摘 要
台灣地區因「天災」所造成的損失，平均每年高達百億元以上，其中百分之七十左右的災害是由颱風所造成，而颱風災害之預防，首要工作在於迅速及準確的颱風路徑預測及其可能帶來的雨量，這需要從歷史資料，藉理論、經驗及數值預報等方法進行測報方面的研究工作，故颱風雨量預報對人民生命財產損失風險之降低，以及全國防災政策之擬定上，為相當關鍵及倚重的課題。
本研究以自組性(Self-Organization)網絡架構之資料處理群集分析(GMDH，Group Method of Data Handling)演算法為基本架構，以水利署三地門雨量觀測站2006至2011年間所發生11個颱風事件之雨量 、近中心最大風速 、颱風中心距雨量站之距離 及其對應之地形遮蔽區間 ，以此四個參數建立資料輸入~結果輸出關係之｢颱風降雨預測模式｣，進行該雨量站逐時及前置時間3小時之雨量預測，以滿足防災預警需求；而遞迴方式之GMDH方式可修正模式，使模式具時變性而能自我調整，持續達到精確預測的效果。
據分析結果顯示，該自組非線性系統以GMDH演算法較佳，故本文以此演算法建模，先以4個颱風數據組合建模架構之「逐時通用路徑颱風降雨預測模式」預測其它11個颱風整體事件(由陸上颱風警報發布至解除)及集中降雨事件(只考量有集中降雨之降雨延時)，據預報結果顯示，其平均誤差均方根(RMSE)、相關係數(CC)、平均絕對偏差(MAD)及總雨量偏差百分比分別為9.64~12.23 mm、54.03%~66.70%、5.68~8.25 mm及14.77%~19.29%。另由「逐時通用路徑颱風雨量預測模式」，以六個颱風為例，以遞迴程序修正原模式，分析結果顯示雨量值預測較原預測整體平均改進了26.75%，故遞迴結構可大幅改善雨量預測誤差，提升颱風雨量預測之準確性。
而在實際應用上，為了防災預警需求，將預測時距從逐時拉長為3小時，即取11個颱風事件建立「三小時前置時間通用路徑颱風降雨預測模式」，據分析結果顯示，11個颱風事件每3小時時距預測之平均誤差均方根為8.38~9.16 mm，相關係數為60.13~70.15%，平均絕對偏差為5.91~6.61 mm，總雨量偏差百分比為16.73~18.39%，其預測效能與逐時之降雨預測相當！表示本文以11個颱風事件，用資料處理群集分析演算法為架構建立之「逐時通用路徑颱風雨量預測模式」及「三小時前置時間通用路徑颱風降雨預測模式」，除能迅速執行預測外，不論提前1小時或提前3小時之雨量預測，其與實測值變化趨勢一致，而平均誤差均分根介於8.38 ~12.23 mm間，相關係數介於54.03~70.15%間，平均絕對偏差介於5.68 ~8.25 mm間，總雨量偏差百分比介於14.77~19.29%間，故若能搭配數據傳輸系統，則本文發展之線上(on-line)預測模式有良好之實用性，可應用於實際颱風雨量之推算。

ABSTRACT
Pecuniary losses caused by natural disaster reach about 10 billion NT dollars average per year in Taiwan with which 70% damage created by the typhoon attack. Typhoon route as well as typhoon rainfall forecasting accurately and rapidly would be the key to disaster precaution in which relative study of typhoon events would be needed by data analysis, theoretical research, experience evaluation or numerical calculation. So, it pays an important role to develop the typhoon rainfall forecasting model for warning system to reduce risk of damage during the typhoon season and to formulate precaution strategy before disaster occurred.
A forecasting model of typhoon rainfall developed by the GMDH (Group Method of Data Handling) structure of Self-Organization Algorithm with four parameters of rainfall (R), maximum wind speed of typhoon center (V), Terrain block (E) and distance (D) between the target location and typhoon center is proposed in this paper. Data of these 4 parameters observed at Sandimen Rainfall Station and from CWB were be used to construct the prior 3hrs and prior 1hr typhoon rainfall forecasting model to provide the necessity of warning facility with data of eleven typhoon events during 2006 to 2011. Then, recursive GMDH model cloud be reorganized by using the update data to match the time variant properties in forecasting steps to improve the predict accuracy.
The modeling approach shows that the GMDH algorithm is better than Stepwise regression GMDH (SGMDH) on typhoon rainfall forecasting. Prior 1hr typhoon rainfall forecasting model constructed by taking combined data of 4 typhoon events would forecast typhoon rainfall of other 11 typhoon events of whole duration and concentrate period and show that the average RMSE, CC, MAD and total rainfall deviation are in between 9.64~12.23mm, 54.03~66.70%, 5.68~8.25mm and 14.77~19.29% respectively. In addition, taking six typhoon events for example, recursive procedure then bring up to modified the original prior 1hr typhoon rainfall forecasting model and results show that the procedure amend about 26.75% superior in typhoon rainfall forecasting. So, recursive GMDH could substantially reduce rainfall forecasting errors and promote rainfall predicting accuracy.
Due to the practical operation of disaster prevention warning facility, a prior 3hrs typhoon rainfall forecasting model was build up by taking combined data of 11 typhoon events and the predicted results reveal that the average RMSE, CC, MAD and total rainfall deviation are in between 8.38~9.16mm, 60.13~70.15%, 5.91~6.61mm and 16.73~18.39% respectively. In consequence of typhoon rainfall forecasting with data of 11 typhoon events, both prior 3hrs and prior 1hr typhoon rainfall forecasting appear the trend of forecasting results in agreement with measuring materials and result reasonably predicting accuracy in this research with the average RMSE, CC, MAD and total rainfall deviation in between 8.38~12.23mm, 54.03~70.15%, 5.68~8.25mm and 14.77~19.29% respectively. Therefore the data acquisition and transmission system coupled with the GMDH forecasting model provided by this paper could possess the practical usage of on-line typhoon rainfall forecasting at the specific surroundings.

