颱風強風豪雨造成許多財產的損失，更重要的是人命的死傷。根據中央氣象局之統計，平均每年至少有三點五個颱風侵台。而颱風的行徑、強度規模，及豪雨帶來之降雨量，於颱風期間造成之影響，以豪雨造成之負面影響最為深遠。
　　對颱風而言，其颱風形成、行徑路線及降雨量，皆具有其不確定性。因模糊理論對處理「不精確」、「含糊」的問題特別具有效力，故本研究應用模糊理論，依颱風路徑分類，藉由歷年颱風資料建構模式，並與近年颱風降雨資料比對檢驗，檢討模式之適用性。本研究先選取影響颱風之降雨因子，選用鐘型函數將30浬暴風半徑、50浬暴風半徑、中心氣壓、近中心最大風速，作為四個輸入變數，建立模糊隸屬函數。模組建構流程先將輸入值作模糊化轉換，以類神經網路建立模糊資料庫作自我學習之權重統計，利用MATLAB模組ANFIS程式演算，建立模糊規則資料庫之後，再將演算結果反模糊化轉換輸出，將其分佈全台26測站之推估降雨量，與各測站實測降雨量作檢驗，分析評估其檢定效果。
　　歷史颱風之模組建構以1949年至1997年中央氣象局颱風之基本資料，經過篩選影響台灣地區之降雨資料作模糊分析，再進行模糊演算，以1998年後之侵台颱風資料，選定五個不同路徑具代表性之颱風加以驗證，並建立第一、第二、第三、第四及第六類路徑颱風之模糊資料庫。驗證結果發現，颱風路徑仍是影響各地降雨量的主要因素，依颱風路徑分類，台灣北部以第六類、東部以第四類、中部以第三類、南部以第六類路徑之颱風，其檢證誤差值最小，可信度較高，對於颱風災害預警有實質上的幫助，可供作為日後防颱準備作業之參考。

ABSTRACT
　　Central Weather Bureau (CWB) of Taiwan reports that there are statistically 3.5 Typhoons affect Taiwan each year. Heavy rain, or high intensity rainfall, brought in or induced by Typhoon can cause various disasters, such as the losses of properties and human lives. Prediction of total rainfall depth has been an important issue in flood warning procedure.
　　It is reported that heavy rain is dependent on the Typhoon moving route、depression strength, and radius of influences. There are 9 Typhoon routes on the report. The occurrence of these three dependent parameters has some uncertainties which are suitable to be described by fuzzy algorithms. Use the typhoon rainfall data from CWB during the period from 1949 to 1997, the study composes a rainfall prediction model based on the fuzzy neural network of the MATLAB ANFIS tool. Main input parameters for the fuzzy training processes are the 30knots, 50knots radian of storm, air pressure and the maximum velocity near typhoon center. The trained fuzzy model is than compared with the observed data for Typhoon routes 1、2、3、4 and 6 from 26 stations. This comparison shows that the Typhoon route is the most important parameter for the predictions and the errata of estimation for heavy rainfalls are observed to be smaller than those of the small rainfalls. The smaller errors are observed to occur for routes 6, 4, 3 and 6 at north, east, central and south regions of Taiwan, respectively. This practice proofs that the fuzzy model is useful for Typhoon heavy rainfall predictions if more parameters can be included in the model. What additional input parameters should be included require a further study.

