

4

魏萊特

3

桑達

3

盧碧

4

梅米

2

尹布都

4

米雷

4

瑞伯

4

妮妲

2

蘇迪勒

4

桑卡

2

羅西

3

馬鞍

4

辛樂克

2

尼莎

2

賀伯

4

佳芭

5

敏督利

4

泰利

4

碧莉絲

4

海棠

3

卡努

3

龍王

4

娜比

4

2.3 颱風距離對船舶動態的影響

簡及曾(1999)定義波浪開始明顯增大之時間，當做增大起始時刻，

並計算此起始時刻至波高達到最大時之時間間距為增大作用時間；同

樣選取波高開始明顯消退之時間當做消退起始時刻，並計算此起始時

刻至波高消退回復至平常波高值之時間當做消退作用時間，而颱風波

浪之總作用時間則為兩者之總合。並指出花蓮港之颱風波浪的總作用

時間大部份為 1 至 2 日，本計劃將附錄 1 之船隻動態中記錄之湧浪產

生、船隻出港及船隻斷纜之時間往前推算兩日，當做颱風波浪影響花

蓮港船隻停泊之起始點。本計劃將船隻停泊受颱風波浪影響之起始點

與產生船隻異動之時間，並對照當時颱風之經緯度，繪製出不同颱風

規模所產生船隻異動點之可能區域，分別示如圖 2-3 至圖 2-7。

由圖 2-3 可知颱風規模 1 之船隻異動區域位於東經

_{120 至東經}

o

₁₃₅

o

及北緯

₁₄

o

_至北緯

₂₂

_.

₅

o

_{；由圖 2-4 可知，颱風規模 2 之船隻異動區域位}

於東經

_{125 至東經}

o

_{135 及北緯}

o ₁₄o

_至北緯

₂₁

o

_；由圖

_2-5

_{可知，颱風規模}

3

之船隻異動區域位於東經

122

.

5

o

至東經

135

o

及北緯

14

o

至北緯

₂₂

_.

₅

o

_；

由圖

2-6

可知，颱風規模

4

之船隻異動區域位於東經

125

o

至東經

136

o

及

北緯

₁₂

_.

₅

o

_至北緯

₂₂

o

_；由圖

_2-7

_{可知，颱風規模}

₅

_{之船隻異動區域位於}

東經

₁₂₅

o

_至東經

₁₃₇

o

_及北緯

₁₂

o

_至北緯

₂₃

o

_。

在颱風規模為

3

以下時，颱風需較靠近花蓮港才會有船隻可能需

出港避難或斷纜的可能。但在颱風規模

4

跟颱風規模

5

時，卻從東經

125°

開始就產生了船隻異動，颱風規模越大者則越早產生湧浪，其船

隻異動之區域則離花蓮港較遠。颱風規模

2

之筆數不多，因此，亦較

難觀察出此規則。另外使花蓮港產生船隻異動指數為

2

以上之颱風，

皆位於花蓮港之東南方。綜合上述颱風產生船隻異動區域大約在東經

o

120

至東經

₁₃₈

o

_及北緯

₁₀

o

_至北緯

₂₃

o

_{。因此，本研究將此影響船隻異動}

的颱風所在範圍定於東經

₁₂₀

o

_~

₁₄₀

o

_、北緯

₁₀

o

_~

₂₅

o

_{之間，且此範圍亦}

為本模式模擬學習時選擇的颱風。

圖 2-3 颱風規模 1 影響船隻異動的範圍

圖 2-5 颱風規模 3 影響船隻異動的範圍

圖 2-7 颱風規模 5 影響船隻異動的範圍

2.4 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

2-8

及

2-9

。由圖

2-8

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

2-9

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 2-8 颱風風速與船隻異動指數關係圖

第三章 船隻動態預警模式之建構

3.1 類神經網路模式

類神經網路(Artificial 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，I

W

和 b

1

為輸入層與隱藏層間的

權重和閥值矩陣，L

W

和 b

2

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×

=

f

s×

I

W s×n

P

n×

+

b

s×

a

_{, , ,}

...(3-1)

