立青博士論文簡報 - q?j???u?????

Download Report

Transcript 立青博士論文簡報 - q?j???u????? 

The influence of tidal change
嵌入引潮力與溫度的類神經-模糊
潮汐推算模式
An adaptive neuro-fuzzy method associaeted with tide generating
forces and sea surface temperature for tidal prediction
簡報者：林立青
指導教授：張憲國
國立交通大學土木工程學系
中華民國九十五年十二月二十日
潮汐分析方法
Tide gauge data
Altimetry data
1. Harmonic analysis
2. Response analysis
3. Response-orthotide
method
1. Neural network
2. Fuzzy theory
M2, S2, K1, O1…
Water level
Water level
潮汐分析方法
Equilibrium tides
Harmonic method
Darwin(1907)
   f k H k cos( k t  uk  Gk )
k
 j  i0  j0 s  k0h  l0 p  m0 N' n0 p' Doodson(1921)
Response-orthotide method
2
lm
   U ml Pml t   Vml Qml t 
m 0 l 0
Munk and Cartwright (1966)
Groves and Reynolds(1975)
This study
TGFs
and
SST
Neural network
Fuzzy theory

參考文獻
Harmonic analysis
Darwin(1907), Doodson(1921), Desai (1996), Le Provost et al. (1998)
Response analysis and Response-orthotide method
Munk and Cartwright (1966), Cartwright et al.(1969), Groves and
Reynolds(1975), Ray (1988), Desai (1996), Desai and Wahr(1995), Han et
al.(2000), Matsumoto et al.(2000)
Neural network and Fuzzy theory
Deo and Naidu(1999), Deo et al(2000,2001,2002,2003),
Makarynskyy(2004), Kalra(2005), 蔡(2006),Chang and Chien(2006a,b),
Tsai and Lee(1999),張和黃(2001), 張和曾(2001), Lee and Jeng (2002),
Lee et al. (2002), Lee(2004), Chang and Lin(2006)
簡報大綱
研究動機與目的
潮汐特性分析
引潮勢能理論
引潮勢能類神經模式(TGF-NN)
嵌入海溫與引潮勢能模式(TGFT-FN)
結論
研究動機與目的
Pytheas(325.BC)和Posidonius(135-50.BC)，東漢王充
於永元二年(90)，在“論衡”之書虛篇「濤之起也，
隨月盛衰，大小滿損不同齊」，史上第一次指出月的
圓缺變化為潮汐大小潮的成因。
海岸活動、海岸結構的設計高程及海港船隻進出安全
海岸生態工程的進行，常需考慮不同的潮汐水位會有
不同的生態特性。
Cochran(2004)於科學(Science)期刊中，以潮汐壓力與
地震數據進行統計分析，提出地震發生時潮汐對斷層
面的壓力有較高的相關性，而且地震發生的時間也會
依因潮汐造成的壓力而提前或推遲。
潮汐特性分析
F=O1+K1/M2+S2
F<0.5 半日潮
0.5<F<1.25 混合潮
F>1.25 全日潮
潮汐特性分析
群集分析法
n
2
d AB
  xi  x j
2
i 1
d ir 
2
ni  n p
ni  nr
d ip 
2
ni  nq
ni  nr
d iq
2
ni
2

d pq
ni  nr
引潮勢能理論
引潮勢能理論
radial
tangential
P
γ
Fc
Fg
R
Fa
ξ
θ
β
D
Earth
Moon
ω=2π/τ

F  
GM 1 R cos  1
  
( 
 )
2
g
g 
D
D
引潮勢能理論
80
Equilibrium tides
Hualien-astronomical
data
Water level(cm)
60
40
20
0
-20
-40
0
180
120
360
Times (hours)
540
720
Hualien tide gauge data
Water level(cm)
80
40
0
-40
-80
-120
0
180
360
Times (hours)
540
720
類神經網路
類神經網路
Robert Hechat-Nielson(1990)對類神經的定義，
「神經網路是一種計算系統，由許多高度聯結的節點
所組成，用來處理資訊並對外部的輸入以網路動態來
回應」。因此，類神經網路系統一般具有三層，輸入
層、隱藏層及輸出層。每個節點都是獨立的處理器，
且以並行的方式來運作。
類神經網路
a 1  f I w Pi  b1 
a 2  f L w a1  b 2 
E
a2  Y
N
2
類神經網路
Gauss-Newton
 
