結合機器學習及主成分分析建置都市區域淹水多時刻預測模式-以臺北市為案例

Abstract

受到氣候變遷與都市化的影響，近幾年洪水災害有頻率增加、災害程度更加劇烈的趨勢，為減輕災害的損失，各國政府對於洪災預警與災害應變更加重視，以提早針對災害發生地區進行應變，藉此降低災害所造成的影響。 本研究蒐集近年來臺北市實際淹水事件之雨型，透過SOBEK二維淹水模式，模擬實際暴雨事件與設計暴雨事件(共51場)，得到2047筆模擬淹水資料，每筆資料包含45101個10m×10m的網格淹水深資料。使用主成分分析、自組特徵映射網路(SOM)與非線性自回歸外因輸入模式(R-NARX)針對抽水站集水區建立都市區域淹水預測模式；以淹水模擬資料進行主成分分析，透過四個主成分值代表不同淹水空間分布的特性；SOM根據各時刻淹水特性進行聚類分析，將淹水模擬網格資料映射到二維拓樸圖上，各神經元可以表示不同淹水大小與淹水空間分布之狀況；R-NARX以回饋項加上雨量資料作為輸入資料，分別建立以10分鐘為時距之未來一小時預測模式(T+1~T+6)，並且以兩種模式進行預測結果比較，模式一為預測平均淹水深的單輸出模式，模式二則是預測平均淹水深與主成分值的多輸出模式；最後之整合模式先將R-NARX預測結果比對SOM拓樸圖各神經元，模式一選擇與預測平均淹水深最相近的神經元，模式二選擇各主成分值最相近的神經元，以及被選總次數最高神經元，並將所選神經元依照不同比例計算各網格之權重，模式一與模式二選出神經元後，以平均淹水深預測結果微調各網格權重值，藉此得到區域淹水預測結果。 本研究分析結果顯示9×9拓樸圖大小較能完整呈現不同淹水空間分布；R-NARX建立之預測模式，比較模式一與模式二於平均淹水深之預測結果，可發現模式二之R2數值較小，模式二預測較難以掌握平均淹水深之趨勢，顯示多輸出模式因訓練時根據多個輸出項誤差調整參數，相較於單輸出模式預測結果較差；由模式二各主成分預測結果可知，部分主成分值因趨勢與平均淹水深較不同，因此預測模式較難以掌握其趨勢，於各預測時距之R2數值較小。比較模式一與模式二之整合模式結果，模式二於各預測時距之結果相較於模式一RMSE數值較小；並以SOBEK模擬淹水深與T+1模式一、模式二之預測淹水深進行比較，結果顯示模式一使用平均淹水深篩選神經元，較適合用於全面降雨的颱風事件，模式二使用各主成分值篩選神經元，因具有淹水空間分布特性之指標，較適合用於降雨空間分布不均的豪雨事件，相較於模式一有較穩定準確的淹水空間分布預測結果。 本研究結果顯示以主成分值代表淹水空間分布特性，並結合SOM與R-NARX模式，能夠掌握不同降雨空間分布所造成之淹水情形，並且即時提供都市區域的淹水預測，可以幫助決策者提前針對預測淹水地區進行應變。