![]() |
|
以作者查詢圖書館館藏 、以作者查詢臺灣博碩士 、以作者查詢全國書目 、勘誤回報 、線上人數:89 、訪客IP:3.15.12.112
姓名 翁正剛(Jheng-Gang Wong) 查詢紙本館藏 畢業系所 資訊工程學系 論文名稱 利用機器學習預測濁水溪沖積扇區域之地下水位
(Using Machine Learning to Predict Groundwater Level in Choushui River Alluvial Fan Area)相關論文 檔案 [Endnote RIS 格式]
[Bibtex 格式]
[相關文章]
[文章引用]
[完整記錄]
[館藏目錄]
至系統瀏覽論文 ( 永不開放)
摘要(中) 地下水資源為台灣重要的用水來源,近年來由於台灣濁水溪沖積扇區域的嚴重超抽地下水,造成濁水溪沖積扇的地層下陷,因此預測地下水位變化是很重要的。有許多關於地下水資源的研究,但這些研究所使用的資料都沒有實際地下水抽取量的資料,有研究指出真實的地下水抽取資料,可以用抽地下水時所會用到的抽水馬達的用電量,來推估地下水抽取量。本研究以線性回歸(Linear Regression)、支持向量機(Support Vector Machine)、隨機森林(Random Forest)和人工神經網路(Artificial Neural Network)等不同的機器學習演算法,建構預測台灣濁水溪沖積扇區域地下水位變化之模型;本研究的特徵資料為約16萬多個分布於濁水溪沖積扇區域的電錶用電資料,以此資料進行機器學習演算法的建模,預測濁水溪沖積扇區域之第一和第二含水層的39個觀測井未來的地下水位。找取每口觀測井之最佳資料貢獻半徑,以提升模型表現。由於第一含水層與第二含水層的地下水變化之相關性低,所以將屬於第一含水層和第二含水層的觀測井個別分開進行實驗
。結果表示對於第一和第二含水層的未來30天每一天平均地下水位之預測各別可達MSE為0.998, 1.508、R^2為0.995, 0.996。摘要(英) In recent years, due to the severe over-extraction of groundwater in the area of the alluvial fan of the Turbidity Creek in Taiwan, the formation of the alluvial fan of the Turbidity Creek has subsided. Therefore, it is important to predict the change of the groundwater level. There are many studies on groundwater resources, but the data used in these researches does not have data on actual groundwater extraction. Some studies have pointed out that real groundwater extraction data can use the power consumption of the pumping motor that will be used when pumping groundwater. To estimate the groundwater extraction. This research uses different machine learning algorithms such as Linear Regression, Support Vector Machine, Random Forest and Artificial Neural Network. Construct a model to predict the change of groundwater level in the area of the alluvial fan of Choushui River in Taiwan. The characteristic data of this study are more than 160,000 meters of electricity consumption data distributed in the area of the alluvial fan of Choushui River, which is used to model the machine learning algorithm to predict the first and second aquifers in the area of the alluvial fan of Choushui River. Of the 39 observation wells of the future groundwater level. Find the best influence radius of each observation well to improve the model performance. Since the correlation between groundwater changes in the first aquifer and the second aquifer is low, the observation wells belonging to the first aquifer and the second aquifer are separately modeled. The results indicate that the average groundwater level for each of the first and second aquifers in the next 30 days can be predicted to reach MSE of 0.998 and, 1.508, respectively. The results of R^2 are 0.995 and, 0.996, respectively. 關鍵字(中) ★ 地下水位
★ 濁水溪沖積扇
★ 機器學習
★ 類神經網路
★ 支持向量機
★ 線性回歸
★ 隨機森林關鍵字(英) ★ Groundwater
★ Choushui River Alluvial Fan
★ Machine Learning
★ Artificial Neural Network
★ Support Vector Machine
★ Linear Rergression
★ Random Forest論文目次 摘要 i
Abstract ii
致謝 iii
目錄 iv
圖目錄 v
表目錄 vii
第一章 緒論 1
1-1 研究背景 1
1-2 文獻回顧 2
1-3 動機 6
1-4 目的 6
第二章 材料和方法 7
2-1 資料介紹和資料前處理 7
2-2 機器學習演算法 13
2-2-1 線性回歸 14
2-2-2 支撐向量機 14
2-2-3 隨機森林 15
2-2-4 人工神經網路 17
2-3 評估指標 20
第三章 結果 21
3-1 實驗1結果 21
3-2 實驗2結果 27
3-2-1 實驗2-1結果 28
3-2-2 實驗2-2結果 33
第四章 討論和結論 38
4-1 討論 38
4-2 結論 41
參考文獻 42
附 錄 44參考文獻 [1] 楊偉甫, "台灣地區水資源利用現況與未來發展問題," 臺灣水環境再生協會, 用水合理化與新生水水源開發論壇, 2010.
