本研究旨在以隨機森林建立於宜蘭河流域之河川即時水位預報模式。隨著近年氣候變遷，極端降雨事件的增加，洪水預報之重要性也更為明顯，傳統水文模式如降雨─逕流模式採用逕流為預報變量，模式常過於複雜、參數難以率定，且實務單位採用河川水位為預警變量，使逕流量仍須經率定曲線轉換為水位，存在不確定性。因此本研究採用水位為預報變量，並引進一新興且較為簡單之人工智慧方法─隨機森林(RandomForests)，隨機森林理論僅需要決定兩個參數、計算效率極高且無過度擬合(overfitting)之問題，期望能有助於洪水預報領域之研究發展。
本研究首先對歷史雨量與目標水位進行交叉相關分析(cross correlation analysis)，並考量先前水位之影響，選定輸入因子以提供預報模式建立之基礎。本研究中分別分析水位和雨量兩種輸入因子之影響，結果顯示先前水位時刻輸入因子之影響較雨量輸入因子強烈；雨量因子則在前置時間愈大下，其影響愈明顯。研究另外針對模式之參數進行探討，其結果顯示參數具有不敏感特性且無過度擬合之問題，與Breiman等人於2001所提出之結果相符。為提供一完整之洪水預報模式，本研究以隨機森林理論另建構一雨量預報模式，預報各雨量站前置時間1~2小時之時雨量，從結果顯示，雨量預報模式能掌握前置時間1~2小時雨量之趨勢與數值。
本研究以隨機森林水位預報模式搭配隨機森林雨量預報模式進行前置時間1~3小時之水位預報，其結果顯示前置時間1~2小時之預報有良好的預報能力，在前置時間3小時之預報則有較明顯的洪峰誤差及時間延遲現象。本研究在預報結果後，對隨機森林水位預報模式進行模式之不確定性分析，根據結果顯示，隨機森林模式中森林隨機的變異性小於決策樹之間的變異性，本研究建議隨機森林模式之不確定性可以決策樹之間的變異性為代表。
根據整體結果，隨機森林於宜蘭河流域建立河川即時水位之預報模式具有合理預報結果，雖在前置3小時之預報有較明顯之相位延遲，但整體結果仍屬合理，建議爾後研究可再針對前置時間3小時之預報進行誤差修正，以提供更準確之水位預報。並可考量與其他機器學習方法進行比較，進而評斷隨機森林在河川水位即時預報之能力優劣。

The purpose of this study is to use the RandomForests (RFs) method for constructing a real-time flood stage forecasting model at Yilan River basin in Taiwan. Before using RF model, the cross correlation analysis is introduced for understanding the hydrological concept of the time of response between the upstream raingagues and the river stage station for all calibrated events. Then this study did the input variables analysis and parameters analysis. Based on the aforeward analysis, the RF model is constructed and the uncertainty of RF model is analyzed. Final, the validation results revealed that (1) the RF model can reasonable forecast the flood river stage forecasts one-three-ahead, (2) the parameters analysis results is matched with original work, (3) the uncertainty analysis results is revealed that the variance of decision tree can represent the uncertainty of the RF model.

1. 王盼，2014，「基於隨機森林模型的需水預測模型及其應用」，水資源保護，第30卷，第1期，第34-37頁。
2. 李旭青，2014，「基於隨機森林演算法的水稻冠層氮素含量光譜反演模型及區域應用」遙測學報，第18卷。
3. 李孟杰，2012，「探討阿茲海默症的基因生物標誌及微型核糖核酸生物標誌」，慈濟大學醫學資訊學系碩士論文。
4. 李欣海，2013，「隨機森林模型在分類與迴歸分析中的應用」，應用昆蟲學報，第50卷，第4期，第1190-1197頁。
5. 卓達瑋，2010，「隨機森林分類方法於基因組顯著性檢定上之應用」，國立政治大學統計學系碩士論文。
6. 林郁珊，2012，「應用空載全波形光達資料於波形分析與地物分類」，國立交通大學土木工程學系碩士論文。
7. 長江水利委員會，1993，「水文預報方法(第二版)」，水利水電出版社，北京。
8. 林洙宏，2010，「水文即時監測應用在河川洪水預報之研究」，國立台灣大學生物資源暨農學院生物環境系統工程學系博士論文
9. 林淑真、李宗仰，1996，「自我聯合模式於感潮河段之水位預報」，土木水利，第22卷，第4期，第3-16頁。
10. 張逸帆，2005，「支撐向量機在即時河川水位預報之應用」，國立成功大學水利及海洋工程學系碩士論文。
11. 陳彥良，2009，「成本考量下的決策樹建構」，南亞學報第二十九期，第115-128頁
12. 黃彥儒，2009，「應用資料探勘於資訊揭露分類模式」，中國文化大學會計學系碩士論文。
13. 黃柏璋，2009，「使用決策樹方法發掘連續數值屬性多區間分類規則」，國立成功大學研究學資訊管理學系碩士論文。
14. 葉清江、羅良岡、齊德彰、黃彥儒，2009，「整合分類迴歸樹與隨機森林於資訊揭露預測之研究:公司治理之考量」，第六屆台灣作業研究學會理論與實務學術研討會。
15. 趙李英記，2013，「隨機森林運用於白血病基因分類」，第九屆知識社群國際研討會。
16. 盧佑樺，2013，「二次微分法於空載全波形光達之特徵萃取與地物分類」，國立中央大學土木工程學系碩士論文。
17. 蘇聯水文氣象委員會，1989，「水文預報指南」(中譯本：張瑞芳等譯，中國水利水電出版社，北京，1998出版)。
18. Aggarwal, S.K., Goel, A., & Singh, V.P., (2012), “Stage and Discharge Forecasting by SVM and ANN Techniques,”Water Resources Management, 26, 3705-3724.