X k 1  X k  J J
T
1
Levenberg-Marquardt (L-M)
T
J e

X k 1  X k  J J  I
T

1
JTe
TFG-NN
φ
Pattern
Moon
Sun
M-S
 R

D
 m



t
 R
 
  m t
 R

 Dm

2


 cos m 




 R

D
 s



t
R
 
  s t
 R

 D s

2


 cos s 




cos t
t
t
TGF-NN
RMS(cm)
HA
TGF-NN
延時(hour)
0
3
2
1
0
學習(2001)
6.57
8.43
6.37
8.64
17.58
R2
0.975
0.955
0.977
0.933
0.843
預測(2002)
10.28
14.45
10.57
13.02
15.75
R2
0.939
0.867
0.935
0.874
0.832
TFG-NN
150
2001/01
100
Water level(cm)
Observed data
TGF-NN model
50
0
-50
-100
0
248
150
744
Times (hours)
Observed data
TGFNN model
2002/01
100
Water level(cm)
496
50
0
-50
-100
0
248
496
Times (hours)
744
1.5
1.0
1.5
2001 R2=0.977
1.0
0.5
2002 R2=0.935
0.5
p(m)
p(m)
TFG-NN
0.0
0.0
-0.5
-0.5
-1.0
-1.0
-1.5
-1.5
-1.5
-1.5
-1.0
-0.5
0.0
m
0.5
1.0
1.5
-1.0
-0.5
0.0
m
0.5
1.0
1.5
TFG-NN
R2
RMS
Method
2001
2002
2003
2004
2001
2002
2003
2004
6.57
10.28
12.21
10.38
0.975
0.939
0.964
0.937
HM(26*) 15.21
11.34
10.35
13.76
0.866
0.917
0.909
0.888
15.24
93
NAO.99b 15.61
11.28
3
11.69
10.34
0.865
0.918
0.938
0.891
10.69
13.52
36
14.05
0.861
0.911
0.930
0.884
TGF-NN
10.57
11.70
11.76
0.977
0.935
0.954
0.919
HM(60*)
R-O
6.37
Le Provost et al. (1998)-26 constituents
TGF-NN
Location
Year
Index
Method
LD
TC
SA
CG
LY
HC
RMS
TGF-NN
--
18.57
14.37
9.23
15.71
24.77
(cm)
NAO.99b
--
17.96
13.03
9.80
16.45
13.17
R2
TGF-NN
--
0.845
0.878
0.950
0.860
0.648
NAO.99b
--
0.611
0.895
0.955
0.847
0.837
TGF-NN
27.46
17.61
14.19
11.73
16.79
25.18
NAO.99b
17.05
18.71
14.26
13.76
13.55
11.46
TGF-NN
0.537
0.856
0.861
0.923
0.836
0.629
NAO.99b
0.703
0.596
0.883
0.907
0.890
0.874
2001
RMS
(cm)
2002
R
2
TGF-NN
Location
Year
Index
Method
TP
JHU
HS
TaiC
TGF-NN
18.57
13.46
10.64
17.89
NAO.99b
26.64
31.49
18.40
21.63
TGF-NN
0.954
0.986
0.993
0.986
NAO.99b
0.940
0.907
0.980
0.975
TGF-NN
16.45
15.53
15.08
20.72
NAO.99b
28.98
30.88
19.45
22.13
TGF-NN
0.961
0.977
0.986
0.981
NAO.99b
0.912
0.908
0.976
0.975
RMS
2001
R
2
RMS
2002
R
Location
TP
JHU
2
YEAR
Ratio(0.6,0.7)
Ratio (0.66,0.77)
2001
17.45
17.68
2002
16.62
16.83
2001
14.51
13.67
2002
16.71
16.57
TGF-NN
Year
Index
Method
AP
KH
HC
LD
KL
TGF-NN
--
7.39
13.74
8.75
--
NAO.99b
--
13.82
13.17
17.05
--
RMS
2001
2002
R
2