[2] 台灣經濟部水利署. (2019). 水利署中文版全球資訊網-地層下陷狀況. Available: https://www.wra.gov.tw/cp.aspx?n=3679
[3] 陳建良, 江崇榮, 林燕初, and 景國恩, "濁水溪沖積扇近期地表變形觀測," (in 繁體中文), vol. 35, no. 1, pp. 15-31, 2016.
[4] 台灣經濟部水利署. (2019). 經濟部水利署 水利規劃試驗所-規劃工具與知識 水資源類 規劃工具 地下水數值模式. Available: https://www.wrap.gov.tw/pro71_main.aspx?type=0107000000&id=87
[5] 黃皇嘉, "自由含水層地下水位預測模型之建立-斗六地區," 碩士, 環境與安全工程系碩士班, 國立雲林科技大學, 雲林縣, 2003.
[6] 吳明昌, "時變性降雨對地下水位變動之研究," 碩士, 水土保持學系所, 國立中興大學, 台中市, 2016.
[7] 寧古蘭, "利用迴歸克利金法評估濁水溪流域地下水位與補注的時空交互作用," 碩士, 應用地質研究所, 國立中央大學, 桃園縣, 2018.
[8] 童偉安, "以類神經網路及複迴歸分析建構颱風降雨量及地下水位預測模式," 碩士, 水土保持學系所, 國立中興大學, 台中市, 2015.
[9] 陳昱昕, "倒傳遞類神經網路結合自組織映射圖網路於地下水位預測之研究," 碩士, 土木與水資源工程學系研究所, 國立嘉義大學, 嘉義市, 2014.
[10] 陳清田, 陳儒賢, and 劉寀蓉, "支撐向量分類結合類神經網路於地下水位預測之研究," (in 繁體中文), vol. 8, no. 3, pp. 128-139, 2013.
[11] S. Naghibi, K. Ahmadi, and A. Daneshi, "Application of Support Vector Machine, Random Forest, and Genetic Algorithm Optimized Random Forest Models in Groundwater Potential Mapping," Water Resources Management, vol. 31, 04/19 2017.
[12] S. Sahoo, T. A. Russo, J. Elliott, and I. J. W. R. R. Foster, "Machine learning algorithms for modeling groundwater level changes in agricultural regions of the US," vol. 53, no. 5, pp. 3878-3895, 2017.
[13] X. Wang, T. Liu, X. Zheng, H. Peng, J. Xin, and B. J. A. W. S. Zhang, "Short-term prediction of groundwater level using improved random forest regression with a combination of random features," vol. 8, no. 5, p. 125, 2018.
[14] 馮寶蓮, "地下水井抽水量推估之研究-以台南縣後壁鄉、安定鄉及高雄縣大樹鄉、林園鄉為例," 碩士, 環境與安全衛生工程所, 國立高雄第一科技大學, 高雄市, 2006.
[15] 林俊利, "地下開挖抽水與地下水位洩降之關聯性探討," 土木工程學系所, 國立中興大學, 2016.
[16] 侯信男, "彰化地區分層地下水位相關性分析," 碩士, 土木與水資源工程學系研究所, 國立嘉義大學, 嘉義市, 2014.
[17] 陳泰嘉, "分層地下水位相關性分析-以濁水溪沖積扇雲林地區為例," 碩士, 土木與水資源工程學系研究所, 國立嘉義大學, 嘉義市, 2015.
[18] 台灣經濟部水利署, "108年度地層下陷防治專案服務計畫," 2019.
[19] Y.-C. J. 交. Lin, "抽水試驗於滲漏含水層之洩降模式: 考慮延遲效應," pp. 1-39, 2018.
[20] F. Khademi, M. Akbari, S. M. Jamal, M. J. F. o. S. Nikoo, and C. Engineering, "Multiple linear regression, artificial neural network, and fuzzy logic prediction of 28 days compressive strength of concrete," vol. 11, no. 1, pp. 90-99, 2017.
[21] F. Pedregosa et al., "Scikit-learn: Machine learning in Python," vol. 12, pp. 2825-2830, 2011.
[22] 張斐章, and 張麗秋, "類神經網路導論:原理與應用," 蒼海書局, 2010.
[23] S. Haykin and N. J. N. n. Network, "A comprehensive foundation," vol. 2, no. 2004, p. 41, 2004.
[24] 台灣經濟部水利署. (1999). 濁水溪沖積扇地理環境概述. Available: http://pc183.hy.ntu.edu.tw/gwater/d0.php指導教授 洪炯宗 吳立青(Jorng-Tzong Horng Li-Ching Wu) 審核日期 2020-7-28 推文 plurk
funp
live
udn
HD
myshare
netvibes
friend
youpush
delicious
baidu
網路書籤 Google bookmarks
del.icio.us
hemidemi
myshare