許銘熙臺灣大學：生物環境系統工程學研究所陳信中Chen, Hsing-ChungHsing-ChungChen2007-11-272018-06-292007-11-272018-06-292006http://ntur.lib.ntu.edu.tw//handle/246246/55979蘭陽溪下游之蘭陽平原因地勢低窪，夏秋之際常因梅雨季或颱風所帶來的豪雨造成淹水災害，加上自然地形的陡峻、河川短促，經常導致嚴重的洪水災害，造成人民生命及經濟的重創。因此，若能提供沿岸的洪水位剖面線及特定地點的洪水位預報資訊，作為洪水預警之參考，將可有效減低洪水所帶來的災害損失。 對於流域內設置水文站之地點，可利用其水位資料依據類神經網路模式做短時期預報資料，但對於其它地點之洪水位則需利用洪水演算模式作為工具。本文嘗試將類神經網路模式之預報水位納入河川洪水演算模式中，進行演算得到蘭陽溪河系合理的洪水位資訊及沿岸的洪水位剖面線。 本文以最佳化理論所建立的參數修正，配合類神經網路模式於蘭陽大橋水位站之預報水位而獲得最符合流況的曼寧係數值，為驗證模式的效能，本文以兩場颱洪事件進行模式測試。由模擬的結果顯示，本文所建立的河川洪水預報模式，可以在颱洪期間提供合理及準確的河川洪水資訊。The downstream Lan-Yang Creek is located in the low-lying Lan-Yang Plain, where the inundation disasters occur frequently in summers and falls because of the torrential rain. The high intensity precipitation combining with short river course usually results in flood inundation, which inflicts disastrous losses of life and economy. If the real-time forecast information, including the water stage at the significant locations and longitudinal profiles along a river is available before flooding, the damages would be effectively mitigated. The real-time forecasting can be performed by applying ANN model using river stage data at gauged station. But there is no river stage data for the forcasting using the ANN model other than the places with gauged station. The purpose of the study is to develop a flood forecasting model which integrates river stage prediction at gauged station with ANN model and flood routing model. The integrated model makes numerical calculations of water stage at the significant locations and longitudinal profiles along the river. The model parameter of the flood routing model is updated by using the optimization technique which minimized the differences of stages between the ANN model and river flood routing model. Two typhoon events were simulated to confirm the accuracy of the forecasting model. The present model can provide a satisfactory and reliable river stages forecasting for a short period following a storm.誌 謝 i 摘 要 ii Abstract iii 目 錄 iv 表目錄 vi 圖目錄 viii 第一章 緒 論 1 1.1 研究目的 1 1.2 研究方法 2 1.3 本文組織 4 第二章 相關研究概述 6 2.1 類神經網路模式之相關研究 6 2.2 率定曲線之相關研究 8 2.3 河川變量流模式發展及應用方面之相關研究 9 第三章 模式理論與步驟 13 3.1 水文站之降雨-水位預報模式建立 13 3.2 上游集水區之降雨-流量預報模式 19 3.3 河川洪水位預報模式 21 3.3.1 運動波模式 21 3.3.2 動力波模式 24 3.3.2.1 傳統之動力波模式 24 3.3.2.2 預報初始值之修正 29 3.3.2.3 參數之修正 31 3.3.2.4 結合類神經網路與動力波預報模式 33 第四章 研究區域 35 4.1 研究區域之簡介 35 4.2 地文資料 36 4.2.1 河道斷面 36 4.2.2 堤防高程 37 4.2.3 曼寧係數 37 4.2.4 水文測站 37 4.3 水文資料 38 4.3.1 上游邊界及沿岸側入流流量 38 4.3.2 下游河口潮位 39 第五章 結果與討論 40 5.1 類神經網路之水位預報模式 40 5.1.1 家源橋之水位預報 40 5.1.2 蘭陽大橋之水位預報 43 5.1.3 中山橋之水位預報模式 46 5.2 家源橋之率定曲線 48 5.3 河川洪水位預報模式 49 5.3.1 敏督利颱風之模擬 50 5.3.2 南瑪都颱風之模擬 53 第六章 結論與建議 58 6.1 結論 58 6.2 建議 61 參考文獻 62 附錄一 最小平方法 135 附錄二 即時參數修正方式 137 附錄三 率定曲線方程式之參數合理性 1394793382 bytesapplication/pdfen-US動力波模式類神經網路洪水演算洪水位預報Dynamic routing modelArtificial Neural NetworkFlood routingRiver stage forecastingthesishttp://ntur.lib.ntu.edu.tw/bitstream/246246/55979/1/ntu-95-R93622036-1.pdf