(

1 1 2 1

)

1 1 2r×

=

f

r×

L

W r×s

a

s×

+

b

r×

a

_{, , , ,}

...(3-2)

其中 a

1

為隱藏層之輸出值矩陣，a

2

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 a

2

，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

_k+1

=

_k

−

[

T

+

µ

]

−1 T

...(3-4)

其中，Xk、Xk+1 分別表示每次疊代權重{I

W

，L

W

}與門限值{b

1

，

b

2

}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

本計劃分析船隻動態表得知，熱帶性低氣壓均未對花蓮港船隻造

成影響，因此，颱風規模 1 至颱風規模 5 之分類颱風個數共 46 個之颱

風。並依據前章所述之颱風影響船舶動態參數，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

動態的颱風因子，做為類神經網路之輸入值，示如圖 3-2。本計劃選擇

之學習範例為含蓋 5 種颱風規模、4 種船隻異動指數及 9 種颱風路徑之

颱風共 36 個，分別為奧托（Otto）、桃芝（Toraji）、瑪姬（Maggie）、

山姆（Sam）、科羅旺（Krovanh）、薩恩（Zane）、歐珀（Opal）、

彼得（Peter）、蒂娜（Tina）、葛樂禮（Gloria）、奇比（Chebi）、艾

文（Ivan）、丹恩（Dan）、梅米（Maeimi）、莎莉（Sally）、戴兒（Dale）、

羅西（Rosie）、杜鵑（Dujuan）、象神（Xangsane）、艾陶（Etau）、

雷馬遜（Rammasun）

、歐佳（Olga）

、尹布都（Imbudo）

、溫妮（Winnie）、

伊莎（Isa）、瑞伯（Zeb）、賀伯（Herb）、貝絲（Beth）、維琪（Vicki）、

奇洛基（Kiroji）、凱特（Kate）、海燕（Haiyan）、辛樂克（Sinlake）、

魏萊特（Violet）、安珀（Amber）、芭比絲（Babs）等做為類神經之

學習範例。目前其他 3 場颱風則當為已建立模式之驗證範例，依時間

順序分別為楊妮（Yanni）、尤特（Utor）、碧利斯（Bilis）。

圖 3-2 類神經網路架構示意圖

一般而言，隱藏層之層數可為 1 至 2 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，計算隱藏層之

神經元數目為

(

6

+

1

)

/

2

=

3

.

