進階搜尋


 
系統識別號 U0026-2007202010511800
論文名稱(中文) 全臺主要水庫之遙相關季雨量預報模式
論文名稱(英文) Development of Teleconnection-based Seasonal Rainfall Forecasting Models for Reservoir Watersheds in Taiwan
校院名稱 成功大學
系所名稱(中) 水利及海洋工程學系
系所名稱(英) Department of Hydraulics & Ocean Engineering
學年度 108
學期 2
出版年 109
研究生(中文) 吳政諺
研究生(英文) Cheng-Yen Wu
學號 N86074021
學位類別 碩士
語文別 中文
論文頁數 69頁
口試委員 口試委員-陳昭銘
口試委員-陳佳正
口試委員-蕭政宗
指導教授-游保杉
中文關鍵字 遙相關  季雨量預報  複迴歸分析  支撐向量機  隨機森林 
英文關鍵字 teleconnection  seasonal rainfall forecasting model  multiple regression analysis  support vector machine  random forest 
學科別分類
中文摘要 本研究主要目的在於發展枯水期間全臺18座水庫及3處攔河堰集水區之遙相關季雨量預報模式。模式建置過程採用環流、海溫、風場、Niño3、SOI及PDO 等遙相關指標及各集水區前期雨量作為候選輸入變量,考量所有變量組合作為模式輸入變量;模式輸出變量則為各集水區未來三個月之季雨量。接續利用三種模式建構方法進行建模,包含:複迴歸分析、支撐向量機(Support Vector Machines)及隨機森林(Random Forests),分別優選出18座水庫及3處攔河堰枯水期間不同預報起始月(10月至3月) 之最佳輸入變量組合,以完成各集水區遙相關季雨量預報模式之建置工作。
分析結果顯示:三種模式建構方法中以隨機森林之整體表現最佳。由於各集水區在不同預報起始月均有一組最佳變量之季雨量預報模式,為求實務應用之簡便性,將各集水區依地理位置歸屬北、中及南部地區後,基於區域平均表現最佳之方式,分別優選出北、中及南部地區在不同預報起始月之區域最佳變量組合,以作為模式輸入變量建構區域最佳遙相關季雨量預報模式。經比較以(1)前期雨量為輸入變量、(2)環流+海溫+風場+Niño3為輸入變量,及(3)區域最佳輸入變量組合之預報表現,可以發現本研究提出之區域最佳輸入變量組合其預報表現最好,顯著提升集水區之季雨量預報精度。
本研究所發展之各集水區遙相關季雨量預報模式與區域最佳遙相關季雨量預報模式之建置成果,可提供未來長期降雨趨勢預判資訊,作為抗旱期間相關因應措施之決策輔助參考。
英文摘要 In order to support decision making for preparing drought-resistance actions in advance during the dry period, the study developed the teleconnection-based seasonal rainfall forecasting models for the 21 reservoir/dam watersheds in Taiwan. The correlations between the seasonal rainfalls for each watershed and the monthly climatic teleconnection indices (i.e., Circulation , Sea Surface Temperature, Wind Field, Niño Sea Surface Temperature, Southern Oscillation index, Pacific Decadal Oscillation, and the previous monthly rainfall of watershed) from 1982 to 2018 were first investigated. It is found that these climatic teleconnection indices can be used as the candidates of model input variables.
Further, 127 combinations of these climatic teleconnection indices were used as the model input variables to construct the forecasting models for predicting the seasonal rainfall of watershed for each forecast-beginning month (form October to March) by using the leave-one-out cross-validation. For example, the forecasting model for the forecast-beginning month, October, was constructed for forecasting the seasonal rainfall from November to January. Three model-construction methods, multiple regression analysis (MRA), support vector machine (SVM), and random forest (RF), were adopted for comparison. For each reservoir/dam watershed and each forecast-beginning month, the optimal teleconnection-based seasonal rainfall forecasting model (i.e., the model with the optimal input-variable combination) was developed by the three methods. Comparison results show that the RF-based forecasting models are better than the MRA-based and SVM-based forecasting models for most cases.
For simultaneously considering the application convenience and forecasting accuracy, the 21 reservoir/dam watersheds were grouped into the northern, central, and southern regions by their geographic locations. For each region, the “regional” optimal teleconnection-based seasonal rainfall forecasting model based on RF was developed for each forecast-beginning month. Comparison results show that the proposed regional teleconnection-based seasonal rainfall forecasting models perform better than the tradition forecasting models which only use the antecedent monthly rainfall as model input variable.
