結合聚 velopme
Inte
國立臺
D
N
聚類法與 ent of A egrating
指 A
臺灣大學 碩
epartment Colleg
National T Ma
與類神經 A Typhoo
g Cluster
Ou,
指導教授 Advisor:
中華民 Ju
學工學院 碩士論文
t of Civil E ge of Engin
Taiwan U aster The
經網路發 on Inund
ring and
歐靚芸 Ching-
授：林國 : Lin, G
民國 101 uly, 201
院土木工 文
Engineerin neering
Universit esis
發展颱風 dation W d Neura
芸 -Yun
國峰 教授 wo-Fon
年 7 月 12
工程學系
ng
ty
風淹水預 Warning l Netwo
授 ng
月
系
預警系統 g System
orks 統
m by
本論文撰寫 受益良多，方 於口試中提 在學期間 過程中，從學 以及學弟信華 的朋友們，在 最後，對於 感謝和我一 文願獻給所有
寫期間，承 方能順利完 提供許多寶
，受到諸多 學長明璋、
華身上，得 在此一並致 於父母親的 一起出遊尋 有關心的人
承蒙指導教授 完成。初稿又 寶貴意見，在
多師長珍貴之 柏凱、揚敬 得到許多指導 致上深深的謝
的支持與栽培 尋找美食的朋 人及關心我的
誌謝
授林國峰老 又蒙林文欽 在此致上由
之指導，讓 敬、家銓、
導與幫助，
謝意。
培，哥哥們 朋友們，紓 的人，謝謝
老師悉心指 欽教授、賴 由衷之謝意
讓兩年的碩
、軒宇、秉
，還有眾多
們在課業上 紓解了許多 謝。
導與提供寶 進松教授悉
。
士班生活相 宸、致瑋、
陪伴我一起
的鼓勵，以 在做研究時
寶貴意見，
悉心匡正論
相當充實。
、學姐珮瑜 起努力、給
以及親戚們 時累積的壓
使本 論文內
在研 瑜、宜 給我支
們的關 壓力。
颱風或豪雨 防災單位相當 水深度結果
本文結合 hine, SVM) 空間推估。首 類，所分出的 而，在各個控 模式的輸入項 淹水深度，以 量這 5 個因子 的淹水深度
本研究以雲 系統能夠準確 利用地理資訊 圖能夠反應出
鍵字：區域淹 量機
雨襲臺期間 當重要，如
，是本研究 k-means 聚 )發展一套區 首先，將所收 的每個類別即
控制點建構 項，預報控 以及與控制 子，利用 SV
。
雲林縣的西 確的預報未 訊系統(geog 出所收集到
淹水預警系
中
間，時常會造 如何建立準確 究的重點。
聚類法和新 區域淹水預
收集淹水區 即為一種淹 構預報模式，
控制點未來 制點分至相同
VM 空間推
西螺鎮來驗證 未來 1 至 3
graphic info 到的淹水潛勢
系統、淹水深
中文摘要
造成淹水的 確的預報模
新型類神經 預警系統，主 區資料，使用 淹水型態，每
，利用降雨量 1 至 3 小時 同類別網格 推估模式，即
證所提出的 小時的淹水 formation sy
勢圖資料。
深度預報、
要
的災害。因 模式，以至
經網路－支 主要架構分
用 k-means 每個類別中
量和淹水深 時的淹水深 格點的二度分
即可推估未
的方法。結 水深度。最 ystem, GIS)
空間推估
此，淹水預 於進一步得
支援向量機 分成三部分
聚類法根據 中可對應出各 深度兩個因子 深度。接著將
分帶座標(X 未來 1 至 3 小
果顯示，利 最後，網格點 )繪製，預報
、k-means 聚
預警系統現 得知區域預
機(support v
：分類、預 據淹水歷線 各控制點位 因子作為 SV
將各控制點 X、Y)、高 小時，所有
利用區域淹 點的預報淹 報結果的淹
聚類法、支 現在對 預報的
vector 預報以 線進行 位置。
VM 預 點預報 高程和 有網格
淹水預 淹水深 淹水深
支援向
ng typhoon erty damag ning system rate and ef tering and
dation war nsion. Firstl ch is a usef ographs wit ter is seen
h are used control p dation fore M-based ext he coordina lt of the co ning system proposed sy em can effe
dation warn
words: regi exte
ns, flood in ge. For inu has been re ffective reg support ve rning system
ly, the inund ful techniqu
th specific as a contro as inputs to point. Third ecasting mo tension mod ates, the elev ontrol point.
m in the Xilu ystem. The fectively for ning system
ional inund ension; k-me
A
nundation c undation mi
ecognized a gional inun ector machi m consists dation depth ue for solvin different ch ol point in
o develop t dly, the p odel are e del. The inp
vation and t . An actual uo Townshi
results show recasting th
is expected
ation warni eans cluster
Abstrac
aused by r itigation, d as an import ndation war ine (SVM) s of three
h hydrograp ng classific haracteristic this study.
the SVM-b point foreca extended to
put variable the rainfall l application
ip is condu w that the he inundati d to be usefu
ing system ring; suppor
t
rainfall ofte development
tant task in rning syste is propose parts: clas phs are clus cation probl cs are classi Secondly, ased inunda asts resulti o the spati
es of the SV of forecaste n of the pr ucted to dem
proposed re ion depth, ful to mitiga
; inundation rt vector ma
en leads to t of a regi hydrology.
em by integ ed. The pr ssification, stered by k-m
lems. The i ified and th the rainfall ation foreca ing from t al forecast VM-based e ed point and oposed reg monstrate th
egional inu and the pr ate the inund
n depth for achine
loss of life ional inund In this stud grating k-m roposed reg
forecasting means clust inundation he center of
l and inund asting mode
the SVM-b ts by using extension m d the foreca gional inund he advantag undation wa roposed reg dation dama
recasting m e and dation dy, an means gional g and
tering, depth f each dation el for based g the model
asting dation ges of arning gional age.
model;
試委員審定書 謝 ...
文摘要 ...
tract ...
錄 ...
目錄 ...
目錄 ...
章 緒 1.1 研究 1.2 文獻 1.3 研究 1.4 論文 章 理 2.1 聚類
2.1.1 2.2 支援
章 研 3.1 研究 3.2 淹水 章 模 4.1 區域
書…………
...
...
...
...
...
...
緒論...
究動機……
獻回顧 ...
究目的 ...
文架構 ...
理論與方法 類演算法概述
k-means 聚
援向量機 ....
研究區域與 究區域 ...
水資料 ...
模式建立與 域淹水預警系
………
...
...
...
...
...
...
...
………
...
...
...
法 ...
述 ...
聚類法 ...
