台风暴潮预测之研究.PPT

颱風登陸暴潮預測之研究 指導教授：胡子陵 學 生：施文豪 學 號：颱風登陸暴潮預測之研究 大綱 一、 前言 二 、緒論 三 、文獻回顧 四 、颱風暴潮模式之建立 五 、模式應用與分析 六、 結論與建議 七 、參考文獻 一、前言 台灣地處亞熱帶及熱帶地區，且四周環海，屬於西太平洋海島型氣候，夏秋之際常遭受颱風之襲擊。 颱風所挾帶的強風與低壓造成海岸地區的潮位異常上升稱之為「颱風暴潮」。 當颱風侵襲時，又逢大潮期間，常造成沿海地區災情加據。 暴潮水位之大小與颱風路徑、暴風半徑大小及強度等有關。 因颱風而引發「異常水位」上升，並不包括天文潮位之值。 二、緒論 研究背景與動機 研究目的 研究內容與範圍 研究流程 2-1 研究背景與動機 台灣每年夏秋兩季平均有3至4個颱風來襲。 颱風暴潮引起異常水位之推升，造成沿海地區災害慘重，損失難以估計。 常引發海水倒灌造成農作損害、魚塭魚苗流失、橋樑與道路損害。 根據統計歷年來因颱風所引起之暴潮 農業損失平均一年新台幣30億 漁業損失平均一年新台幣10億 準確的預測暴潮，可提供河口地區、低窪地區、海堤較低區域及海堤損壞未修區域的居民，作進一步的處置。 2-2 研究目的 本研究將以實測資料更進一步預測颱風登陸後所引發之颱風暴潮。 建立一颱風登陸後暴潮預測模式來防災。 較準確的預測暴潮以預警大眾，保障海岸居民生命安全、財產及海岸設施。 可進一步提供海岸、河口溢淹災害防護規劃研究應用。 2-3 研究內容與範圍 確定研究內容。 台灣沿海地區港口資料蒐整。 分析目前暴潮預測或模擬上的研究方法，建立颱風登陸後暴潮預測之模式。 由預測模式來做案例分析。 綜合建議與成果提出。 2-4 研究流程 三、文獻回顧(1/5) 暴潮(strom surge)是由颱風引致之氣壓與風場變化，而產生水位異常揚升的現象 水體表面之風剪力所產生的水位上升(wind setup) 颱風中心之低氣壓所吸起的水位提升(pressure setup) 異常水位之大小與颱風路徑、颱風半徑大小、氣壓、風速風向、地形、天文潮、科氏力等有關。 暴潮的發生對於結構物的破壞力大大提升，易使堤岸崩潰或發生溢淹的情況，危害沿岸居民之身家安全。 三、文獻回顧(2/5) 潮汐是造成暴潮發生的重要因素，而影響潮汐的最主要因素為天體的引潮力，即月球、太陽與地球的相對位置關係所造成。 海底地形和海水深度的不同對潮汐的變化也有相當的影響。 氣象因素與強風對潮汐也有影響。 颱風暴潮成因： 颱風中心氣壓降低造成海水位上升； 強風造成迎風面海岸海水堆積； 地球自旋柯氏力將海水推向沿岸風右側海岸； 水位被抬升後使大浪得以侵入近岸區產生碎波水位； 暴潮偏差：實測水位資料 － 預測潮位資料的差值。 三、文獻回顧(3/5) 暴潮隨時間大致可分三階段 當颱風中心達在離岸300 ~ 1000km時海面即開始上漲，暴潮偏差慢慢增大，稱為前驅坡(forerunner) 進入颱風圈內時潮位急劇上升，稱為暴潮(storm surge) 潮位下降衰減稱為再湧(resurgence) 三、文獻回顧(4/5) 颱風暴潮預測或模擬的研究大致上可以分為三類： 數值模擬法 統計分析法 類神經網路法 對於非線性問題的解決，已有許多學者嘗試模仿人類複雜神經網路系統的學習能力，共同研究出三大方面的研究： 類神經網路(neural network) 模糊理論(fuzzy theorem) 基因演算法(genetic algorithms) 三、文獻回顧(5/5) 倒傳遞類神經網路（back-propagation network，BPN） 透過訓練對的學習，經網路運算將結果傳遞至輸出端，並將輸出值與實際值間之誤差逆向回傳至輸入層，反覆計算且調整網路權值，使輸出預測值與實際目標值間的誤差最小化。 基本架構 輸入層，隱藏層（可以是一層或多層）及一 輸出層 輸入層與輸出層→單元數目依問題的形式而定 隱藏層→單元數目通常因經驗法則而定 四、颱風登陸暴潮模式之建立 颱風暴潮之定義 颱風產生之強風或低氣壓等氣象變化，造成海水位異常暴漲，導致沿海發生海水倒灌，造成災害。 颱風暴潮之影響因素 颱風特性因子(例：颱風最大風速、氣壓、暴風半徑、夾角…等) 測站特性因子(例：當地氣壓、風速、風向、地形、天文潮…等) 類神經網路架構與參數之確定 類神經網路輸入因子之選取 最佳類神經網路架構及參數 五、模式應用與分析 資料的收集與統整 將軍 成功 蘇澳 台中 結果與討論 六、結論與建議 非線性問題的解決，類神經網路優於傳統數值、統計分析法。 資料蒐集越多，越能提高類神經網路學習及預測之靈敏度。 可另嘗試使用其它具發展潛力的類神經網路模式。 七、參考文獻 楊春生，「台灣北岸暴潮推算之研究」，台南水工試驗所土木水