5

個，為求最佳之神經元個數，本計劃將測

試隱藏層神經元分為 2、7、12、17、22、27 及 32 個等。隱藏層轉換

函數則採用正切雙彎曲轉換函數（Hyperbolic tangent sigmoid transfer

1.颱風路徑

2.颱風規模

3.颱風風速

4. 颱 風 中 心 與

花 蓮 港 之 方

位角

5. 颱 風 中 心 之

經緯

ANN

ISE

function）或對數雙彎曲轉換函數（Log sigmoid transfer function）二種。

而最終迭代次數設定為 5000 代，在誤差平方近似於 0 或迭代次數為

5000 代時之任何ㄧ個條件，該網路即停止學習。表 3-1 為不同轉換函

數及不同神經元數之模式學習誤差平方值，由表 3-1 知當神經元數為

27 且轉換函數為正切轉換函數時有最小之誤差平方值，此網路架構之

模式有最佳的學習效果。為測試隱藏層數目是否會影響網路的精度，

因此，本計劃另外建立雙層之類神經網路架構。其第二層隱藏層之神

經元數約為第一層之半，且為偶數(見葉, 1993)。因此在測試時，第二

層隱藏層之神經元數選擇為 12、14 及 16 個神經元。表 3-2 為雙層隱藏

層模式的學習誤差平方值，由表 3-2 可知有 27 個神經元之單層隱藏層

模式比雙層隱藏層模式有較低之誤差平方值。因此，本計劃以 27 個神

經元的單層隱藏層模式進行後船舶動態預警模式的學習與驗證。

表 3-3 為 36 場學習颱風由最佳模式所預測的不同時間的船隻異動

指數與實際值之比較。表中有灰階底者為在預測船隻異動指數與實測

值不同者。此表中之第一欄位為學習颱風之名稱；第二欄為學習時間，

由於每場颱風僅取一天之時間，且為 6 小時取一次之數據，因此，每

場颱風共有四筆學習資料，因此本模式之輸入矩陣為 6×144；第三欄為

預測之船隻異動指數；第四欄為實際之船隻異動指數，共 144 個。由

表 3-3 可知所有誤差皆共有 16 筆資料，數據為船隻異動指數一級之誤

判，則有 9 表資料。由此結果，可知學習後之網路誤差之誤判百分比

約為 11%，因此，本模式具有學習誤差較佳的網路架構，本計劃亦以

此網路架構驗證其他 4 場颱風所發生的船隻動態情形。

表 3-1 單一隱藏層不同轉換函數及神經元個數之學習誤差平方值

轉換函數

神經元數

誤差均方值

2 0.735

7 0.501

12 0.448

17 0.429

22 0.236

27

0.098

正切轉換函數

32 0.194

2 0.745

7 0.482

12 0.321

17 0.706

22 0.529

27 0.553

對數轉換函數

32 0.584

表 3-2 雙層隱藏層之學習誤差平方值

第一層神經元 第二層神經元 誤差平方值

27 0

0.098

27 12

0.171

27 14

0.139

27 16

0.134

表 3-3 颱風之船隻異動指數模式實際與學習輸出值之比較

颱 風 T (hr) ISEp ISEo 颱 風 T (hr) ISEp ISEo 颱 風 T (hr) ISEpISEo 颱 風 T (hr) ISEpISEo 颱 風 T (hr) ISEpISEo 6 1 1 6 1 1 6 1 1 6 1 1 6 1 1 12 1 1 12 1 1 12 1 1 12 1 1 12 1 1 18 2 2 18 2 2 18 1 1 18 1 1 18 1 1 奧 托 24 3 4 魏 萊 特 24 3 3 丹 恩 24 2 2 蒂 娜 24 2 2 凱 特 24 1 1 6 1 1 6 2 1 6 1 1 6 2 2 6 1 1 12 1 1 12 1 1 12 3 2 12 2 2 12 1 1 18 2 2 18 2 3 18 2 2 18 2 2 18 1 1 桃 芝 24 4 4 安 珀 24 3 3 梅 米 24 2 2 葛 樂 禮 24 4 4 歐 佳 24 2 2 6 2 2 6 1 1 6 1 1 6 2 1 6 3 3 12 2 2 12 1 1 12 1 1 12 1 1 12 3 3 18 2 2 18 3 3 18 1 1 18 2 2 18 3 3 瑪 姬 24 3 3 伊 莎 24 4 4 莎 莉 24 3 4 奇 比 24 3 3 奇 洛 基 24 3 3 6 1 1 6 2 1 6 1 1 6 1 1 6 1 1 12 1 1 12 1 1 12 1 1 12 1 1 12 1 1 18 1 1 18 2 2 18 1 1 18 2 2 18 1 1 山 姆 24 3 3 羅 西 24 3 3 戴 兒 24 3 3 艾 文 24 4 4 象 神 24 1 1 6 1 1 6 1 1 6 1 1 6 1 2 6 1 1 12 1 1 12 1 1 12 1 1 12 2 2 12 1 1 18 1 1 18 2 2 18 1 1 18 4 4 18 3 3 科 羅 旺 24 2 2 溫 妮 24 4 4 貝 絲 24 1 1 雷 馬 遜 24 4 4 瑞 伯 24 4 4 6 2 2 6 2 2 6 1 1 6 2 2 6 1 1 12 2 2 12 2 2 12 2 1 12 3 3 12 1 1 18 2 2 18 4 4 18 2 3 18 3 3 18 1 1 薩 恩 24 4 4 芭 比 絲 24 4 4 賀 伯 24 4 4 杜 鵑 24 3 3 辛 樂 克 24 1 1 6 1 1 6 1 1 6 1 1 6 1 1 6 1 1 12 1 1 12 2 1 12 1 1 12 1 1 12 2 1 18 1 1 18 1 1 18 2 1 18 2 1 18 2 3 歐 珀 24 4 4 維 琪 24 1 1 海 燕 24 1 1 艾 陶 24 3 4 尹 步 都 24 4 4 6 1 1 12 1 1 18 1 1 彼 得 24 2 2