論文目次 摘要 I
目錄 XI
表目錄 XIII
圖目錄 XV
第一章 緒論 1
1-1 研究動機與目的 1
1-2 文獻回顧 3
1-3 本文組織架構 10
第二章 研究區域與資料概述 11
2-1 研究區域概述 11
2-2 遙相關指標之介紹 14
第三章 研究方法 20
3-1 遙相關季雨量預報模式架構與評鑑指標 20
3-2 模式建構方法 24
3-2-1 複迴歸分析 24
3-2-2 支撐向量機 26
3-2-3 隨機森林 32
第四章 遙相關季雨量預報模式 36
4-1 季雨量預報模式建構方法之比較 37
4-2 區域最佳變量組合之預報表現 43
4-3 討論與結語 58
第五章 結論與建議 62
參考文獻 64
附錄一 遙相關指標之建置 附1-1
附錄二 最佳變量組合 附2-1

參考文獻 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. 朱錦紅、柯文雄、許晃雄(2004)。台灣降水變化及其季節性異常的環流機制。環境保護學會學刊,第27卷,第1期,第72至89頁。
3. 吳明進、陳圭宏(1996)。聖嬰/南方振盪(ENSO)現象對台灣短期氣候變化影響之研究-春雨部分。八十五年度委託計畫研究報告第CW85-2M-04號,交通部中央氣象局。
4. 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。
5. 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。
6. 李明安(2015)。聖嬰現象對台灣天氣系統的影響。台灣氣候變遷調適科技整合研究計畫電子報,第12期。
7. 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。
8. 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。
9. 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。
10. 林國龍、張毓堯、范光龍(2008)。2002-2003年聖嬰現象對台灣雨量的影響。環境保護學會學刊,第31卷,第1期。
11. 林焜詳(2016)。支撐向量機與隨機森林應用於颱風時雨量預報之比較。國立成功大學水利及海洋工程學系,碩士論文。
12. 許晃雄(2010)。乾旱環境下的莫拉克颱風。台大校友雙月刊,第69期,第39至42頁。
13. 許晃雄、陳圭宏(1994)。台灣地區低頻大氣變化與熱帶海洋及大氣的關係。氣象科技中心技術報告彙編,第014號,第33至58頁,交通部中央氣象局。
14. 郭志豪(2012)。應用 ENSO 對台灣南部乾旱之機率預報。國立成功大學水利及海洋工程學系,碩士論文。
15. 郭家妏(2014)。隨機森林在河川水位即時預報之應用。國立成功大學水利及海洋工程學系,碩士論文。
16. 陳弘(2019)。遙相關月雨量預報模式應用於石門水庫乾旱預警。國立成功大學水利及海洋工程學系,碩士論文。
17. 陳思尹(2016)。應用機器學習法於QPESUMS即時雨量預報。國立成功大學水利及海洋工程學系,碩士論文。
18. 陳昭銘、汪鳳如、呂芳川、郭漱泠(2002)。聖嬰現象與1998年台灣異常氣候:全年偏暖與春雨偏多現象。大氣科學期刊,第30期,第331至350頁。
19. 陳憲宗(2006)。支撐向量機及模糊推理模式應用於洪水水位之即時機率預報。國立成功大學水利及海洋工程學系,博士論文。
20. 陳薇伊(2011)。克利金法即時修正大甲溪雷達估計降雨。國立成功大學水利及海洋工程學系,碩士論文。
21. 黃文揚、徐南蓉(2005)。以全球海水表面溫度預測台灣附近之夏季降雨量。中國統計學報,第43卷,第4期,第371至386頁。
22. 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。
23. 廖志翔(1995)。台灣地區春季降雨分析及聖嬰/南方振盪(ENSO)關係之探討。八十四年度研究報告第CW84-1A-04號,交通部中央氣象局。
24. 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。
25. 劉鑌鋈(2009)。利用機器學習修正QPESUMS雷達估計降雨。國立成功大學水利及海洋工程學系碩士論文。
26. 盧佑樺(2013)。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。
27. 盧孟明(2000)。聖嬰現象與台灣異常氣候關係之探討。大氣科學,第28卷,第2期,第91至114頁。
28. 蕭政宗(2000)。聖嬰現象與台灣地區降雨量之相關性分析。農業工程學報,第46卷,第1期,第93至109頁。
29. Belayneh, A., Adamowski, J., Khalil, B., & Quilty, J. (2016). Coupling machine learning methods with wavelet transforms and the bootstrap and boosting ensemble approaches for drought prediction. Atmospheric Research, 172-173, 37-47.