...
與資料 ...
...
...
與應用 ...
系統 ...
目錄
………
...
...
...
...
...
...
...
…… ...
...
...
...
...
...
...
...
...
...
...
...
...
………
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
………
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
………
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
…...#
...i
... ii
... iii
...iv
...vi
... viii
... 1
... 1
... 3
... 5
... 5
... 6
... 6
... 7
... 8
... 12
... 12
... 13
... 17
... 17
4.1.1 4.1.2 4.1.3 4.2 交替
4.2.1 4.2.2 章 結 5.1 區域 5.2 區域 5.3 區域 章 結 6.1 結論 6.2 建議 考文獻 ...
錄 ...
區域淹水 區域淹水 區域淹水 替驗證與評鑑
交替驗證 評鑑指標 結果與討論 域淹水預警系 域淹水預警系 域淹水預警系
結論與建議 論 ...
議 ...
...
...
水預警系統—
水預警系統—
水預警系統—
鑑指標 ...
證 ...
標 ...
論 ...
系統—分類 系統—預報 系統—空間 議 ...
...
...
...
...
—分類 ...
—預報 ...
—空間推估 ...
...
...
...
類結果 ...
報結果 ...
間推估結果 ...
...
...
...
...
...
...
估 ...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
... 19
... 21
... 24
... 26
... 26
... 26
... 27
... 27
... 32
... 43
... 63
... 63
... 65
... 66
... 70
2.1 k-means 2.2 SVM 架 3.1 研究區域 3.2 颱風雨量
聖帕 4.1 研究流程 4.2 k-means 4.3 SVM 預 4.4 輸入項稽 4.5 空間推估 5.1 k-means 5.2 桃芝颱風 5.3 10 個控制 5.4 控制點於 5.5 控制點於 5.6 預報未來 點 3 (i)控 5.7 預報未來
4、(
分群法示意 架構圖 ...
域圖 ...
量組體圖(a 帕、(g)卡玫 程圖 ...
分類計算架 預報模式架構
稽延長度確 估模式架構 分類結果 . 風控制點歷 制點位置 ..
於(a)t+1、(b 於(a)t+1、(b 來 1 小時之 3、(d)控制點 控制點 9、(j
來 1 小時歷 (e)控制點 5 控制點 10 ...
意圖 ...
...
...
a)巴比倫、(
玫基 ...
...
架構圖 ...
構圖 ...
確定流程圖 . 構圖 ...
...
歷線 ...
...
b)t+2、(c)t b)t+2、(c)t 之淹水 45 度
點 4、(e)控制 j)控制點 10 歷線圖：(a)控
5、(f)控制點
圖目錄
...
...
...
(b)碧利斯、
...
...
...
...
...
...
...
...
...
t+3 之 RMS t+3 之 MAE 度線相關圖
制點 5、(f)控 0 ...
控制點 1、(
點 6、(g)控
...
...
...
、(c)桃芝、
...
...
...
...
...
...
...
...
...
SE 結果 ...
E 結果 ...
：(a)控制點 控制點 6、(g ...
(b)控制點 2 控制點 7、(h
...
...
...
(d)娜克莉 ...
...
...
...
...
...
...
...
...
...
...
點 1、(b)控制 g)控制點 7 ...
2、(c)控制點 h)控制點 8
...
...
...
、(e)艾維尼 ...
...
...
...
...
...
...
...
...
...
...
制點 2、(c) 7、(h)控制點
...
點 3、(d)控
、(i)控制點
... 11
... 11
... 12
尼、(f) ... 16
... 17
... 20
... 21
... 23
... 25
... 28
... 29
... 30
... 34
... 35
)控制 點 8、 ... 38 控制點
點 9、
5.8 空間推估 5.9 空間推估 5.10 卡玫基 5.11 娜克莉 5.12 卡玫基 5.13 娜克莉 5.14 卡玫基 預報 5.15 卡玫基
(d)9 5.16 卡玫基 (d)1 5.17 卡玫基 (d)2 5.18 娜克莉 預報 5.19 娜克莉
(d)9 5.20 娜克莉 (d)1 5.21 娜克莉 (d)2
估模式於(a) 估模式於(a) 基颱風於(a)t 莉颱風於(a)t 基颱風控制點 莉颱風控制點 基颱風 6h 淹
報結果 ...
基颱風 12h 淹 9h 預報結果 基颱風 18h 淹
5h 預報結果 基颱風 24h 淹 21h 預報結果 莉颱風 6h 淹
報結果 ...
莉颱風 12h 淹 9h 預報結果 莉颱風 18h 淹
5h 預報結果 莉颱風 24h 淹 21h 預報結果
)t+1、(b)t+
)t+1、(b)t+
t+1、(b)t+2 t+1、(b)t+2 點歷線 ...
點歷線 ...
淹水情形(a)淹 ...
淹水情形(a) 果 ...
淹水情形(a) 果 ...
淹水情形(a) 果 ...
淹水情形(a)淹 ...
淹水情形(a) 果 ...
淹水情形(a) 果 ...
淹水情形(a) 果 ...
+2、(c)t+3 +2、(c)t+33 2、(c)t+3 之 2、(c)t+3 之 ...
...
淹水資料、(
...
)淹水資料、
...
)淹水資料、
...
)淹水資料、
...
淹水資料、(
...
)淹水資料、
...
)淹水資料、
...
)淹水資料、
...
之 RMSE 3 之 MAE 結 之誤差分佈圓 之誤差分佈圓
...
...
(b)5h 預報結 ...
、(b)11h 預報 ...
、(b)17h 預報 ...
、(b)23h 預報 ...
(b)5h 預報結 ...
、(b)11h 預報 ...
、(b)17h 預報 ...
、(b)23h 預報 ...
結果 ...
結果 ...
圓餅圖...
圓餅圖 ...
...
...
結果、(c)4h 預 ...
報結果、(c) ...
報結果、(c) ...
報結果、(c)2 ...
結果、(c)4h 預 ...
報結果、(c) ...
報結果、(c) ...
報結果、(c)2 ...
...
...
...
...
...
...
預報結果、
...
10h 預報結 ...
16h 預報結 ...
22h 預報結 ...
預報結果、
...
10h 預報結 ...
16h 預報結 ...
22h 預報結 ...
... 45
... 46
... 49
... 50
... 51
... 51
(d)3h ... 55
結果、 ... 56
結果、 ... 57
結果、 ... 58
(d)3h ... 59
結果、 ... 60
結果、 ... 61
結果、 ... 62
3.1 颱風事件 4.1 k-means 4.2 控制點預 5.1 控制點歷 5.2 控制點預 5.3 控制點預 5.4 空間推估 5.5 空間推估 5.6 卡玫基颱 5.7 娜克莉颱
件資料 ...
