由於氣候的特徵與地型上的特性，台灣的年雨量大多都是集中在夏、秋兩季。對降於水庫上游集水區內，降雨強度大且降雨延時集中之暴雨逕流，倘若放水過少恐怕水庫蓄水位過高；放的過多，致蓄水不足而使枯水季時水庫無法正常供水。本文所探討之防洪運轉在使洪水入流時合理降低水庫水位，確保大壩安全，在防洪運轉結束時，希望讓水庫盡量蓄滿，正確的水庫操作顯得非常重要。
　　對於水庫防洪運轉而言，預估水庫洪水進水量是為防洪運轉決策重要的資訊。水庫可能之洪水進水量的組成必須考慮總降雨量、集水區雨量時間分佈，和降雨－逕流模式三個不確定性因素。本文試以適應性網路模糊推論系統（以下簡稱ANFIS）來預測白河水庫流域在颱風時的洪水進流量。首先架構一個五層神經網路，含一個輸入層、三個隱藏層和一個輸出層的倒傳遞神經網路，以流域雨量站之逐時回報的雨量資料作輸入值，水庫進流量作為輸出值。將歷史資料中的颱風暴雨七場颱風資料做為網路之學習訓練用，再用一場的資料作驗證。模式預測結果計算值和目標值在歷線的上升與下降趨勢大致相符，結果顯示初步可行。
　　本模式最後亦應用於白河水庫之實際操作中，結果顯示效果良好，不僅有效降低最高洪水位，也減少閘門調整頻率。最後將所得之結論與建議一併予以提出。期望本文結果能提供白河水庫在水庫防洪即時操作的參考。

　　In Taiwan, most of its yearly rainfall concentrates in the summer and autumn because of the particular climate and geographic characteristics. During Typhoon period, the reservoir operators often face the dilemma of maintaining more floodwater and taking the risk of failure of the dam and taking the risk of being drought if excess floodwater is released. During flood control operation, lower reservoir peak stage to ensure the safety of reservoir. After flood control operation, let the reservoir retain more water. The most difficult task of reservoir operation is to consider all the functions of the reservoir.
　　Predicting reservoir flood inflow has become an important prior reference for reservoir flood control operation. Probable reservoir flood inflow consist of three uncertainties: total rainfall, temporal rainfall distribution in watershed, and rainfall-runoff model. Adaptive Network based Fuzzy Inference System (ANFIS) was developed to analyze and forecast the flood discharge of the Pai-ho basin in Taiwan during the typhoon periods. The ANFIS consists of five layers with one input layer, three hidden layers, and one output layer. Data of rain stations at catchment of Pai-ho was taken as input data, and inflow discharge of Pai-ho reservoir as output data. Data of rain and discharge of the first 7 typhoons was taken as training patterns of ANFIS; other data was used to verify the flood discharge and time of flood peak of Pai-ho basin.
　　This model applies to the real operation of Pai-ho Basin. The conclusion and suggestion are also presented. It is expected that this research be used for online reservoir operation in the future.

參考文獻
1. 王如意、陳增壽、鄭昌奇，「白河水庫運用規線修正方案之研擬」，台灣水利，第二十九卷，第三期，第 19 – 33 頁，民國 70 年 9 月。
2. 王如意、易任，「應用水文學新編上冊」，國立編譯館，臺灣，台北，民國 80 年 1 月。
3. 王文俊，「認識Fuzzy」，全華科技圖書股份有限公司，民國 90 年。
4. 王彥翔，「自組特徵映射與學習向量量化神經網路於河川流量之預測」，碩士論文，國立臺灣大學生物環境系統工程學系暨研究所，民國 92 年。
5. 中國農業工程學會，「台灣省嘉南農田水利會白河水庫運用規則之修訂研擬報告」，台灣省嘉南農田水利會，民國 83 年 5 月。
6. 周乃昉、楊豐榮、鄭子璉、鄭志偉，「曾文水庫即時防洪運轉分析模式之研擬」，第二屆環境系統分析研討會，第 329 - 335 頁，民國 88 年 12 月。
7. 林柏承，「應用類神經網路於颱風降雨量的推估」，碩士論文，國立成功大學水利及海洋工程研究所，民國89年9月。
8. 吳青俊，「類神經日流量即時預測模式之建立」，碩士論文，逢甲大學土木及水利工程所，民國90年6月。
9. 和新工程顧問股份有限公司，「白河水庫第三次安全評估總報告」，台灣省嘉南農田水利會，民國 90 年 12 月。
10. 徐義人，「水文統計解析」，文山書局，民國 86。