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，本計劃目前以 3 場未

經由學習之颱風，來驗證該網路模式之預測能力。本計畫選擇 3 場颱

風當做驗證之颱風，模式預測之船隻動態指數為每個小時一筆資料，

且將楊妮(Yanni，87)、碧利斯(Bilis，89)及尤特(Utor，90)等颱風以時

序之方式呈現，示如圖 3-3 至 3-5。楊妮（Yanni）颱風為第 6 類颱風路

徑且颱風規模為第 1 級。圖 3-3 為楊妮颱風經由模式推算之預測船隻異

動指數時序圖，由模式所預測出楊妮颱風的最大船隻異動指數為 2，亦

即只會造成湧浪產生，而且湧浪並不會大到船隻需出港避風，由附錄 1

中可知，Yanni 颱風之船隻異動指數為 2，因附錄中未清楚記載湧浪產

生之時刻，故本計劃以表中開始紀錄湧浪產生之時刻，即 9 月 28 日 2

時，如圖 3-3 中之實現線所示處。

09/25 12:00 09/26 0:00 09/26 12:00 09/27 0:00 09/27 12:00 09/28 0:00 09/28 12:00 date 0 1 2 3 4 5 ba ne fu l de g ree

圖 3-3 模擬楊妮(Yanni)颱風侵台時之船隻異動指數

碧利斯(Bilis）颱風為第 3 類路徑颱風規模為 5 級。圖 3-4 為由模

式推算所得碧利斯(Bilis)颱風之預測船隻異動指數，由圖 3-4 可看出每

一時間點之船隻異動指數，且由模式預測碧利斯(Bilis)颱風之最大船隻

異動指數為 4，亦即船隻有斷纜的可能。由附錄 1 中可知，碧利斯（Bilis）

颱風來襲時，有船隻出港避風並產生了斷纜之現象，因此，判定碧利

斯(Bilis)颱風之船隻異動指數為 4，而船隻之斷纜且出港避風時間則為

紀錄的湧浪發生時間

圖中之虛線部份，由圖 3-4 可知，在模式預測上，亦判定為船隻有斷纜

之可能。在附錄 1 中，船隻由於斷纜才出港避風，本預警模式預測出

船隻應提早出港，以避免斷纜之現象發生。

08/21 6:00 08/21 18:00 08/22 6:00 08/22 18:00 date 0 1 2 3 4 5 ba ne fu l de g ree