TGF-NN
--
0.912
0.860
0.922
--
NAO.99b
--
0.726
0.837
0.703
--
TGF-NN
14.88
9.69
14.07
11.08
14.55
NAO.99b
13.62
13.61
11.46
17.32
15.79
RMS
2002
2003
R
2
TGF-NN
0.732
0.866
0.857
0.882
0.769
NAO.99b
0.806
0.747
0.874
0.720
0.741
TGFT-FN
TGFT-FN
Sea water
Pure water
TGFT-FN
Mean of trends = 0.43 mm/yr
by J. Schröter [AVISO]
[Levitus et al., 2005]
hstericx , y , z ,t     x , y , z ,t dz   T , S  [Gill(1982)]
0
H
TGFT-FN
Long-term variations of averaged tides (solid line)
and sea surface temperature (dashed line) at the Hua-Lien
for year 2001 and 2002 using a 720-hour moving average
TGFT-FN
模糊集合理論（Fuzzy Set Theory）是1965 年由
美國控制專家L.A.Zadeh扎德博士首先提出來的，他
認為許多傳統非常精確的數量方法，已經不能完全解
決以人為中心的問題以及較為複雜的問題，必須以模
糊數學分析法，取代傳統的數量方法來處理模糊的問
題。
TGFT-FN
TGFT-FN
Oi1   Ai ( x) 
1
x  ci
1
ai
Oi2  wi   A i ( x)   b i ( x)
Oi4  wi f i  wi  pi x  qi y  ri 
2 bi
i  1,2
Oi5   wi f i 
i
wi
O  wi 
w1  w2
3
i
i  1,2
 wi f i
i
 wi
i
TGFT-FN
TGFT-FN Model
Seven input
parameters
from TGF
Neural
Network
Tides
Monthly
averaged
SST
ANFIS
Water level distribution
TGFT-FN
Location
Year
Index
Method
TC
SA
HL
CG
LY
RMS
TGF-NN
18.57
14.37
6.37
9.23
15.71
(cm)
TGFT-FN
15.03
10.28
7.32
7.70
11.94
TGF-NN
0.845
0.878
0.977
0.950
0.860
TGFT-FN
0.902
0.936
0.963
0.966
0.916
RMS
TGF-NN
17.61
14.19
10.57
11.73
16.79
(cm)
TGFT-FN
14.86
10.82
8.73
8.49
11.92
TGF-NN
0.856
0.861
0.935
0.923
0.836
TGFT-FN
0.898
0.932
0.951
0.948
0.913
2001
R
2
2002
R
2
TGFT-FN
2001
2002
TGFT-FN
Location
Year
Index
Method
TP
JHU
HS
TaiC
TGF-NN
18.57
13.46
10.64
17.89
TGFT-FN
18.15
13.31
11.47
17.59
TGF-NN
0.954
0.986
0.993
0.986
TGFT-FN
0.952
0.980
0.990
0.986
TGF-NN
16.45
15.53
15.08
20.72
TGFT-FN
17.13
16.71
14.68
20.08
TGF-NN
0.961
0.977
0.986
0.981
TGFT-FN
0.959
0.971
0.987
0.983
RMS
2001
R
2
RMS
2002
R2
TGFT-FN
Location
Year
Index
Method
AP
TGF-NN
--
KH
HC
7.39
13.74
7.25
12.60
0.912
0.860
0.921
0.904
RMS
TGFT-FN
2001
R
2
TGF-NN
--
TGFT-FN
TGF-NN
14.88
9.69
14.07
TGFT-FN
12.69
7.21
12.85
TGF-NN
0.732
0.866
0.857
TGFT-FN
0.800
0.917
0.868
RMS
2002
R2
TGFT-FN
Location
Year
2001
Err (%) 
RMS
MRT
2002
Index
Method
TC
SA
TGF-NN
28.57
14.81
6.64
8.47
16.03
TGFT-FN
23.12
10.60
7.63
7.06
12.18
TGF-NN