11. 徐義人，「工程機率統計學」，華泰文化事業出版社，民國 86。
12. 徐義人，「應用水文學」，大中國圖書公司，民國 92 年。
13. 財團法人成大水利海洋研究發展基金會，「嘉南農田水利會蓄水庫運用要點及水 門操作規定修訂」，台灣省嘉南農田水利會，民國 92 年。
14. 黃群岳，「颱風洪流量之神經網路預測」，中原大學土木工程所，民國 89 年。
15. 馮德益、樓士博，「模糊數學方法與應用」，科技圖書股份有限公司，民國 90 年。
16. 張斐章、胡湘帆、黃源義，「反傳遞模糊類神經網路於流量推估之應用」，中國農業工程學報，44(2):26-38，民國 87 年。
17. 張麗秋、張斐章，「智慧型水庫即時操作控制系統」，農業工程學報，45(4):18-30，民國 88 年。
18. 張斐章、張麗秋、黃浩倫，「類神經網路理論與實務」，東華書局，民國 92 年。
19. 楊翰宗、張斐章、陳彥璋，「倒傳遞網路應用於試驗量測資料模擬之研究」，第十三屆水利工程研討會，K95-K101，民國 91 年。
20. 楊森弼，「防洪運轉起始水位對水庫調洪之影響」，碩士論文，國立成功大學水利及海洋工程研究所，民國 85 年 6 月。
21. 鄭子璉、周乃昉，「徐昇多邊形網法之數值計算」，台灣水利，第四十八卷，第三期，第 43 - 51 頁，民國 89 年 9 月。
22. 鄭子璉，「分佈型類神經網路降雨逕流模式之研究」，碩士論文，國立成功大學水利及海洋工程研究所，民國85年6月。
23. 劉業主，「水庫最佳供水之缺水風險分析」，碩士論文，國立成功大學水利及海洋工程研究所，民國82年9月。
24. 鄭明淵、柯千禾、張文德，「演化式模糊類神經推論系統於大地工程決策之應用」，地工技術，31-38，民國 91 年。
25. 「嘉南農田水利會水庫管理須知及操作辦法」，台灣省嘉南農田水利會，民國 80 年。
26. Chou, Frederick N.-F. (周乃昉) and Der-Yung Chen, "Flood Mitigation through Joint Flood Control of Parallel Reservoirs", Urban Disaster Mitigation: The Role of Engineering and Technology, F.-Y. Cheng and M.-S. Sheu eds., Elsevier Science, Oxford, England, pp.275-286, 1995.
27. French, M. N., W. F. Krajewski, , and R. R.,Cuykendall, “Rainfall Forecasting in Space and Time Using a Neural Network”,Journall of Hydrology, Vol.137,pp.1-31,1992.
28. Halff, A. H., H. M., and Azmoodeh, M., Predicting Runoff from Rainfall Using Neural Networks, 1993 ASCE National Conference on Hydraulic Engineering, pp.760-765, 1993.
29. J.-S.R.Jang, “ANFIS：adaptive-network-based fuzzy inference system”, Man and Cybernetics,IEEE Transaction on,Vol.23,pp.665-685,1993.
30. J.-S.R.Jang, C.-T.Sun, E.Mizutani “Neuro-Fuzzy and Soft Computing.” Prentice-Hall International, Inc, 1997.
31. McCulloch, W. S. and Pitts, W. H., “A Logical Calculus of the Ideas Immanent in Nervous Activity,” Bulletin of Mathematical Biophysics, Vol. 5, pp. 114-133, 1943.
32. Rochester J. B. and Douglass D. P. New Business for Neurocomputing. I/S Analyzer. 28(2): 1-5, 1990.
33. Rosenblatt F. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psych. Rev. 65: 386-408, 1958.
34. Sharda R. and Paril R. B. Neural Networks for Porecasting Experts: An EmpiricalTest. IJCNN-90-Wash. II. 491-494, 1990.
35. Schiffman W. H. and Geffers H. W. Adaptive Control of Dynamic Systems by Back Propagation Networks. Neural Networks. 6: 517-524, 1993.
36. Sorensen P. H., Norgaard M., Ravn 0. and Poulsen N. K. implementation of Neural Network Based'Non-linear'Predictive Control. Neurocompudng. 28(1-3): 37-51, 1999.
37. Stokbro K., Umberger D. K. and Hertz J. A. Exploiting Neurons with Localized Receptive fields to Learn Chaos. Complex Systems. 4: 603-622,1990.
38. Suganthan P. N. Hierarchical'Overlapped SOM's for Pattern Classification. IEEE Transaction on Neural Networks. 10(1): 193-196, 1999.
39. Zadeh L.A. Fuzzy Sets. Information and Control. 8:338-353, 1965.