地處熱帶氣旋及颱風活動關鍵路徑的臺灣，每逢7~9月的颱風季節常遭受颱風侵襲，而海域風浪及颱風遠離引進之西南氣流，常導致潮浪成災及低窪地區之嚴重水患！因此發展近岸海域颱風波高預報模式及資料補遺方法對於海岸工程的規劃、防護、人員傷亡的減少、農漁產業風險之降低、警報提前發布之時機，以及全國防災政策的擬定上為相當倚重的課題。
本研究以具自組性(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，替代傳統颱風波高之推算方式，利用目標區之波高(H)、風速(V)、颱風中心距目標區之距離(L)及其對應之方位角(θ)這四個變數建立「颱風波高預測模式」，進行近岸海域前置時間1~6小時之颱風波高預測，而遞迴之GMDH演算可修正模式，使模式能自我調整而具時變性，可隨時作精確之預測。另以該前置6小時時距之波高預測結果搭配雙對數趨勢建立之「逐時波高預測模式」，可預測6小時時距內之逐時波高，藉以提升模式之實用性及滿足防災預警之需求。案例研究則以2006至2009年發生之15個颱風於新竹與龍洞二資料浮標蒐集的相關數據從事模式之檢定、驗證與預測模擬。另本研究亦利用海潮效率(ocean tide efficiency)概念及經驗模態分解法(Empirical Mode Decomposition)發展「波高數據補遺模式」，藉基準測站之波高數據補遺周遭或鄰近海域待補測站之缺漏波高。案例研究則以2010年於桃園永安漁港/新竹龍鳳漁港沿海，及新竹資料浮標實測之波高數據進行三月底、五月中及五月底之季風波高補遺測試；另以新竹資料浮標充當基準測站對龍洞資料浮標(待補測站)進行2006~2008年間6場不同路徑之颱風波高補遺測試。
據建模驗證結果顯示，「颱風波高預測模式」以SGMDH演算法為較佳之架構，故本研究即以此演算法建模。據優選指標評估，新竹及龍洞資料浮標分別以韋帕(2007)及莫拉克(2009)颱風逐時數據建模之結果為其優選。新竹及龍洞資料浮標即分別以此優選模式預測15及14個颱風前置1小時之逐時波高，其平均誤差均方根介於20.0~27.8cm，相關係數在91.9~92.3%間，誤差尺度百分比介於11.5~12.1%。而在防災預警需求實務應用上，將預測時距拉長為前置6小時，即直接取用氣象局每6小時發佈之颱風路徑資料，新竹資料浮標取11個颱風事件，龍洞資料浮標取9個颱風事件，仍以SGMDH演算法建模，據模擬預測結果顯示，8~11個颱風事件(2006~2009)前置6小時颱風波高預測結果之平均誤差均方根介於42.7~47.8cm間，相關係數在79.4 ~87.1%間，誤差尺度百分比介於18.3~23.4%間，其預測效能稍遜於前置1小時之颱風波高預測！其再搭配雙對數趨勢建立之「逐時波高預測模式」分別以新竹及龍洞資料浮標前置6小時之預測結果推估該8~11個颱風事件中每6小時時距內之逐時波高，其平均誤差均方根介於29.1~33.7cm，相關係數在90.3~93.6%間，誤差尺度百分比介於12.8~16.1%，表示本研究架構之「颱風波高預測模式」搭配「逐時波高預測模式」，不論是提前1小時或6小時之颱風波高預測，其預測值與實測值變化趨勢一致，其平均誤差均方根介於20.0~ 47.8 cm，相關係數介於79.4~93.6%，平均誤差尺度百分比介於11.5~ 23.4%，證實本研究發展之模式在前置1~6小時颱風波高之預測上具有良好實用性。
另以海潮效率(OTE)概念及經驗模態分解法(EMD)建置「波高數據補遺模式」之案例研究中，在季風波高(2010年)缺漏筆數占總筆數之1/3、1/4、1/6之數據補遺方面，以永安對應龍鳳漁港海域測站，及新竹資料浮標站對應永安/龍鳳兩漁港海域測站，綜合評估其補遺結果之平均誤差均方根、誤差尺度百分比及CC值分別為10.51~20.16cm、15.55~20.28%、79.40~87.58%，該分析結果顯示，相鄰海域之兩測站只要距離相近(約30公里)，本研究之「波高數據補遺模式」可有效作波高之數據補遺。而在颱風波浪補遺方面，利用新竹資料浮標資料補遺龍洞資料浮標在2006~2008年間6場不同路徑之颱風波浪缺漏數據(占總筆數之1/3、1/2、2/3)，綜合評估其補遺結果之平均誤差均方根、相關係數、誤差尺度百分比顯示，以經驗模態分解法(EMD)進行颱風波高補遺之結果較佳(平均RMSE、誤差尺度百分比及CC值分別為53.42cm、23.59 %及70.19%)，因新竹與龍洞兩資料浮標站相距甚遠(直線距離約115公里)，故海潮效率(OTE)概念之數據補遺方式較不適用，以經驗模態分解法補遺可大致呈現良好之颱風波高趨勢符合狀態，但在精確補遺颱風短時間內急遽的逐時波高變化則仍有改進的空間。

A forecasting model of near shore typhoon wave height developed as a alternative is proposed in this paper by the self-organizing GMDH (Group Method of Data Handling) algorithm with 4 parameters of wave height(H), wind speed(V), distance(L) and azimuth (θ) between the target location and typhoon center. Data of these 4 parameters/ variables observed at Hsin Chu and Long Dong data buoys as well as obtained from CWB could be used to calibrated, verified and construct the prior 1~ 6hrs near shore typhoon wave height forecasting model with 15 typhoon events data during 2006 to 2009 to provide the necessity