颱風是台灣水資源的重要來源之ㄧ。颱風降雨量隨著其移動路徑、本身特性及降雨地點地域因子的影響，有關因子對颱風降雨之共同影響為非線性。雖然有許多描述降雨機制的物理公式已被發展來推估即時降雨，但成果都不盡理想。
　　本研究利用倒傳遞網路能模擬非線性過程的能力，建立颱風降雨量模擬模式，將複雜的颱風降雨機制映射在類神經網路架構內，據以推估颱風降雨量。研究中各時段採用颱風中心位置、中心最大風速、十級風暴風半徑、七級風暴風半徑、中心氣壓、颱風特性參數、目標雨量站與其鄰近地區之地面風速、風向、氣溫、氣壓、推估之高空風速、高空風向、前一時段降雨量等資料，做為類神經網路的輸入因子以模擬降雨量。
　　本論文與前人類似研究之主要差別在於將台灣地區及其近海海域劃分成16個格區，對每一格區建立一類神經網路架構的降雨量模擬模式，以模擬目標雨量站的颱風降雨量及趨勢。
　　本研究建立兩種類神經網路模式，模式 I 以全部氣象資料訓練網路；模式 II 則將模式 I 中無降雨之事件剔除，僅使用有降雨之事件訓練網路。綜合成果顯示模式 I 較模式 II 為佳，但模式 II 對雨量尖峰發生時刻的反應較好。運用模式I模擬2004年AERE颱風降雨量之效率係數為0.99，RMSE為6.5；王珍貴(2007)研究之模式對AERE颱風降雨量模擬之效率係數為0.41，RMSE為6.6。相較之下，本研究建置之模式效能較佳。

　　Typhoon is one of the most important source of water resources of Taiwan. Typhoon brought abundant rainfall to its covering area. It is generally regarded moving path, characteristics of typhoon, local terrain and meteorological factors of a gage station as major factors affect rainfall depth. There are many approaches were developed to simulated the complicated non-linear process of typhoon rainfall. However, the accuracy of simulation may be improved.
　　A back-propagation artificial neural network model (BPN) was adopted in this thesis to simulate typhoon rainfall. BPN records complex rainfall mechanism to simulate rainfall depth. It takes center location of typhoon, maximum center wind speed of typhoon, storm radius of the tenth-level wind speed, storm radius of the seventh-level wind speed, center atmospheric pressure of typhoon, characteristic parameters, wind speed and direction of high altitude and ground, atmospheric pressure and temperature of local rain gauge station etc. as input of BPN model.
　　This thesis divides the study area of Taiwan and its offshore area into 16 grids. It is the major difference between this thesis and its precedent research. An individual BPN model was developed for each grid. This thesis established and compared two BPN models. Both models have two hidden layers to increase the ability of description. Model I adopted all meteorologic data as inputs to train BPN, however the Model II only included those events with rainfall. The results showed that Model I is better then Model II in general, but Model II has better estimate of peak-time.
　　Simulating rainfall hyetograph of typhoon AERE of 2004 with Model I, after deleting a few meteorological factors, the coefficient of efficiency (CE) is 0.99 and root mean square error (RMSE) is 6.5. The CE is 0.41 and RMSE is 6.6 after simulating with Wang’s model (2007). Generally speaking, the model I developed in this thesis gains better CE and RMSE.

1. 王時鼎、顏清連、陳泰然與謝信良，「台灣颱風降雨特性及其預報研究(三)」，國家科學委員會防災科技研究報告74-51，P152，(1986)。
2. 吳宗堯與謝信良，「現有颱風預報成果作業化之研究(三)」，國家科學委員會防災科技研究報告79-37，P137，(1990)。
3. 蔡文柄，「應用類神經網路推估溪流之生物多樣性」，碩士論文，國立臺灣大學生物資源暨農學院生物環境系統工程學研究所，(2007)。
4. 李昀寰，「颱風降雨量與風速之統計預測」，碩士論文，國立中央大學統計研究所，(2001)。
5. 魏元恒，謝信良，林民生，「颱風特性與臺灣雨量之研究」，氣象學報，第17 卷第3 期，P1-17，(1971)。
6. 林家幹，「應用衛星資料分析颱風降雨與颱風強度變化之關係」，碩士論文，國立中央大學系大氣物理研究所，(2003)。
7. 林雨我、徐晉淮，「侵襲台灣颱風之降雨分部之研究」，氣象學報，第34卷，第3期，P.196-215，(1988)。
8. 王如意、謝龍生、王鵬瑞，「八掌溪流域降雨-逕流預報模式串聯應用之研究」，台灣水利報，第46卷，第1期，P12-31，(1998)。
9. 王如意、謝龍生、顏玉書，「類神經網絡模式分析颱風降雨與半分布並聯式水庫概念式模擬颱洪歷線之串聯應用」，農業工程學報，第44卷，第2期，P1-25，(1998)。
10. 林國峰、莊正育，「以颱風模式法推求水庫之最大之可能降雨量」，第十一屆水利工程研討會，L37-L41，(2000)。
11. 衛強、鄭克聲，「時空尺度對應用衛星影像推估降雨量之影響」，台灣水利報，第50卷，第2期，P36-45，(2002)。
12. 張婓章、江衍銘、蔡孟蓉，「類神經結合衛星影像於颱風降雨預報」，台灣水利報，第55卷，第1期，P22-31，(2007)。
13. E.Toth, and A.Brath, and A.Montanari."Comparison of short-term rainfall prediction models for real-time flood forecasting" , Journal of Hydrology , vol.239 , P 132-147 , (2000) .
14. Mark N. Frencha, and Witold F. Krajewskia and Robert R. Cuykendallb,"Rainfall forecasting in space and time using a neural network ", Journal of Hydrology , vol. 137 , P 1-31, (1992) .
15. Kin.C.Luk, and J.E.Ball and A.Sharma , "An Application of Artificial neural networks for rainfall forecasting" , Neural networks , vol. 33 , Issue.6-7 , P 683-693 , (2001) .
16. Maria Cleofe Valverde Ramirez , Haroldo Frage de Campos Velho and Nelson Jesus Ferreira , "Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region" , Journal of Hydrology ,vol.301 , P 146-162 , (2005) .