分類結果各 預報模式輸 歷線 ...
預報之 RM 預報之 MA 估模式之 R 估模式之 M 颱風誤差分 颱風誤差分
...
各類別網格 輸入項 ...
...
SE ...
AE ...
RMSE ...
MAE ...
分佈 ...
分佈 ...
表目錄
...
格數 ...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
...
... 14
... 19
... 22
... 31
... 33
... 33
... 44
... 44
... 48
... 48
研究動
西北太平洋 西太平洋颱風 統計，平均一 區，天氣變化 增加天氣多變 的自然災害 挾帶的豪大雨 滑動和淹水災 因此政府為 要包含河川治 然災害已無法 淹水災害不 莉颱風由於停 臺灣嚴重水患 共有 94 人 於 2005 年的 登陸，使得臺 氣流，在南部 莫拉克為臺灣 處堤防坍塌 計約有 165 億為了因應 hnology Cen 水潛勢圖。隨 高，水利署於
動機
洋地區為全 風路徑要衝 一年當中約 化複雜而多 變。在世界，颱風在造 雨時常造成 災害等嚴重 為減少水災 治理及海岸 法避免，如 不但威脅到 停留時間過 患，更讓臺 人死亡，至於 的海棠颱風行 臺灣國內線 部地區降下 灣創下 50 年
，山地引發 億元損失，
淹水問題 nter for Dis 隨著內政部 於民國 95 年
第1
全球熱帶氣旋 衝，因此每年 約 3~5 個颱
多變。又因島 界氣象組織(
造成人命傷亡 成許多災害 重的問題。臺 災所造成之損 岸工程，期望 如何防災與減 到人命安全
過久，加上路 臺北市捷運及 於工商部分 行徑特殊，
線與國際線班 下驚人豪雨
年來最嚴重 發土石流，使
其中農產損
，行政院國 saster Reduc 部「全國數值
年開始執行
1章
旋(颱風)發生 年常遭受颱 颱風會侵襲臺
島內地形複 (World Met 亡的排行上
，地區性的 臺灣因颱風 損失，每年 望能減少洪水
減災卻是一
，另外也會 路徑特殊，
及臺鐵臺北 分損失超過
其路徑於花 班機大部分
，因此蔬菜 重的水災，貫
使得山上部 損失超過將 國家災害防
ction, NCD 值高程更新 行淹水潛勢圖
緒論
生頻率最高 颱風侵襲而
臺灣地區。
複雜，高聳 teorological 上名列第二位
的豪雨常導 風造成的水 年編列龐大 水災害之損 一件刻不容緩 會造成龐大的
，在臺灣地 北車站淹水
40 億元，農 花蓮外海先 分停飛。而 菜產地受損嚴
貫穿南台灣 部落被掩埋 將近 50 億。
防救科技中 DR)於民國 8 新」工作之
圖更新計畫
論
高之區域，臺 形成災害。
臺灣的氣候 的中央山脈 l Organizat 位(Bengtsso
致洪水災害 災、風災造 經費進行防 損失。以目前 緩的工作。
的經濟損失 區降下豐沛
，多處地區 農林漁牧損 先南偏再北轉
海棠颱風又 嚴重，價格 灣的南迴線鐵
，死亡人數
中心(Nation 88 年起製作
完成，土地 畫，因此可得
臺灣地理位
。根據中央 候介於副熱 脈呈南北走 tion)統計中 on, 2007)。
害、土石流 造成相當大 防洪減災設 前的環境發
失。如 2001 沛的雨量，
區引發土石 損失約 42 億
轉，最後才 又夾帶旺盛 格飆漲。200 鐵路受災嚴 數達 600 多
nal Science 作全省各縣 地高程資料 得到更精確
位置處 央氣象 熱帶季 走向，
中，所 颱風 流、邊 大的災 設施，
發展，
年的 造成 石流災 億元。
才在宜 盛的西 09 年 嚴重，
多人，
e and 縣市之 料精度 確淹水
勢分析之結果 能使淹水潛勢 佈情況，進行 輔導國立成功 料了解可能淹 式進行模擬 於淹水深度資
由於淹水所 擬淹水潛勢分 降雨監測系統 行決策時參考 仍然有差異 迅速又準確的 水資訊提供給 害與損失。
果。由於臺 勢分析結果 行淹水潛勢 功大學建構 淹水地區的
，模式必須 資料，都還是 所需考量的 分析之結果 統，配合選 考之依據。
，還是無法 的區域淹水 給政府單位
臺灣地區之地 果，更容易應 勢分析。目前 構淹水潛勢圖 的訊息。淹水 須透過繁複的 是仰賴於模 的致災因子眾 果建立淹水資 選取適當模擬 但是實際發 法掌握可能會 水預警系統 位，才可儘早
地形變化較 應用於災害 前已完成臺 圖資相關的 水潛勢圖的 的數值計算 模式模擬的結
眾多且複雜 資料庫，在 擬結果的淹 發生的降雨 會發生淹水
，在洪水期 早準備防災
較大，降雨 害應變，故 臺灣各地區 的網路資訊 的資料來源 算，才可得 結果，目前 雜，目前大 在颱風來臨 淹水潛勢圖 雨量與模擬 水的時間。
期間能夠提 災的措施和
之分佈亦隨 列舉各種重 的淹水潛勢
，一般民眾
，主要使用 至準確的模 前尚未有確實 部分做法是 時，依據中
，提供中央 資料空間、
因此，本研 早得知淹水 決策，減少
隨地形改變 重現期距的 勢圖，水利 眾即可透過 用一維或是 模擬結果。
實的資料來 是在汛期前 中央氣象局 央災害應變
、時間上降 研究希望發 水情況，將 少淹水所造
變，為 的降雨 利署也 過這項 是二維 因此 來源。
前，將 局之即 變中心 降雨分 發展一 將相關 造成的
文獻回
颱風所帶來 濟損失，為了 資料與經濟損 提出，而利用 外常用的災損 代基等, 2007 深度–損失曲 據上述研究的 深，所帶來的 淹水相關的 估和模擬洪水 情形，結合地 ghley et al.(2 來，淹水模擬., 2003；M 蘭的 SOBEK 模擬河道、集
996)並修改 出二維漫地流 性淹水模式模 考慮各種邊 所需不同降雨 del, DTM)等 降雨發生前 期間即時演算
國內外文獻 相當複雜，而
回顧
來的大量豪 了想要進一 損失的關係 用淹水災害 損估算方法 7)。近年來國 曲線(Depth- 的結果，淹 的損失比例 的議題在水 水在都市地 地理資訊系 2009)根據地 擬模式的發 Mason et al., K 模式(Tesf集水區淹水 改此核胞模式
流淹水模式 模擬基隆河 邊界條件下 雨的型態、河 等等，淹水模
，事先建立 算。
獻鮮少直接 而淹水致災之
豪雨，不僅會 一步得知淹水 係。淹水深度
害損失曲線配 法(Boyle et a
國內也有不 -Damage C 淹水深度與淹 例相當高，因 水文方面廣泛 地區的淹水情 系統，可得出
地表地形描 發展一直是個
2009；Bat faye et al., 2 水情況；Cun
式，使其能 式，模擬都會
河段淹水情形 下，經過大量 河道地形斷 模式需要消 立不同降雨情
接探討雨量與 之因子亦非
會威脅人民 水所造成的 度–淹水損
配合淹水深 al., 1998；Be 不少研究，針
Curve)之關係 淹水損失的 因此準確的 泛的被討論 情況；在水 出現實淹水 描述的結果可
個熱門的議 tes et al., 20 2010)、美國
nge et al.(19 能夠符合台灣
會區暴雨時 形。利用二 量數值計算 斷面、防洪構 消耗大量電腦
情境下之淹
與淹水之關 非全然為自然
民的生活安 的損失，從 損失關係曲線
深度資料來 erning et al.