of typhoon warning facility. A recursive GMDH model could be reorganized by using the update data to match the time variant properties in forecasting steps to improve the forecasting accuracy. Data supplementation model could be set up by the OTE(Ocean Tide Efficiency) concept and EMD(Empirical Mode Decomposition) technique and tested by the measured and acquired ADCP data of Taoyuan Yon An/Hsinchu Long Fung and Hsin Chu data buoy for lost its total 1/3,1/4 and 1/6 of monsoon wave height data. Typhoon wave height lost data supplementation is tested also with Hsin Chu and Long Dong data buoy’s data of 6 typhoon events for missed its total 1/3,1/2 and 2/3 of typhoon wave data by the same method. Prior 1~6hr typhoon wave height forecasting results show that the average RMSE, CC and error scale ratio are in between 20.0~47.8cm, 79.4~93.6% and 11.5~23.4%. Monsoon wave height missed data supplement results reveal that the average RMSE, CC and error scale ratio are in between 10.5~20.2cm, 78.1~ 87.7%, and 15.6~20.1% respectively, and typhoon wave height lost data supplement results reveal that the average RMSE, CC and error scale ratio are 53.4cm, 70.2%, and 23.6% by the EMD technique.

1. Bretschneider, C.L. and Tamaye, E.E. (1976). “Hurricane wind and wave forecasting techniques,” Proceedings of the 15th International Coastal Engineering Conference, Hawaii, 202-237.
2. Chang, H.K. and Chien, W.A. (2006a). “Neural network with multi-trend simulating transfer function for forecasting typhoon wave,” Advances in Engineering Software, 37, 184-194.
3. Chang, H.K. and Chien, W.A. (2006b). “A fuzzy-neural hybrid system of simulating typhoon waves,” Coastal Engineering, Vol. 53, 737-748.
4. Deo, M.C. and Sridhar Naidu, C. (1998). “Real time wave forecasting using neural networks,” Ocean Engineering, Vol. 26, No. 3, 191-203.
5. Deo, M.C., Jha, A., Chaphekar, A.S. and Ravikant, K. (2001). “Neural networks for wave forecasting”, Ocean Engineering, Vol. 28, N0. 7, 889-898.
6. Duffy,J.J.andM.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。
7. 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。
8. Stanley J.Farlow，「Self-Organization Methods In Model-GMDH TYPE Algorithms」，MARCEL DEKKER.IND。
9. Tsai, C.P., Lin, C., Shen. J.N., (2002). “Neural network for wave forecasting among multi-stations”, Ocean Engineering 29, 1683-1695.
10. Yeqiang Shu，Jiang Zhu，Dongxiao Wang，Xianjun Xiao，(2011). 「Assimilating remote sensing and in situ observations into acoastal model of northern South China Sea using ensemble Kalman filter」，Continental Shelf Research，Vol.31，P.S24-S36.