圖 3-4 模擬碧利斯(Bilis)颱風侵台時之船隻異動指數

尤特(Utor)颱風為第 5 類颱風路徑、颱風規模為第 1 級。圖 3-5

為經由模式推算所得尤特(Utor)颱風之預測船隻異動指數。圖 3-5 可看

出每一時間點之船隻異動指數，並可知由模式預測尤特(Utor)颱風之最

大船隻異動指數為 3，亦即船隻有出港避風的必要性。由附錄 1 中可

知，Utor 颱風來襲之時，有船隻出港避風，所以，判定尤特(Utor)颱風

之船隻異動指數為 3，且湧浪產生之時間為 7 月 4 日早上 7 點 30 分，

為圖中之實線所在，可知模式之預測船隻異動指數亦為 2，而船隻之出

港避風時間則為圖中之實線部份，由圖 3-5 可知，在模式中，亦預測出

了船隻需出港避風，船隻異動指數為 3 虛線部分。

紀錄的斷纜發生時間

07/03 12:00 07/04 0:00 07/04 12:00 date 0 1 2 3 4 5 bane fu l de g ree

圖 3-5 模擬尤特(Utor)颱風侵台時之船隻異動指數

紀錄的湧浪發生時間 紀錄的出港發生時間

第四章 波浪特性分析

4.1 資料來源與處理

本研究之測站位置位於花蓮港東防波堤往南延長 370 公尺、水深

34 公尺處，設置儀器為挪威 NORTEK 公司之剖面海流、音波式表面波

浪與壓力式波浪量測及即時傳送監測系統 AWAC，主要收集資料為波

高、週期以及波向。花蓮港附近測站位置圖，如圖 4-1 所示，測點為圖

中東防波堤末端方塊部分。港灣技術研究中心提供之波浪資料紀錄有

兩種形式，一為壓力式波浪量測記錄，另一為音波式表面波浪量測。

本研究使用之波浪資料為壓力式，時間為 90 年至 94 年的資料，波浪

每小時取樣為 17 分鐘，頻率為 2HZ，因此每小時共取樣 2048 筆資料。

進行波高與週期之計算時，需先將原始壓力資料經快速傅立葉（FFT）

轉換成壓力頻譜後，再透過壓力轉換函數（pressure transfer function）

將壓力頻譜轉換成水位頻譜，此水位頻譜經過逆快速傅立葉轉換後，

即可得到水位訊號。其中 90 至 92 年的資料較不完整，故本計劃分析

時較著重於 2004 年與 2005 年波浪資料。

4.2 示性波高與週期之計算

4.2.1 示性波高之計算

根據零上切（zero up cross）法，可將原始資料處理完後所得水位

定義出波高。一般常用的波高統計代表值（代表波）有很多種，本研

究選取 H

1/3

來計算相關波高特性，H

1/3

（示性波）其計算方法即以波群

中波高較大的 1/3 部分的個別波波高平均值來代表，雖其不具有特別的

意義，但接近人類以目視觀測對不規則波直覺上得到的波高。另外在

統計特性上，發現其具有最大的安定性（不隨取樣不同而變化），較

能反映波浪所含能量的大小，故是最常用的代表波。(郭，1999)

另外，可將水位訊號經過快速傅立葉（FFT）轉換後得到頻譜，根

據頻譜的定義，頻率為

f

，可得零階面矩的能率 m

0

，示如式(4-1)

( )

∫

∞

=

0

f

S

f

df

m

_n n

...(4-1)

其中，

S

( )

f =E

[

X

( ) ( )

f X f

]

，E[]代表期望值(樣本平均)，

X

( )

f

是水位

訊號的 Fourier 係數，

X

( )

f

為其共軛複數。由於常見的波高分佈比

較符合 Rayleigh 與 Weiubll 分佈，則根據 Rayleigh 理論示性波高

與頻譜函數之零階動差關係為式(4-1)

0 3 1

4 m

H

_/

=

...(4-2)

但基於 Weibull 分佈的假設，常數約為 3.8。並可由現地觀測數據

其關係常數略小於 4.0(Wilson 和 Baird，1972；副島，1975)。合田(1990)

則建議實際風浪應採用 3.8 較為妥當。

4.2.2 示性週期之計算

一般常用的週期統計代表值（代表波）為：在波高記錄中經由零

上切法決定波高後，假設有 n 個波高及其相對應的週期，將波高按大

小次序排列，H

1

＞H

2

＞H

3

…，而其相對應之週期排列為 T

1

＞T

2

＞

T

3

... ，定義示性波高 H

1/3

為其前 1/3 部份波高之平均值，而 T

1/3

為

其相對應之週期平均值；而 Nair, et al.(2003) 等所提出的示性週期計算

方式是以週期大小排序後(T

1

＞T

2

＞T

3

………….＞T

N

)，以前 1/3 部

份週期之平均值為示性週期。

由於以頻譜求得示性週期之過程相當困難，在理論上其與主頻 f

p

的關係已無法得到，只能從現地觀測的經驗來決定。Mitsuyasu(1968)

提出示性週期為下式

p

f

T

05

1

1

3 1

.

/

=

...(4-3)

合田(1987)亦以觀測數據建議示性週期為下式

p

f

T

1

1

1

3 1

.