針對臺灣不 係(張齡方, 的關連性相 的掌握淹水深 論，Fewtrell
水文及流體 水結果的地圖
可以提供渠 議題，也有許
010)。常使 國的 FLO-2
980)所提出 灣河川流域 時的淹水；賴 二維模式模 算得到準確
構造物、數值 腦運算時間 淹水潛勢資
關係，主要 然因素，因
全，甚至還 文獻裡找到 線概念於 1
推估災害損 , 2001 ; Du 不同土地利用
2008；槺瑞 當高，淹水 深度是相當 l et al.(2008 動力學模式 圖(Paiva et 渠道和淹水的
許多相關的 使用的淹水模
D(Supharat 出的核胞淹水
域的特性；H 賴進松等(20
擬淹水，其 合理的模擬 值地形資料 間，因此於實
料庫，無法
原因是降雨 因此多數學者
還會造成龐 到研究於淹 945 年由 W 損失，為目 utta et al., 20 用型態製作 瑞林等, 200 水所造成的 當重要的。
8)發表利用 式計算出河 t al., 2011) 的水力特性 的文獻發表(
模式有許多 tid, 2006)等 水模式
，
許 Hsu et al.(2 001)利用二 其依據控制 擬結果。二 料(Digital Te 實際使用上 法應用於颱雨導致之淹 者考慮以降
龐大的 淹水深 White 目前國 003；
作了淹 05)。
的深度
用模式 河川流 )；而 性。近 Bates 多，如 等，皆 許銘熙 2002) 二維零 制方程 二維模 errain 上，乃 颱風豪
淹水歷 降雨–
流歷程為研究 等, 2010)。為 式(artificial n 特性、平行處
2007；張麗 從文獻當中 神經網路(ba
011)利用四 到淹水潛勢資 易淹水位置
A)，所發展 預報未來 1 小 雨資料，進行 進行分類，分 未來 1 小時淹 報結果推估至 類神經網路 in and Wu 河川流量預報 水預報 (Cha 應用新型類神 深度的模式。
應用在水文 Liong, 2007 傳遞類神經網 度較高；再者 M 可以獲得 速度快，效率
究重點，由 為了讓防災單
neural netwo 處理能力等 麗秋等, 2009 中也發現，
ack-propaga 四種不同型態
資料，在根
，以 BPN rainfall-inu 小時淹水深 行模擬所得 分類的中心 淹水深度，
至全區域。
路模式不僅 (2009) 應用 報的相關研 ang and Cha 神經網路—
。其為一種基 文時間序列 7)。而 Lin e 網路(BPN)比 者，SVM 權 得更為可靠的 率高。而結
由降雨造成河 單位能夠有 orks, ANN) 等等，在淹水
9；張麗秋等 淹水預警系 ation netwo
態的真實和 根據收集到歷
為基礎並 undation hy 深度。而 Cha
得淹水潛勢圖 心點視為淹水
最後分別利
僅應用於淹水 用 ANN 進 研究目前亦相
ang, 2009)、
—支援向量機 基於統計學 列預測的問題
et al.(2009a 比較，應用 權重及架構 的結果，顯示 結果顯示 SV
河川水位之 有參考的應變
)的優點，如 水災害預警 等, 2010)。
系統主要核 ork, BPN)來 和合成雨量事
歷史的淹水 並結合主成分
ybrid neural ang et al.(20 圖資料。首 水控制點，
利用線性回
水方面，在水 進行颱風時期 相當多，如：
、尖峰流量 機(support 學習理論(sta
題上，亦已 a, 2009b)過往 用 SVM 其優 構的決定保證 顯示強健性(r
VM 相較於
之變化進一步 變時間，有 如聯想快速 警系統的應用
核心模式，
來建立降雨 事件，作為 水資料以及現
分分析(prin l network(R 010)同樣也 首先，將淹
其次，在控 回歸模式、m
水文領域上 期降雨預報 降雨逕流預 量預報(Chidt
vector mac atistical lear 已取得不錯的
往研究經驗 優點有三點 證為全域最
robustness)較 BPN 更為準
步推估淹水 有些學者利用 速、良好的歸 用上有進一
都是使用最 雨–淹水間的 為二維漫地流 現地調查結 ncipal comp RiHNN)淹水 也是使用不同 水資料依照 控制點上架 multi-grid B
上也能找到許 報。國內外利 預報(Lin an
thong et al., chine, SVM
rning theory 的成果(Yu 驗上，與傳統 點。首先，在 最佳解並且為 較高；第三 準確、強健
水之可能性(
用人工神經 歸納能力、
一步研究(張
最常見的倒 的關係。P 流模式的輸 結果後，挑選
ponent ana 水預報模式 同重現期距 照地文、淹 架構 BPN 模 BPN 模式，
許多相關研 利用類神經 nd Chen, 200
, 2009)等。
M)架構降雨 y)的機器學 et al., 2006 統上最常使 在模式表現 為唯一解，
三，SVM 模 健且迅速。
(傅金 經網路 具容 張國強
倒傳遞 an et 輸入項
選 19 alysis, 式，進 距下的 淹水特 模式預 將點
研究，
經網路 04)、
本研 雨–淹 學習方 6; Yu 使用的 現上準 因此 模式訓
研究目
從文獻回顧 行預報未來 合 k-means 時，希望在颱 可儘早加以防論文架
本研究分成 一章：緒論說明論 式模擬 應用 二章：理論與
簡述 k 三章：研究區
概述研 四章：模式建 該章節 水預警 模式資 五章：結果與 分別對 類結果 未來時 將淹水 六章：結論與 對全文
目的
顧中，大多1 小時的淹 聚類法，發 颱洪來臨期間
防範。
架構
成 6 個章節論文的研究 擬常使用的
。 與方法
k-means 聚 區域與資料
研究區域的 建立與應用 節將會詳細 警系統，並 資料的交替 與討論
對於模式的 果與特性。
時間下的淹 水深度推展 與建議 文進行總結
多的淹水深度 淹水深度。因
發展一套區 間預報區域
節，流程內容
究動機，蒐集 的方法，和國