19. Box, G. E. P., & Jenkin, G. M., (1976), “Time Series Analysis Forecasting and Control,” U.S.A.
20. Breiman, L., Friedman, J., Olshen, R., & Stone, C., (1984), “Classification and Regression Tree,”Wadsworth International Group.
21. Breiman, L. (1996), “Bagging Predictors,”Machine Learning, 26(2), 123–140.
22. Breiman, L., & Cutler, A., (2001), “Random Forests,”Machine Learning, 45(1), 5-32.
23. Chehata., N., Guo, L., & Mallet, C., (2009), “Airborne LiDAR Feature Selection for Urban Classification using Random Forests,”IntArchPhRS, 38(3), 207-212.
24. Chang, F.J., & Chen, Y.C., (2003), “Estuary Water-Stage Forecasting by Using Radial Basis Neural Network,”Journal of Hydrology, 270, 158-166.
25. Chen, J., Li, M., & Wang, W., (2012), “Statistical Uncertainty Estimation Using Random Forests and Its Application to Drought Forecast,”Mathematical Problems in Engineering, 2012, 1-12.
26. Chen., C.S., Jhong, Y.D., Wu, T.Y., & Chen, S.T., (2013), “Typhoon Event-Based Evolutionary Fuzzy Inference Model for Flood Stage Forecasting,”Journal of Hydrology, 490, 134-143.
27. Crimmins, S.M., Dobrowski, S.Z., & Mynsberge, A.R., (2013), “Evaluating Ensemble Forecasts of Plant Species Distributions under Climate Change,”Ecological Modelling, 266, 126-130.
28. Gagne II, D.J., McGovern, A., & Xue, M., (2011), “Machine Learning Enhancement of Storm Scale Ensemble Precipitation Forecasts,”Recent Technical Papers and Presentations, 39-46.
29. Hastie, T., Tibshirani, R., & Friedman, J., (2008) “The Elements of Statistical Learning,” California, 305-316.
30. Herrera, M., Torgo, L., Izquierdo, J., & Pérez-García, R., (2010), “Predictive Models for Forecasting Hourly Urban Water Demand,”Journal of Hydrology, 387, 141-150.
31. Kusiak, A., Wei, X., Verma, A.P., & Roz, Z., (2013), “Modeling and Prediction of Rainfall Using Radar Reflectivity Data: A Data-Mining Approach,”Geoscience and Remote Sensing, 51(4), 2337-2342.
32. Lin, G.F., Jhong, B.C., & Chang, C.C., (2013), “Development of an Effective Data-Driven Model for Hourly Typhoon Rainfall Forecasting,”Journal of Hydrology, 495, 52-63.
33. Lai, C.H., & Tseng, M.H., (2010), “Comparison of Regression Models, Grey Models, and Supervised Learning Models for Forecasting Flood Stage Caused by Typhoon Events,”Journal of the Chinese Institute of Engineers, 33(4), 629-634.
34. Liong, S.Y., Lim, W.H., & Paudyyal, G.N., (2000), “Ricer Stage Forecasting in Bangladesh: Neural Network Approach,”Journal of Computing in Civil Engineering, 14(1), 1-8.
35. Pang, H., Lin, A., Holford, M., Enerson, B.E., Li, B., Lawton, M.P., Floyed, E., & Zhao, H., (2006), “Pathway Analysis Using Random Forests Classification and Regression,”Bioinformatics, 22(16), 2028-2036.
36. Prasad, A.M., Iverson, L.R., & Liaw, A., (2006), “Newer Classification and Regression Tree Techniques-Bagging and Random Forests for Ecological Prediction,”Ecosystems, 9(2), 181-199.
37. Rokach, L., (2010), “Ensemble-Based Classifier,”Artifical Intelligence Review, 33(1-2), 1-39.
38. See, L., & Openshaw, S., (2000), “A Hybrid Multi-Model Approach to River Level Forecasting,”Hydrological Sciences Journal, 45(4), 523-536.
39. Tsai, C.C., Lu, M.C., & Wei, C.C., (2012), “Decision Tree–Based Classifier Combined with Neural-Based Predictor for Water-Stage Forecasts in a River Basin During Typhoons-A Case Study in Taiwan,”Environmental Engineering Science, 29, 108-116.
40. Yu, P.S., Chen, T.S., & Chang, I.F., (2006), “Support Vector Regression for Real-Time Flood Stage Forecasting,”Journal of Hydrology, 328, 704-716.
41. Vincenzi, S., Zucchetta, M., Franzoi, P., Pellizzato, M., Pranovi, F., & Giulio A. De Leo., Torricelli, P., (2011), “Vincenzi-Application of a Random Forest Algorithm to Predict Spatial Distribution of the Potential Yield of Ruditapes Philippinarum in the Venice Lagoon-Italy,”Ecological Modelling, 222, 1471-1478.
42. Wu, S.J., Lien, H.C., & Chang, C.H., (2012), “Real-Time Correction of Water Stage Forecast During Rainstorm Events Using Combination of Forecast Errors.”Stochastic Environmental Research and Risk Assessment, 26, 519-531.