/

=

...(4-4)

4.3 波浪特性分析

本計畫將原始水位的資料經過統計後，進行零上切法，得到波高

時序值，以此進行計算並繪出實際波高機率直方圖。藉由波高時序資

料求得不同機率密度分佈之參數，以獲得對應的理論密度分佈函數，

並以最大概似法(Maximum Likelihood Estimator，MLE)求解各理論機率

分佈之參數，其各參數值均落在 95%信賴區間，最後再根據分組組數

與資料分佈的特性，分析波高與週期機率與直方圖分佈，以誤差均方

根(RMS)、相關性(R

2

)、離島型直方圖(P

i

=0)與判斷是否為雙峰直方圖

(|P

i

-P

j

|>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。

直方圖是用來判斷波高資料機率分佈情況，直方圖的分組組數將

影響到資料分析出來後的結果，當組數分得太少時，將無法有效地表

現出該筆資料的分佈特性，而造成部分資料特性被隱藏的結果。相反

地，若將組數分得太多時，將造成各個區間內資料點出現的個數過少，

使直方圖呈現出極不規則情況，同樣也不能有效地表現出該筆資料的

特性。因此，在做統計分佈之前，必須先對分佈區間的組數進行定義。

因此根據統計學上的理論，合理的直方圖分組組數大小應至少要大於

五組，而一般統計學上常用的分組方法有如下幾種：

1. Sturges（史特吉斯） 法：

( )

N log 3.322 1 X = +

_...(4-5)

其中 X 為確定好之分組組數，N 為資料次數或個數。

2. Doane（唐恩）法：

N X =

_...(4-6)

其中 X 為

N

_{最接近之整數值，N 為資料之次數或個數。}

花蓮港之波數範圍大略介於 70 至 150 個之間，根據上述兩種分組

組數計算方法，可得到分組組數範圍大概為 7 至 12 組，而本計畫除了

參考上述兩種分組分法外，尚加入了兩組數 5 組與 6 組一起併入計算，

即分組範圍為 5 至 12 組，以得到較客觀的分析結果。

而本計畫所選用之統計參數來決定，波高與週期之最佳組數及最

適之機率分佈。對波高與週期則共有四個，其中誤差均方根(RMS)與相

關係數(R

2

)為常用之統計學上的技巧。另依施與尹（1994）探討近海波

高的機率分佈時，以卡方檢定（Chi-Square test）與統計學中回歸分析

的最小平方法，來檢定與判斷機率分佈與柱狀圖的適用性，本計畫亦

參考其分析方法，引用卡方檢定與最小平方法，及 Kolmogorov-Smirnov

test 檢定方法來判斷適用性，然而在分析過程中，以最小平方法來檢

定並無法明顯地判斷出各分佈的優劣，另兩種檢定方法則在 99％有效

水準下，各種機率分佈函數均可被接受，因此，亦難以判斷各區間的

分佈函數中，何種組數為最佳的分組組數。有鑑於此，本計畫提出 P

i

=0

與|P

i

-P

j

|>1/N 兩參數來判斷適用性，茲將兩種參數說明與判斷方法示如

下。

圖 4-2 為某一波高資料分成 12 組織直方圖，其中 Pi=0 即表示當波

高根據組數分組時，各組距中可能產生機率值為零的情況。因為當分

組組數越多，間距分的過細，以致於在該間距內的機率或者次數可能

為零。如圖 4-2 所示，分成 12 組時，於波高 0.38m 至 0.425m 中，次

數為零（機率值亦為零），因此 Pi=0 的參數記錄為 1，即代表該筆資

料中，至少有一組間距機率值是為零的情況，若無任何間距的機率值

為零，Pi=0 之參數紀錄為零。 另一參數|Pi-Pj|>1/N（N 為分組組數）

的說明如圖 4-2 所示，當各組距中的機率值與其下一組距的機率值，相

減之後的絕對值大於分組組數倒數的情況至少發生一次以上，該參數

值紀錄為 1；若|Pi-Pj|>1/N 無發生，該參數值紀錄為 0。

圖 4-2 統計參數與波高資料直方圖