類法以及支 料
的情況，並介 用
細介紹本研究 並針對模式分 替驗證法和評
的結果加以探 其次，分類 淹水深度。最 展至區域。
結，說明成果
度預報研究 因此，本研究 區域淹水預警
域淹水情況
容概述如下
集和研讀過 國內外常使
支援向量機
介紹使用的
究所提出結 分類、預報 評斷模式結
探討。首先 類結果得出 最後將控制
果並提出未
究都是利用 究以新型類神
警系統，更
，提供防災
下：
過去學者相關 使用類神經網
機(SVM)簡述
的資料，
結合聚類法 報、空間推 結果效能的評
先，根據淹 出的控制點 制點的預報
未來研究改善
BPN 模式 神經網路—
更將預報時間 災單位對於淹
關研究文獻 網路架構淹
述兩種方法理
法以及類神經 推估架構的過 評鑑指標。
淹水資料進行 點建構預報模 報結果，利用
善方項之建
，針對單點
—SVM 為基 間延長到未 淹水深度變
獻，簡述淹水 淹水預報之相
理論的背景
經網路之區 過程，以及
。
行分類，探 模式，即可 用空間推估
建議。
點位置 基礎，
未來 3 變化，
水模 相關
景。
區域淹 及訓練
探討分 可知道 估模式
聚類演
聚類演算法 效地表現出系 類規則為依據 中，是一項非 布狀況並歸納 集，將同質性 一群集內資料 可簡化分析資 若 以 聚 類 rithm)與非階 本架構，先是 相近的樣本資 一群集中。如 age method) 離，以(2.1)式)w min{duw
中 u、v 為合 階層聚類法 將原有群集拆 原始資料分割 細介紹。
演算法概述
法(clustering 系統的行為 據，以提供 非常重要的 納其隱藏的 性較高的資 料特性的相 資料的複雜 類 法 的 目 標 階層式聚類 是將每個樣 資料歸納為 如：最短距 )，為很早就 式來定義不} , vw
w d 合併成的群集 法在計算過程 拆散，重新計 割為某個數
第2章
述
g algorithm 為模式，主要 供未來作預測 的技術，它可 的意義。主要 資料聚集為一 相似度高，而 雜度(Burn, 1 標 來 區 分 ，
類法(non-hie 樣本資料各自 為一個群集 距離法(neare
就被應用且 不同群集間的
集(u,v)，w 表
程中，型成 計算歸類新 數目的群集
理
ms)是將所收 要依資料特 測分類之重 可以在大量 要的觀念是 一群，進而 而不同群集 989；張敦
可 分 為 階 erarchical c 自成一個群
。經過不斷 est neighbor 且又方便的一
的最小距離 表示另一群 成群集即不再
新的群集。非
，再進行演
理論與方
收集的資料 特性作適當 重要依據。
量且毫無規 是將資料進 而分離出同 集間的資料 敦程, 2002；
階 層 式 聚 類 lustering al 群集，再根 斷的重複計 r method)，
一個方法。
離
群集。
再拆散；非 非階層聚類 演算。以下將
方法
料以分成不同 分析，並期 群集分析在 則的資料中 行分類，並 質性較低的 特性差異大 劉祥熹, 20 類 法 (hierarc gorithm)。階 據相似性測 算，直到所 又稱為單一 採用群集與
非階層聚類法 類法有多種不
將針對 k-me
同的群集，
期能以學習 在資料探勘 中，找出資 並區分為不 的資料。代 大，如此一 004)。
chical clust 階層式聚類 測度計算原 所有樣本均 一聯結法(s 與群集間的
法運算過程 不同計算方 eans 聚類法
能夠 習所得 勘的領 資料的 不同的 代表著 一來，
tering 類法的 原則，
均併入 single 的最短
(2.1)
程中，
方式，
法加以
1 k-mea
k-means 聚 是現在最 eans 聚類法 ., 2003；Duy ., 2007；Lin 目標函數為各 如下：
k
i j
m
k
Jk 1 1
中 J 表示目標 c 表示第i i個 應於該群集 得到最佳中心
(a) 隨機決 心。
(b) 以(2.3 權重值
wji
且滿足
ki
wji 1
(c) 若(2.2 可結束 (d) 利用(
ans 聚類法
聚類法(k-me 最熟悉的分 法。k-meansygulu et al., n et al., 200 各輸入資料
n j
i j
ji x c
w
1
標函數，Jk 個群集中心
，其餘為 0 心點位置，
決定 n 個資
3)式決定各 值wji 1，
otherw x if j , 0
, 1
足
i 1, j
2)式所計算
束此迭代方 2.5)式更新
法
eans cluster 割式聚類法
s聚類法為
2002)。k-m 04)。主要架 料與其相對應
2
J 為第k k 類 心。w[wji]
。藉由每次 k-means 聚
資料點c ，i i
各資料點所屬 否則為0。
wise
c x
ci j m
1,2,,n,
算的目標函數 方法，否則進 新群集的中心
ring)是在1 法(partition 為應用在各種
means聚類法 架構是將資料 應的群集中
類群集之目標
]為nk的 次運算，逐漸 聚類法示意圖
n , 2 , 1
屬之群集類 c 為所有m
m j
m ,
ki n
j
w
1 1
數J結果保 進入下一步 心點，重新
967年Mac nal clusteri 種領域被廣 法也常應用 料依照其特 中心點距離
標函數， m 的二階向量，
漸降低目標 圖如圖 2.1
，將資料點
類別，若式中 資料點之個
ji n w
保持不變，代
步。
新回到方法(
cQueen所提 ng)之一，
廣泛使用的演 用在水文方面 特性聚類成
平方和最小
為群集個數
而wji 1表 標函數值以求
。其 k-me
點視為各群集
中資料xj判 個數。
代表分群結果
b)再次計算
提出的分群 也常被稱 演算法之一 面的研究上
k類。此演
小值，其公
數，xj為輸 表示輸入向
求得最小值 eans 演算方
集的初始群
判定屬於i類
(
果已經穩定
算。
群演算 稱之為 一(Shai
上(Wei 演算法 公式表