11. 王英銘 (2005)，「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。
12. 台灣颱風洪水研究中心，大氣研究資料庫網站https://dbar.ttfri.narl.org. tw/Default.aspx
13. 江玟德、張憲國、林立青、陳蔚瑋、何良勝 (2006)，「臺灣國際港區船舶動態管理特性及颱風波浪資料補遺研究(一)」，交通部運輸研究所，第四章第1-18頁。
14. 李梅芳 (1993)，「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論文。
15. 沈家恩、蔡清標 (1998)，「類神經網路在多測站波浪推算之應用」，國立中興大學土木工程學系研究所碩士論文。
16. 李文揚 (2000)，「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。
17. 吳俊逸 (2001)，「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。
18. 吳華桐、鄭振興(2002)，「各型設計波譜特性之探討」，第十四屆中國造船暨輪機工程研討會及國科會成果發表會
19. 李東峰 (2004)，「倒傳遞類神經網路颱風波浪預報模式之研究」，國立臺灣海洋大學河海工程學系碩士論文。
20. 李怡婷 (2005)，「風浪模式計算最佳化之研究」，國立成功大學水利及海洋工程研究所碩士論文。
21. 周益達 (1998)「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。
22. 邱方瑜、蔡仁智、蔡政翰 (2011)「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。
23. 林賢明、張憲國、何良勝、陳蔚瑋 (2011)「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。
24. 林明毅 (2012)，「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論文。
25. 徐萬樁 (1968)，「地下水學」，徐氏基金會。
26. 翁瑞嘉、張憲國 (2009)，「應用混合式類神經網路模式推算季節風波浪之研究」，國立交通大學土木工程研究所碩士論文。
27. 國立成功大學近海水文中心資料庫
28. 郭金棟 (1988)，「海岸工程」，出版，中國土木水利工程學會。
29. 郭一羽 (2003)，「海岸工程學」，文山書局。
30. 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推算之研究」，海洋工程學刊，第3卷，第1期，第73-95頁。
31. 陳亞嵐 (2004)，「近岸風浪推算資料同化之研究」，國立成功大學水利及海洋工程研究所碩士論文。
32. 陳鴻彬、楊志斌、蔡清標 (2004)，「類神經網路在兩測站間波浪資料補遺之應用」，台灣海洋工程學會歷屆論文，編號1372號。
33. 陳家銘 (2007)，「應用波浪數值模式推算台灣海域波浪特性」，國立中山大學海洋環境及工程學研究所碩士論文。
34. 從文碩 (2011)，「以高階Boussinesq模式模擬波浪於海岸地區之溯升及越波」，國立成功大學水利及海洋工程研究所碩士論文。
35. 張憲國，基礎波浪理論，http://ocean.cv.nctu.edu.tw/NRCEST/teaching/wavedynamic/chap4_5_6.pdf
36. 黃大任 (2008)，「自組非線性系統應用於波高預測」，國立成功大學水利及海洋工程研究所碩士論文。
37. 程大器 (2010)，「統計學(下)重點整理」，高點出版社。
38. 黃暉祥 (2012)，「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論文。
39. 楊永棋 (1997)，「自組非線性系統應用於水位及時預測」，國立成功大學水利及海洋工程研究所論文。
40. 楊博閔 (2003)，「客觀分析應用於台灣海域颱風波浪預報之研究」，國立成功大學水利及海洋工程研究所碩士論文。
41. 經濟部水利署第二河川局(2010)，「桃竹苗海岸基本資料監測調查計畫」。
42. 颱風資料庫網站http://rdc28.cwb.gov.tw/TDB/ntdb/pageControl/news
43. 廖建明 (2001)，「近岸風浪推算之研究」，國立成功大學水利及海洋工程研究所博士論文。
44. 歐善惠、許泰文、臧效義、方介群、廖建明 (1999)，「應用 SWAN 波浪模式推算台灣附近海域颱風波浪之研究」，第二十一屆海洋工程研討會論文集，第87-95頁。
45. 鄭皓元 (2005)，「SWAN波浪模式推算週期之探討」，國立成功大學水利及海洋工程研究所碩士論文。
46. 蔡心堯 (2006)，「SWAN模式於潮汐水位變化之研究」，國立成功大學水利及海洋工程研究所碩士論文。
47. 顏月珠 (1992)，「現代統計學」，三民書局。
48. 蘇昭安 (2003)，「應用倒傳遞類神經網路在颱風風浪預報之研究」，國立台灣大學工程科學及海洋工程學研究所碩士論文。