1. 王如意、易任，1997，「應用水文學」茂昌圖書有限公司。
2. 王如意、李如晃、謝龍生、朱子偉，1994，「八掌溪流域降雨預報模式之研究」，行政院國家科學委員會專題研究計畫報告。
3. 王安培、林正道，2001，「土石流危險度之模糊迴歸分析和綜合評判」，第12屆水利工程研討論文集。
4. 王安培、黃群岳，「颱風洪流量之神經網路預測」，2000，中原大學土木工程研究所碩士論文。
5. 周乃昉，鄭子璉，「分佈型類神經網路降雨逕流模式之研究」，1995，成功大學水利及海洋工程研究所碩士論文。
6. 周乃昉、林柏承，「應用類神經網路於颱風降雨量的推估」，1999，成功大學水利及海洋工程研究所碩士論文。
7. 徐義人，1996，「應用水文學」，大中國圖書公司。
8. 徐義人，2001，「工程機率統計學」，國立編譯館。
9. 陳昶憲、楊朝仲，1998，「時序類神經集水區洪水預測模式」，台灣水利。
10. 孫志鴻，詹仕堅，1999，「類神經網路在集水區降雨逕流模擬之應用」，國立臺灣大學地理學系地理學報。
11. 孫建平、張斐章，1995，「倒傳遞神經網路演算法於時雨量預測之研究」，八十四年農業工程研討會論文集，台北。
12. 張俊福、鄧本社、朱玉仙、劉啟千，1988，「應用模糊數學」，地質出版社。
13. 張斐章、張麗秋、黃浩倫，2003，「類神經網路理論與實務」，東華書局。
14. 張斐章、梁晉銘，1998，「倒傳遞神經網路參數訓練演算法於水文系統之研究」，第九屆水利工程研討會論文集，中壢。
15. 黃義銘，1997，「類神經網路在調配區域水資源之應用」，國立成功大學碩士論文。
16. 黃謙順、莊益誠，「類神經網路模式的資料探勘以颱風降雨分佈為例」，2000，中國文化大學資訊管理研究所碩士論文。
17. 黃智顯、張仁德、林茂佟、陳泉旭，1999，「類神經網路在都市雨水下水道應用之研究」，第十屆水利工程研討會論文集，台中。
18. 葉怡成，「類神經網路 — 模式應用與實作」，1993，儒林圖書有限公司。
19. 馮德益、樓世博，1988，「模糊數學方法與應用」，科技圖書股份公司。
20. 秉昱科技編譯，1996，「模糊邏輯與類神經模糊」，儒林圖書有限公司。
21. 劉長齡、李孟武，1999，「類神經網路水庫模糊操作模式之建立與應用」，第十屆水利工程研討會論文集，台中。
22. 蘇木春、張孝德，2003，「機器學習：類神經網路、模糊系統以及基因演算法則」，全華科技圖書。
23. 廖朝軒、陳禮仁、何君美，2000，「水土保持措施經濟性評價-模糊理論應用」，中華水土保持學報，第31卷，第2期。
24. 蒙以正，2003，「Matlab入門與精進」，儒林圖書。
25. 樊采虹、許佳容，「台灣地區颱風降雨量預測之統計方法探討及校驗」，2001，國立中央大學統計研究所碩士論文。
26. 闕頌廉2001，「應用模糊數學」，科技圖書股份公司。p14；p66~67；p143~164
27. 藎壚，1991，「實用模糊數學」，亞東書局。p170-182；199
28. Craven, M. W., & Shavlik, J. W. (1997). Using neural networks for data mining. Future Generation Computer Systems, 13(2), 211-229.
29. Caine,N.(l 980), "The Rainfall Intensity-During Control of Shallow Landslides and Debris Flows", GeografiskaAnnaler, 62；23-27.
30. Donato, J. M., Schryver, J. C., Hinkel, G. C., Schmoyer, R. L., Leuze, M. R., & Grandy, N. W. (1999). Mining multi-dimensional data for decision support. Future Generation Computer, 15(1), 433-441.
31. Eide, A., Johansson, R., Lindblad, T., & Lindsey, C. (1997). Data mining and neural networks for knowledge discovery. Nuclear Instruments and Methods in Physics Research, 10(2), 251-254.
32. 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.
33. Garofalakis, M., Rastogi, R., Seshadri, S., & Shim, K. (1999). Data mining and the web: Past, present and future. Paper presented at the WIDM99, University of Kansas, Kansas. Han, J. (1999). Data mining. California: Kluwer Academic Publishing.
34. Halff, A. H., H. M., and Azmoodeh, M., “Predicting Runoff from Rainfall Using Neural Networks”, 1993 ASCE National Conference on Hydraulic Engineering, San Francisco, pp.760-765, 1993.
35. Hjelmfelt, A. T., and M., Wang, , “Artificial Neural Network As Unit Hydrograph Application”,1993 ASCE National Conference on Hydraulic Engineering, San Francisco, pp. 754-759, 1993.
36. Hsu, K-L, H. V. Gupta and S. Sorooshian “Artifical Neural Network Modeling of the Rainfall-Runoff Process”, Water Resources Research, Vol. 31(10), pp.2517-2530, 1995
37. Keefer, D. K. et al.(1987), "Real-Time Landslides Warming During Heavy Rainfall", Science.
38. M. Lorrai, G. M. Sechi “Neural nets for Modeling Rainfall-runoff Transformations”, Water Resources Mangerment,Vol 9, pp.299-313, 1995.
39. Pendharkar, P., Rodger, J., Yaverbaum, G., Herman, N., & Benner, M. (1999). Association, statistical, mathematical and neural approaches for mining breast cancer patterns. Expert Systems-with Applications, 17(2), 223-232.
40. Perkowitz, D., & Etzioni, O. (1999). Towrds adaptive web sites: Conceptual framework and case study. Department of Computer Science and Engineering, 118(2000), 245-275.
41. Takahashi, T.(l981), "Estimation of Potential Debris Flows and their hazardous zones". Journal of the Natural Disaster science. Vol. 3, No. 1, pp.57-89.