(2.2) 輸入向 向量xj
值，即 方法如
群集中
類，擇
(2.3)
(2.4) 定，則
n
j
ci
支援向
在1990年 範圍擴展到回 點，第一，SV 經驗風險最小 將誤差降到最 構風險最小化 式不同。BPN 步調整結構與 架構的決定被 解。於此僅簡 R)，其詳細的w-Taylor, 20
SVR的目標
值 y 之網路輸 入向量 x 經由 經由輸入向量
x
f( )wT 者，基於結構 式：
T C
2 1w w
中，L 為 Va
n
j ji n
j ji
w x w
1 1
向量機
年代早期，V回歸問題。S
VM使用結
小化(empiri 最低，而SV 化為目標使
N 模式的權
與權重是非 被Vapnik 轉 簡單介紹研
的數學原理 000)。 標為找出一 輸出值yˆ。 由非線性函 量 x 產生輸
b x)
( 構風險最小
Ndi
yi
L
1
ˆ )
( apnik所定義
Vapnik發展
SVM與最常
結構風險最小 ical risk min
VM不僅降
使得SVM具 權重和模式 非常耗費時間
轉換成一個 研究中所使用
理可以在許多
一個非線性函 考慮N 筆訓d 函數(nonlinea 輸出向量yˆ的
小化原理，推
義的誤差函
展出SVM解 常被使用的 小化(structu nimization, 降低誤差，同 具有更佳的能 式結構是利用
間的過程。
個二次規劃問 用的支援向
多參考書目
函數，產生 訓練資料
[(x
ar mapping 的回歸方程 推估回歸函
函數，C為懲
解決分類問題 的類神經網路 ural risk min
ERM)。在訓 同時也考慮
能力。其二 用試誤法和
SVM省略
問題，並且 向量回歸法
目中找到(V
生在容許誤差
, ( ), ,
1 21
y x y
x
g function) 程式可表示如
函數的權重w
懲罰係數：
題，接著又 路BPN有兩 nimization,
訓練BPN時 慮了網路結構 二，模式結構 和迭代過程所 略了這些調整 且可以採用標 (support ve Vapnik, 1995
差範圍內
, )...(
2
x
Ndy
Ny
)
(x 轉換至高
如下：
w及偏權值
又在1995年 兩個主要不 SRM)取代 時，唯一的 構的複雜度 構和權重的 所產生的，
整的過程，
標準演算法 ector regres 5; Cristianin
，最近似目
d
)]
y
N 。首先 高維度空間( 值b，目標函
(2.5)
年將應 不同的 代BPN 的目標 度，以 的決定 但是 參數 法快速 ssion, ni and
目標輸 先，將 間，因
(2.6) 函數如
(2.7)
(
ˆ) y f x y
程式(2.8)中的 複雜誤差越大 義的參數C
nik(1995)將 imize
b 2
) 1 , , , ξ ξ w
ect to
l y
y y
T i
i i
,..., 2 , 1 0 0
( ˆ (
w
中ξ和ξ稱為鬆 誤差值。將第 整理改寫如下
d i i
i i
N
i N
j i i i
N C C y
d d
,..., 2 , 1
0 ) (
ect to
2 1
) (
ximize
1 1
和為成對的 一且為全域最 佳的Lagrang
) y f
x
的第一項和 大。架構的
，C值越大 將SVR問題
T C
2 1w w
y b x
b x
i i T
) ) (
) ( (
w
鬆弛變數(s 第(2.9)式先轉
下：
i i
N
i i
d
0
)(
( (
1 1
的 Lagrange 最佳解，因 ge係數*可
) ( 0
f f x
f
和第二項分別 的複雜度和經
表示經驗誤 題轉換成下列
Nd
i
i i 1
) (
y b
i i
) i
slack variab 轉換成為對
i j j
i
x ( ) )
e係數。值
因為它的目標 可利用標準
( ( f y
f y for for
別為結構的 經驗誤差間 誤差對目標
列的最佳化
ble)，兩者分 對偶形式，再
j i)T(x )
值得注意的地
標函數為一 準二次規劃演
) ) x x
的複雜度和經
間之平衡，
標函數的影響 化問題：
分別代表資 再對主要變數
地方是這個 一個凸面(co
演算法求得
經驗誤差，值
是取決於使 響越大，反
資料點落在容
數(primal va
個最佳化問題
nvex)方程式 得，回歸函數
值越大表式 使用模式者 反之則越小
容忍誤差範 ariable)微分
(2
題的解，保 式。
數可以重寫 (2.8) 式架構 者自行
。
(2.9)
範圍外 分後，
2.10)
保證是
寫成：
Nd
i iK
1
* (
)
中核函數(ker
) ( ) , x x x
i
i研究中使用的
exp(
) , x
x
i
一些求解出來 便稱為支援向
sv
1
( )
N
k kK
中x 為第k k 個 有兩個，分別 設定為1是表
i b
x x, )
rnel functio
) ( )
T x
的核函數類|
|
( x
i x
2 來的 Lagran 向量，最後 ) ,
(x xk b 個支援向量 別為懲罰係 表示架構的複
on)定義為：
類型為輻狀基
2
)
nge 係數為
後的回歸公式
量，N 為支sv 係數C和容許
複雜度和經
：
基底函數(ra
為零，因此可
式為：
支援向量的個
許誤差，本 經驗誤差兩
adial basis f
可以刪除，
個數。應用
本研究分別 兩者同等重要
function)，參
非零係數所
用支援向量機
別訂為1和 要。SVM的架
(2
( 參數為：
(2 所對應的輸
( 機時需設定
0.01。其中 架構如圖
2.11)
2.12)
2.13) 輸入向
(2.14) 定的參 中，將 2.2。
Input ve
x
ector
圖 2.1 k-m
, (xx1 K
, (xxNs
K ) , (xx2 K
. . .
, (x x3 K
圖 2
means分群
)
sv) )
*
1
*
2
* Nsv
. . .