30. Bjerknes, J. (1969). Atmospheric teleconnection from the equatorial Pacific. Monthly Weather Review, 97, 163–172.
31. Breiman, L., & Cutler, A. (2001). Random Forests. Machine Learning, 45(1), 5-32.
32. Chehata., N., Guo, L., & Mallet, C. (2009). Airborne LiDAR Feature Selection for Urban Classification using Random Forests. IntArchPhRS, 38(3), 207-212.
33. 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.
34. Chen, J., Li, T., & Shih, C. (2008). Asymmetry of the El Niño-Spring Rainfall Relationship in Taiwan. Journal of the Meteorological Society of Japan, 86(2), 297-312.
35. Chen, S., & Zha, X. (2018). Effects of the ENSO on rainfall erosivity in the Fujian Province of southeast China. Science of The Total Environment, 621, 1378-1388.
36. 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.
37. Deng, S., Chen, T., Yang, N., Qu, L., Li, M., & Chen, D. (2018). Spatial and temporal distribution of rainfall and drought characteristics across the Pearl River basin. Science of The Total Environment, 619-620, 28-41.
38. 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.
39. Ganguli, P., Reddy, MJ. (2014). Ensemble prediction of regional droughts using climate inputs and the SVM-copula approach. Hydrological Processes, 28(19), 4989-5009.
40. Genuer, R., Poggi, J. M., & Tuleau-Malot, C. (2010). Variable Selection Using Random Forests. Pattern Recognition Letters, 31(14), 2225-2236.
41. Herrera, M., Torgo, L., Izquierdo, J., & Pérez-García, R. (2010). Predictive Models for Forecasting Hourly Urban Water Demand. Journal of Hydrology, 387, 141-150.
42. Hung, Chih-Wen, Lin, Ho-Jiunn, Hsu, Huang-Hsiung. (2014). Madden–Julian Oscillation and the Winter Rainfall in Taiwan. Journal of Climate, 27(12), 4521-4530.
43. Hung, CW, Hsu, HH, Lu, MM. (2004). Decadal oscillation of spring rain in northern Taiwan. GEOPHYSICAL RESEARCH LETTERS, vol. 31
44. Jalalkamali, A., Moradi, M., & Moradi, N. (2014). Application of several artificial intelligence models and ARIMAX model for forecasting drought using the Standardized Precipitation Index. International Journal of Environmental Science and Technology, 12(4), 1201-1210.
45. Komasi, M., Sharghi, S., Safavi, HR. (2018) Wavelet and cuckoo search-support vector machine conjugation for drought forecasting using Standardized Precipitation Index (case study: Urmia Lake, Iran). Journal of Hydrounformatics, 20(4), 975-988.
46. Kuo, Yi-Chun, Lee, Ming-An, Lu, Mong-Ming. (2016). Association of Taiwan’s Rainfall Patterns with Large-Scale Oceanic and Atmospheric Phenomena. Advances in Meteorology, 1-11.
47. Lee, J. H., & Julien, P. Y. (2016). Teleconnections of the ENSO and South Korean precipitation patterns. Journal of Hydrology, 534, 237-250.
48. Lin, G.F., Chen, G.R., Wu, M.C., & Chou, Y.C. (2009). Effective forecasting of hourly typhoon rainfall using support vector machines. Water Resources Research, 45, W08440.
49. Lin, GF., Chen, GR., Huang, PY., Chou, YC. (2009). Support vector machine-based models for hourly reservoir inflow forecasting during typhoon-warning periods. Journal of Hydrology, 372(1-4), 17-29.
50. Liong, S. Y., & Sivapragasam, C. (2002). Flood Stage Forecasting with Support Vector Machines. American Water Resources Association, vol. 38, iss. 1, 173-186.
51. 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.
52. 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.
53. Vapnik, V. N. (1995). The Nature of Statistical Learning Theory, Springer-Verlag New York.
54. Vincenzi, S., Zucchetta, M., Franzoi, P., Pellizzato, M., Pranovi, F., De Leo, G. A., & 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.
55. Walker, G. T. (1923). Correlation seasonal variations of weather VIII. Memoirs of the India Meteorological Department, 24, 75–131.
56. Walker, G. T. (1924). World weather IX. Memoirs of the India Meteorological Department, 24, 275–332.
57. Walker, G. T. (1928). World weather III. Memoirs of the Royal Meteorological Society, 17, 97–106.
58. Walker, G. T. and E. W. Bliss (1932). World weather V. Memoirs of the Royal Meteorological Society, 4, 53–84.
59. Walker, G. T. and E. W. Bliss (1937). World weather VI. Memoirs of the Royal Meteorological Society, 4, 119–139.
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2020-07-24起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2020-07-24起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw