| 年度 |
111年度 |
| 綱要計畫 |
韌性防災調適與評估研究(4/4)年度 |
| 細部計畫 |
短期豪雨監控預警及中長期乾旱趨勢分析年度 |
| 主管單位 |
經濟部水利署 |
| 執行單位 |
台灣整合防災工程 技術顧問有限公司 |
| 對應課題 |
|
| 產出成果類別 |
|
| 產出成果型態 |
|
| 自評等級 |
|
| 成果內容說明 |
短延時強降雨是在不同時空尺度之大氣因子複雜交互作用下所引致之極端降雨情形，因此本計畫應用非監督式學習之自組織映射網路(Self-Organizing Map, SOM)由降雨雷達所提供之三維回波資料、西南氣流觀測數據，綜觀天氣型態中豪大雨檢查表之因子，將分為颱風系統、鋒面及午後熱對流系統進行資料探勘，並利用其自我學習之特性，研析造成積淹水之極短期降雨與環境指標之關係。另外採用k-平均演算法(k-means)針對SOM自我學習後所建構之網路特徵值進行群集分析。 |
| 實際防災落實應用情形 |
2017年6月2日梅雨鋒面造成中華里有嚴重積淹水事件進行深入分析，其中雷達回波為模式輸入變數、淹水機率為模式輸出之積淹水風險、地面雨量測站測得之降雨強度及實際雨水下水道水位計為模式之驗證對照資料。由分析結果可歸納出以下結論：
(1) SOM 的模型之間的區別在於三維雷達回波空間數據分析。模型建立在SOM的基礎上，藉由歷史數據分析，選定特定數據，為淹水預報提供有用的信息。
(2) 歷史觀測事件建立之 SOM 以改進提前預測。結果證實，SOM拓撲圖中的數據提供淹水熱區之神經元，可準確指出歷史淹水事件及高平均時雨量。
(3) 開發機率式淹水預警系統，所提出的極端事件模型的性能。顯示研究區在預警和淹水災害發生前的預警、不同網格特徵的降雨 |
| 相關佐證資料 |
|
| 圖片1 |
 |
| 圖片1說明 |
k-平均演算法(k-means)針對SOM自我學習後所建構之網路特徵值進行群集分析 |