27.09
14.63
11.01
10.76
17.13
TGFT-FN
22.86
11.15
9.09
7.79
12.16
Err(%)
HL
CG
LY
Err(%)
Location
Year
Index
TGF-NN
2001
2002
Location
Method
Year
TP
JHU
HC
TaiC
8.48
5.26
3.19
4.76
Err(%)
2001
TGFT-FN
8.29
5.67
3.73
4.68
TGF-NN
7.51
6.07
4.51
5.51
Err(%)
2002
TGFT-FN
7.82
6.53
4.40
5.34
Index
Method
AP
KH
HC
TGF-NN
--
14.78
19.08
TGFT-FN
--
14.50
17.50
TGF-NN
30.37
19.38
19.54
TGFT-FN
25.90
14.42
17.85
Err(%)
Err(%)
結論
本研究以日、月對地球的引力勢能及日與月對地球
的相對角度，共七個參數作為神經網路的輸入值，
其延時為2小時，神經網路模式之架構為一層隱藏層，
五個神經元。
本文以TGF-NN進行花蓮襙站之學習，並進行東部
四個潮位測站的推算，推算的範圍由頭城至蘭嶼，
其誤差值約與NAO.99b模式相似，兩模式之誤差約
小於4公分。顯示本模式可推算學習之外的測站水位
預測。
於西北部、東北部及西南部海域，則依序以新竹、
龍洞及高雄作為模式之學習測站。對於西北部地區，
經過平均潮差之修正後，TGF-NN模式之誤差約在
20公分以下。對於西南部及東北部地區，TGF-NN
於兩區之水位推算則經過潮時之修正，其推算值約
小於NAO.99b模式1-3公分。
結論
另外，因此，本文以海溫建立長週期水位適應性之
網路模糊推論系統(ANFIS)模式，聯合天文引潮勢
能水位推算模式而為TGFT-FN模式。東部地區經由
海溫之修正後，TGFT-FN模式之方均根誤差約小於
TGF-NN模式5公分，對於西北部海域之推算結果，
兩模式之誤差約略接近， 西南海域之TGFT-FN模式
約可修正受海溫影響之水位誤差約為2公分左右。
因此，由以上之敘述，本文以天文位勢建立TGFNN模式，與同時考慮海溫及天文位勢架構TGFT-F
模式以推算潮汐水位。TGFT-FN模式於東部海域之
方均根誤差除頭城測站，其餘約在10公分以下。
TGF-NN與TGFT-FN於西北部則約略相似，其方均
根誤差在20公分以下；於西南部則其方均根誤差在
12公分以下。
Thank you!
Future Work
Global tide
prediction model
TGF’s
parameters
NN mdoel
Weight and bias
n  8760
.
.
.
.
1
Huge matrix
n  8760
Global Tide
gauge data
1 8760
.
.
.
.
1
1 8760
m
n  (8760 m )
m
1 8760 m
Future Work
2004年07月~9月
by 莊文傑博士
15
Tide Surge (m)
Pressure, Surge, and Wind
W-E Wind: HL2K4Wnd10_01-12.dat
Pres. Surg: CK2k4P06-12_SugDif.dat
Tide Surg.: HL2k4M12D365L00a_SugDif.dat
10
0.4
-40
0.3
-30
0.2
-20
0.1
-10
10
MEARI
HAIMA
HAIMA
AERE
-0.1
AERE
RANANIM
RANANIM
KOMPASU
-5
-0.2
20
-0.3
30
-0.4
40
-10
蘭寧（Rananim）
TYPHOON-2
-15
4680
5040
艾利（Aere）
TYPHOON-2
5760
5400
2K4' hrs.
6120
6480
Pressure Surge (hpa)
0
0
0
KOMPASU
W-E Wind Spd. (m/s)
5
Future Work
2004年09月~10月
by 莊文傑博士
15
Tide Surge (m)
Pressure, Surge, and Wind
W-E Wind: HL2K4Wnd10_01-12.dat
Pres. Surg: CK2k4P06-12_SugDif.dat
Tide Surg.: HL2k4M12D365L00a_SugDif.dat
10
0.4
-40
0.3
-30
0.2
-20
0.1
-10
NOCK-TEN
MEARI
-5
NOCK-TEN
-0.1
10
-0.2
20
納坦（Nock-Ten）
TYPHOON-3 -0.3
陶卡基（Tokage）
TYPHOON-4
-10
0
-15
-0.4
6120
6480
6840
2K4' hrs.
7200
30
40
7560
Pressure Surge (hpa)
0
MEARI
0
HAIMA
W-E Wind Spd. (m/s)
5