參 考 文 獻
1. Duffy,J.J. and M.A.Franklin，｢A Learning Identification Algorithm and Its Application to an Environmental Systems｣，IEEE Trans.System，Man，Cybernetic，Vol.SMC-5，NO.2，pp226-239，1975。
2. Ikeda S.,S.Fugishige, and Y.Sawaragi，｢Nonlinear Prediction Model of River Flow by Self-Organization Method｣，Int.J.Syst.Sci，Vol.7，No.2，pp.165-176，1976。
3. Stanley J.Farlow，｢Self-Organization Methods In Model-GMDH TYPE Algorithms｣，MARCEL DEKKER.IND。
4. 李梅芳，｢自組非線性系統應用於水位相關研究｣，國立成功大學水利及海洋工程研究所碩士論文，1993。
5. 孫建平、張裴章，倒傳遞類神經網路演算法於時雨量預測之研究，八十四年度農業工程研討會，台北市，1995。
6. 楊永祺，｢自組非線性系統應用於水位即時預測｣，國立成功大學水利及海洋工程研究所碩士論文，1997。
7. 周益達，｢自組非線性理論建立水位預測模式之探討｣，國立成功大學水利及海洋工程研究所碩士論文，1998。
8. 鄭連焜、陳秀娟，颱風模式法推估PMP之進一步研究，中興社，1998。
9. 李文揚，｢自組非線性系統應用於水庫優養化之預測｣，國立成功大學水利及海洋工程研究所碩士論文，2000。
10. 周乃昉、鄭子璉、林柏承，應用類神經網路於颱風降雨量的推估，第十一屆水利工程研討會，台灣大學，第C23-C28頁，2000。
11. 林國峰、莊正育，以颱風模式法推求水庫之最大可能降雨量，第十一屆水利工程研討會，台灣大學，第L37-L41頁，2000。
12. 李鴻源、黃威雄，應用類神經網路於颱風降雨預報之研究，第十一屆水利工程研討會，台灣大學，第C35-C39頁，2000。
13. 李鴻源、黃威雄，應用類神經網路於颱風期間雷達降雨模擬之研究，國立台灣大學工學院土木工程學系碩士論文，2000。
14. 林建發，颱風降雨量之統計回歸預測，國立中央大學統計研究所碩士論文，2000。
15. 吳俊逸，｢自組非線性系統應用於地層下陷之預測｣，國立成功大學水利及海洋工程研究所碩士論文，2001。
16. 陳正斌，｢應用模糊理論於颱風降雨量之推估｣，國立成功大學水利及海洋工程研究所碩士論文，2004。
17. 王英銘，｢自組非線性系統應用於濁度預測｣，國立成功大學水利及海洋工程研究所碩士論文，2005
18. 徐福燦，｢灰色理論應用於颱風降雨量推估之研究-以嘉義地區為例｣，國立成功大學水利及海洋工程研究所碩士論文，2005。
19. Sen-Hsiung Hsu , Shiang-Yun Wang, Jyy-Shiuan Ju and Pey-Yu Suen, ” The Characteristics of Rainfall Distribution in Southwest Area of Taiwan”, Crop, Environment & Bioinformatics, Vol. 3, March ,2006.
20. 王珍貴，｢應用類神經網路模式模擬颱風降雨量｣，國立成功大學水利及海洋工程研究所碩士論文，2007。
21. 黃大任，｢自組非線性系統應用於波高的預測｣，國立成功大學水利及海洋工程研究所碩士論文，2008。
22. 黃明宏，｢格網型類神經網路颱風降雨量模擬模式｣，國立成功大學水利及海洋工程研究所碩士論文，2008
23. Gwo-Fong Lin, and Ming-Chang Wu,” A hybrid neural network model for typhoon-rainfall forecasting”, Journal of Hydrology, Vol.375, pp.450-pp.458, 2009。
24. 羅俊文，｢應用類神經網路於颱風降雨量即時預報之研究｣，國立台灣大學工學院土木工程學系碩士論文，2010。
25. Yi-Ming Kuo, Hone-Jay Chu, Tsung-Yi Pan and Hwa-Lung Yu, ”Investigating common trends of annual maximum rainfalls during heavy rainfall events in southern Taiwan”, Journal of Hydrology, Vol.409, pp.749-pp.758, 2011。
26. 邱方瑜、蔡仁智、蔡政翰，｢以類神經網路預測龍洞海域的颱風波浪｣，第33屆海洋工程研討會論文集，高雄，第163-168頁，2011。
27. 林賢明、張憲國、何良勝、陳蔚瑋，｢結合歸屬函數之類神經網路颱風波浪推算｣，第33屆海洋工程研討會論文集，高雄，第169-174頁，2011。
28. 黃暉翔，｢自組非線性系統應用於颱風波高預測｣，國立成功大學水利及海洋工程研究所碩士論文，2012。
29. 林明毅，｢海域鄰近測站流速及流向之補遺及預測｣，國立成功大學水利及海洋工程研究所碩士論文，2012。
30. 陳清田、陳儒賢、陳奕任，｢以支撐向量分類與倒傳遞神經網路為基礎的颱風降雨預報模式｣，水保技術，第138-151頁，2012。
31. 交通部中央氣象局。
32. 經濟部水利署。
33. 經濟部中央地質所。
34. 高屏溪流域整治綱要檢討計畫(98~103年)規劃報告