颱風暴潮之預測對於海岸地區的防災而言，扮演著極為重要的角色，然而颱風暴潮不同於一般潮汐現象，其影響因素較為複雜，具有非線性的特性，不容易以傳統數值方法或經驗公式精確地預測。本文欲藉由倒傳遞類神經網路可有效描述非線性問題之特性，建立颱風暴潮與各項影響因素的關係，希望利用颱風資料與當地氣象資料來預測颱風暴潮。
　　首先以梗枋潮位站為對象，進行模式的測試與確定，測試項目包括輸入因子、隱藏層層數、隱藏層神經元數、學習速率、慣性因子。網路經測試後採用颱風近中心最大風速、颱風中心氣壓、颱風距測站距離、颱風七級暴風半徑、颱風前進方向與測站的夾角、當地氣壓、當地風速、當地風向、當地天文潮以及當地暴潮偏差的即時資料與前1小時資料(不含颱風前進方向與測站的夾角和當地風向)，總共18個輸入因子。網路架構與參數則採用隱藏層為2層，各層有3個神經元，學習速率為0.3，慣性因子為0.5。在模式預測方面，當預測的時距超過1小時，則以暴潮偏差預測值更新輸入資料中的暴潮偏差因子，其餘輸入資料不變，以期提高模式預測的準確度。
　　由於地形特性顯著影響颱風暴潮的預測，且地形特性較難以量化，故本文分別探討不同潮位站於不同路徑之颱風影響下的預測情況，針對成功、蟳廣嘴、高雄以及東石潮位站進行模式應用及分析，預測未來1至3小時的暴潮偏差，結果顯示本模式預測颱風暴潮的趨勢十分符合實際趨勢，可證實本模式對於颱風暴潮的預測具有相當不錯的成效。

　　The prediction of typhoon surge plays the important role in coastal precaution. However, typhoon surge is different from tide phenomenon. Its theory is more complex, and has a non-linear characteristic. It is hard to predict exactly by traditional numerical analysis and experience formula. Because the back-propagation neural network could describe the non-linear problem effectively, in this study, it was used to establish the relation between the typhoon surge and the parameters concerning it. The prediction of the typhoon surge is using the typhoon data and local meteorological data.
　　First, the neural network was tested and confirmed by the data measured at Geng-fang station. The test items include input factors, the number of hidden layers, the number of neurons in hidden layers, the learning rate and the momentum factor. After the network tested, eighteen input factors are used, including the one hour before data (not including the angles between moving typhoon direction and the typhoon center to the station, and local wind direction) and the current data about the maximum wind speed of typhoon, the central pressure of typhoon, the distance from the center of typhoon to the station, the seven-grade typhoon radius, the angles between moving typhoon direction and the typhoon center to the station, local pressure, local wind velocity, local wind direction, local normal tide level, and local typhoon surge heights. After the test, we used two hidden layers, three neurons in each hidden layers, a learning rate of 0.3, and a momentum factor of 0.5 in the neural network. In order to increase the accuracy of prediction, the model will only update the typhoon surge height factor in the input data with the predicted value of typhoon surge height when the time scale of prediction is over one hour.
　　Because the topography characteristic affected the prediction of typhoon surge strongly, it is hard to quantify the topography characteristic. The study discussed the prediction situation of the effects of different typhoon route at different tidal station separately. Then the neural network was predicted the typhoon surge height one hour to three hour ahead at Cheng-gong, Syun-guang-zuei, Kaohsiung and Dong-shih station. The results show that the predicted typhoon surge heights are in good agreement with measured data. It means that the model built on the back-propagation neural network would be effective in predicting the typhoon surge heights.

1.李秀芳(1994)，「卡門濾波應用於短期潮汐之及時預測」，國立成功大學水力及海洋工程 研究所碩士論文
2.葉怡成(1996)，「類神經網路應用與實作」，儒林圖書有限公司
3.朱良瀚(1997)，「倒傳遞類神經網路在波浪預報之應用」，國立中興大學土木工程研究所碩士論文
4.徐月娟、曾淑芬、陳進益、蔡恒雄、(1998)，「台灣地區八十三年至八十六年颱風暴潮特性之初步研究」，交通部氣象局氣象學報，第42卷第3期，pp. 230-247
5.郭金棟(1999)，「海岸工程」，中國土木水利工程學會
6.蔡瀚陞、陳明仁、顏清連(2000)，「淡水河口歷史颱風暴潮偏差之推估與頻率分析」，第11屆水利工程研討會論文集，pp. 115-119
7.朱執均(2000)，「類神經網路之應用─南中國海海域潮汐預報及補遺」，國立中山大學海洋環境及工程研究所碩士論文
8.馬樹俠(2000)，「結合潮汐理論與類神經網路在潮汐預報上之研究」，國立交通大學土木工程研究所碩士論文
9.王瀚德(2001)，「小波理論與類神經網路應用於潮汐之預測與補遺」，國立中山大學海洋環境及工程研究所碩士論文
10.張憲國（2002），「應用遺傳演算法於潮汐預報之研究」，第24屆海洋工程研討會論文集，pp. 445-452
11.李宗霖、蔡清標、謝榮哲、徐月娟、陳進益、劉聖義（2002），「倒傳式類神經網路在潮汐補遺之應用」，第24屆海洋工程研討會論文集，pp. 453-460
12.臧效義、王茂寅、陳冠宇(2002)，「台灣四周海岸颱風引致之暴潮分佈」，第7屆海峽兩岸水利科技交流研討會論文集，pp. 591-600
13.蔡長泰、高家俊（2002），「地層下陷區土地利用對淹水潛勢影響之研究」，經濟部水利署委託專題研究計畫成果報告
14.徐月娟、劉聖義、胡哲魁、張恆文(2003)，「颱風暴潮分類與海岸災害探討」，第25屆海洋工程研討會論文集，pp. 157-161
15.張憲國、錢維安、何良勝(2003)，「應用類神經網路在台灣東岸海域颱風波浪之研究」，海洋工程學刊，第3卷，第1期，pp. 73-95
16.李宗霖、S. Rajasekaran、徐月娟、楊宗儒(2003)，「序列學習神經網路在颱風期間之潮位預測」，第25屆海洋工程研討會論文集，pp. 275-279
17.鄭允祥(2003)，「颱風暴潮與颱風特性關係之研究」，國立成功大學水利及海洋工程研究所碩士論文
18.Deo, M. C., and Sridhar, Naidu, C. (1999), “Real time wave forecasting using neural networks,” Ocean Engineering, Vol.26, pp. 191-203
19.Hirose, Y., Yamashita, K., and Hijiya, S. (1991), “Back-propagation algorithm which varies the number of hidden units,” Neural Networks, Vol. 4, No. 1, pp. 61-66
20.Jan, C. D., Yen, P. H., Lee, Y. P., and Lee, H. F. (1995), “Determination of parameters of harmonic tide-level model by using Kalman filter,” 第17屆海洋工程研討會暨1995兩岸港口及海洋開發研討會論文集，pp. 287-298
21.Lippman, R. P. (1987), “An introduction to computing with neural nets,” IEEE ASSP Magazine, Vol. 4, pp. 14-24
22.Marzenna, S. (2003), ”Forecast of storm surge by means of artificial neural network,” Journal of Sea Research, Vol.49, pp. 317-322
23.Qu, S. H., Liau, J. M., Hsu, T. W., Tzang, S. Y. (2002), ”Simulating typhoon waves by SWAN wave model in coastal waters of Taiwan,” Ocean Engineering, Vol.29, pp. 947-971