3)
*
3
2.2 SVM架
群法示意圖
Bias
b
架構圖
Outpput vector yˆ
3.1
與彰 究區 溪沖 1100 秋冬 夏季
研究區
本研究所選 彰化縣相鄰 區域圖如圖 沖積扇平原 0至1250毫 冬季節雨量較 季颱風來襲第
區域
選定的研究，東西寬 9 3.1。全鎮人
，無高山依 毫米之間，雨 較少，需靠
，容易氾濫
第3章
究區域為雲林 9.4公里，南
人口數將近 依恃，其地勢 雨季主要集中 靠灌溉以維持 濫成災，降雨
圖 3
研究
林縣的西螺 南北長10.9 近 5萬人。
勢甚為平坦 中於4月到
持農作生長 雨量不平均
3.1研究區域
究區域與
螺鎮，位於 9公里，面積
年均溫約攝 坦。屬於亞 到8月間，夏 長，為典型 均是該地降雨
域圖
與資料
雲林縣北端 積約略49.8 攝氏 23度
熱帶型氣候 夏雨佔全年雨 的夏雨冬乾 雨最大特性
端，北隔濁
8平方公里
。西螺鎮為 候，年雨量 雨量75%左 乾氣候，因 性。
濁水溪 里。研 為濁水 量約在 左右，
因此當
蒐集的淹水 細，若以縣市 西螺鎮種植 生產量，是雲 螺鎮、二崙鄉 菜等作物產量 省有三分之一 相當慘重，同 一個雨量站位 區之一，又同 研究區域。
淹水資
水利署在台 圖的製作都是 擬颱風事件的 縣淹水潛勢圖 颱風場次資料 料庫裡的資料 公用氣體與油 度逾 50 公分本文以淹水 做為淹水區的
共計筆7
水潛勢資料 市做為研究 植稻米面積 雲林縣重要的
鄉、莿桐鄉 量皆占有一 一的蔬菜在 同時也會造 位置正好位 同時收集到
資料
台灣許多區 是與台大團 的淹水範圍 圖更新計畫 料，如表3.料。由於西 油料管線輸 分以上且有居
水深度逾5 的網格點。
6209
24
料為40m×40 究區域使得模 積有3,053公
的稻米生產 鄉農地資源空 一定的比例。
在此處的果菜 造成龐大的農 位於西螺鎮裡 到該地區的雨
區域如彰化 團隊進行合作 圍。本研究採 畫」中二維零
.1。表中所
西螺全鎮的網 輸電線路災害
居住事實之
0公分以上
颱風的淹水 1043112
。
0m之高程精
模式資料過 公頃，生產量 產區之一。在
空間規劃計
。由於西螺鎮 菜公司交易 農業損失。
裡。由於西 雨量資料，
、雲林甚至 作，其所開 採用的淹水 零慣性模式 所列的近台強
網格資料多 害救助種類 之現住戶，直 上為標準，最
水深度資料
。
精度建置網 過於龐大。根
量20,088公 在「99 年度 計畫」中，
鎮是國內最 易，只要遇
。此外，所 西螺鎮所生
，因此，最
至是首都台 開發的二維 水資料為「
式所模擬出 強度與警報 多達 31,641
類及標準」
直轄市、縣 最後篩選的 料則是選用
網格點淹水資 根據99年雲 公噸，占全 度雲林縣斗六
提到西螺鎮 最重要的蔬菜 到豪大雨侵 收集到雨量 產的農作物 後選定西螺
北市等許多 零慣性淹水 濁水溪流域 雲林縣各個 報期間，為中 個座標，根 中，規定災 縣(市)政府將 的資料結果共
7場颱風事
資料，資料 雲林縣統計 全縣將近7%
六市、虎尾 鎮除了稻米 菜專業生產 侵襲，農作 量站資料裡 物為臺灣重 螺鎮作為本
多區域的淹 水模式能準 域及彰化縣 個鄉鎮區域 中央氣象局 根據經濟部 災址處住屋 將給予補助 共有6,209 事件，24 小
料精度 計要覽
%的稻 尾鎮、
米外，
產區，
作物損 裡，其 重要生 本研究
淹水潛 準確的 縣與雲 域淹水 局颱風 部「水 屋淹水 助。因 筆資 小時資
雨量資料為 行面積平均雨
A A P
s s
N
i i N
i i i
1
1 )
(
推求之降雨 站之控制面積
年 2000 2000 2001 2002 2006 2007 2008
為北港、西 雨量之計算
A A P
Ns
i i
i 1
雨量，Pi為第 積。圖 3.2為
表 3.
颱風事件 巴比倫 碧利斯 桃芝 娜克莉 艾維尼 聖帕 卡玫基
西螺、褒忠及 算，得到研究
第i個雨量站 為7場颱風之
.1颱風事件
件 近台強
倫 輕度
斯 強烈
中度
莉 輕度
尼 中度
強烈
基 中度
及大埔這4個 究區域之面
站的降雨量 之雨量組體
件資料 強度 警
度 08/2
烈 08/2
度 07/2
度 07/0
度 07/0
烈 08/1
度 07/1
個雨量站。
面積平均之雨
量，Ns為雨量 體圖。
警報期間 27～08/30 21～08/23 28～07/31 09～07/10 07～07/09 16～08/19 16～07/18
雨量站資料 雨量，其公
量站之個數
料經由徐昇 公式如(3.1)式
數，Ai為第i 昇網法
式：
(3.1)
i個雨
(a)
(b)
(c)
(d)
降雨量(mm)降雨量(mm)降雨量(mm)降雨量(mm)
0 4 8 12 16 20
1 2 3 4 5
()
0 3 6 9 12 15
1 2 3 4 5
()
0 10 20 30 40 50 60 70 80 90
1 2 3 4 5
降雨量()
0 3 6 9 12 15
1 2 3 4 5
()
6 7 8 9 10 11 1 時間
6 7 8 9 10 11 1 時間
6 7 8 9 10 11 1 時間
6 7 8 9 10 11 1 時間
12 13 14 15 16 17 18 間(hr)
2 13 14 15 16 17 18 1 間(hr)
12 13 14 15 16 17 18 間(hr)
2 13 14 15 16 17 18 1 間(hr)
(h)
(h)
(h)
(h)
19 20 21 22 23 24
19 20 21 22 23 24
19 20 21 22 23 24
19 20 21 22 23 24
(e)
(f)
(g)
3.2 颱風雨量 )
)
)
0 3 6 9 12 15
1 2
降雨量(mm)
0 10 20 30 40 50 60
1
降雨量(mm)
0 10 20 30 40 50 60 70
1 2
降雨量(mm)
量組體圖(a
2 3 4 5 6 7 8
2 3 4 5 6 7 8
2 3 4 5 6 7 8
a)巴比倫、( 聖帕
8 9 10 11 12 13 1
時間(hr
8 9 10 11 12 13 1
時間(hr
8 9 10 11 12 13 1
時間(h)(hr (h) (h)
(b)碧利斯、
帕、(g)卡玫
4 15 16 17 18 19 2
r)
14 15 16 17 18 19 2
r)
14 15 16 17 18 19 2
r) )
、(c)桃芝、
玫基
0 21 22 23 24
0 21 22 23 24
0 21 22 23 24
(d)娜克莉、(e)艾維尼尼、(f)
區域淹
本研究提出 淹水潛勢圖資 類法作為分類 制點位置。接 下，各個控制 展到面，根據 域的預報淹水第
淹水預警系
出的區域淹 資料，進行資 類工具，將 接著在控制 制點的淹水 據這些步驟 水深度圖。雨
第4章
系統
淹水預警系統 資料篩選，篩 將淹水區資料 制點上建置雨
水深度。控制 驟，最後即可
颱風淹水潛
判別是否
k-means聚
控制點
雨量-淹水深度 淹水區資
空間推估
區域預報淹水 是
圖 4
模式
統，研究架 篩選為本研 料依照淹水 雨量-淹水深
制點預報結 可得到預報
潛勢資料
否淹水
聚類法
點
度預報模式 資料
估模式
水深度圖 是
否
4.1研究流程
式建立與
架構如圖 4.
研究的淹水區 水特性進行
深度之預報 結果再透過 報淹水深度
非淹水區
程圖
與應用
1。首先，將 區資料後，
分類，客觀 報模式，即可 空間推估模 結果，繪製
區
將所收集到 則選擇k-m 觀的選出淹 可得至在未 模式，把預 製成圖即可
到的颱 means 淹水的 未來時 預報值 可得至
為了能夠提 資料。在收集 些固定的區域 點數量過於龐 後在建構模式 進行處理，判 水區與非淹水 本研究以颱 水災公用氣
ster Relief f 項法規，法規
公分以上且 屬獨立而為不 金額：每戶最 境條件、財政 淹水深度50
7場颱風的
擬演算，所以 時，也會延長 退水過程。因 颱風事件的 究的淹水區資 共有 31,641 來的方法為本 及空間推估這
提供準確又 集到的 7 場 域，其餘的 龐大，若沒 式方面上，
判別西螺鎮 水區。
颱風淹水深 氣體與油料管
for Flood Pu 規中裡面的 且有居住事實
不同獨立生 最高發給新 政狀況及受災
公分評定是 的淹水資料裡
以本文所收 長模擬時間 因此，在二 的所有網格點
資料，其餘 個，經過上 本研究所提 這三部分進
又快速的預報 場颱風事件 的地區幾乎為 沒有事先進行 增加運算時 鎮裡每一個網
深度來區分淹 管線輸電線 ublic Gas an 的第三條提到
實之現住戶 生活戶者，應 新臺幣二萬元 災損害情形 是否為淹水
裡，由於二 收集的資料時
間。模式主要 二維模式中常
點裡，若其 餘不納入本研
上述標準進 提出的區域淹 進一步說明
報淹水深度 件淹水潛勢圖
為非淹水或 行資料篩選 時間，會影 網格點是否
淹水區與不 線路災害救助
nd Oil Pipe 到對於住戶 戶，以一門牌
應依其事實 元，由各直 形自行發放 水區的基準
二維模式模 時間皆為 2
要模擬颱風 常以第 24 個 其中一場颱
研究的資料 進行篩選，最
淹水預警系
。
度圖，首先 圖資料中，
或是淹水深 選，即是針 影響到模式 否淹水後，
不淹水區。在 助種類及標 eline Damag 戶淹水救助
牌為一戶計 實認定之；
直轄市、縣
。因此，本
。
模擬的需求，
24 小時。假
風發生期間 個小時的淹 颱風的淹水深 料裡，即非
最後淹水區 系統主要架
，必須先篩 容易造成淹 度較淺，且 對所有網格 的效率。因 再進一步把
在民國 99 年 標準(Types a
ge and Powe 資格：住屋 計算。但建物 以及第六條
（市）政府 本研究根據淹
，常以24 小 假若淹水事
淹水最為嚴 淹水情況為主
深度大於50 淹水區。西 區的網格數有 構，將分別
篩選一些不 淹水的地方 且西螺鎮所 格點架構模 因此，需要 把研究區域
年 9月 15 and Standar er Line Dam 屋因水災淹 物分別獨立 條的住戶淹 府依據轄區 淹水補助條
小時為單位 事件時間超過
嚴重的情況 主要模擬情
0 公分，則
西螺鎮的網 有 6,209 筆 別對分類、
不必要 方位於 所有網 模式，
要將資 域劃分
日施 rds of mage)」 淹水達 立，或 淹水救 區自然 條款，
位進行 過 24 況，而 情形，
則為本 網格數 筆。接 預報
1 區域淹
資料篩選後 資料聚集成同 度，因此，利 將所有被劃 法裡進行分類 時，k-means 會與資料計算 歸納至同一類 於該類的中心 會找出相同類 同時會計算 被分成10類k-means分 對應的座標
需要對應於 應的網格點
淹水預警系
後，淹水區 同一類，使 利用分類法 劃分至淹水 類，主要根 聚類法會依 算距離平方 類別。最後 心淹水歷線 類別的網格 算出10個類 類。表 4.1為表
分類所得到的
。由於未來 於座標位置
，因此，本
系統—分類
區網格點資料 使得未來建構 法來找出相似 水區的網格點 根據這24小依照所設定 方和最小值
k-means分 線。因此，淹 格點擁有相似
類別裡代表 為k-means
4.1 k-mean 類別
1 2 3 4 5 6 7 8 9 10 共計
的中心淹水 來所建構的模 置上的資料 本文在各類別
類
料都有屬於 構預報模式 似的淹水型 點資料，其 小時的淹水歷
定的個數中
，慢慢地依 分類結果會在
淹水區資料 似淹水特性 表的中心淹水
聚類法分各
ns分類結果
別 網格
1,2 1,2 8 8 6 5 2 3 1
0 7
計 6,2
水歷線，為計 模式，將在
。而分類結 別網格點的
於各自的淹 式時，準確 型態資料。
其24小時的 歷程來找出
，得至各類 依照特性進
在各類別的 料共6,209筆 性。本文設定
水歷線，所 各類別的網 果各類別網格
格點 279 290 862 820 638 516 253 300 73 78
209
計算結果的 在研究區域 結果的中心 的資料中，
水歷線，為 的掌握相同
的淹水歷線放 出相似的淹水 類別的初始中 行運算，將 的淹水歷線資 筆網格點進行
定 k-means 所有的資料會 網格點數目。
格數
的虛擬值，無 的網格座標 淹水深度歷 找出與每類
為了讓相同 同類別下的
放入k-mea 水資料。進 中心，各初 將相似的淹 資料中，計 行分類，分 聚類法分成 會依照擁有
。
無法在空間 標上進行相 歷線無法找 類別中心淹
同特性 的淹水
ans聚 進行分 初始中 淹水歷 計算出 分類結 成 10 有的特
間上找 相關運 找出相 淹水歷
