工程研究

區域性排水防洪預警系統應用探討

摘   要

在防災體系中水患之防治，與降雨頻率、區內排水系統設計標準、聯外水路容量及區外防洪標準等因素有關，在諸多不確定因素下，水患發生必然有其風險性存在，故本文之目標在規劃建構一套運作模式，透過對區內雨量及排水系統水位即時監測資訊，利用電腦圖形及水文數據資料進行分析及預測，提供相關資訊供管理單位作為決策之參考，使得區內排水在設計標準內能經常保持正常運作，對於超頻率之降雨亦能隨時掌控排水狀況，適時發布警訊提醒區內廠商，採取適宜之緊急應變措施，使廠商損失降至最低。文中以台南科學工業園區為例，介紹園區排水防洪標準、排水設施及監測預警系統，並應用類神經網路模式架構之水位預報模式，經由2002年7月至2003年7月間為期一年之實測資料訓練及測試，有效預測2003年8月之雨量-水位變化，未來可經由持續建置觀測資料及訓練測試模式，提高預測精度及預測時間，使本預警系統更具實用價值。

一、前  言

排水防洪設施是防災基礎建設之一，主要為降雨時，排除地表雨水逕流，使得都市免於積水之患，所能排除的地表逕流量，受限於都市建設中排水防洪建設經費，在台灣因都市不同的型態，對水患防護的標準會有不同，一般都市雨水下水道建設的標準為排除再現期三年或五年一次降雨所產生的逕流量，在重要工業區或科學園區亦有提升至再現期二十五年一次降雨所產生的逕流量之例。由於防災體系中，水患防治與降雨頻率、區內排水系統設計標準、聯外水路容量及區外防洪標準等因素有關，在諸多不確定因素下，水患發生必然有其風險性存在，因此如能於排水防洪硬體建設完成後，輔以防洪資訊監測及預報等軟體建設，使管理維護防救災單位迅速掌握正確的資訊，期能將災害減至最低。

對於都市或工業區雨水下水道之研究，以往多注重調查、模擬與檢討，在水理模擬方面已獲致相當好的成果，也廣泛應用於台北市及許多新開發地區的模擬檢討，然而在預測方面之研究較少有深入之探討，主要因雨水下水道系統集流時間太短，水理模式計算時間較長，無法及時發出警告訊號，故實用價值不大。若能配合適當之雨量計、水位計等即時監測系統，再輔以運算時間快速，能以有限之即時監測資料反映實際狀況之預測模式，應可在豪大雨來臨時進行預測，提早發出警報，擬定緊急應變措施，俾能對園區廠商提供更進一步保障。本文目的在建構一套區域性排水防洪預警監測系統，並以實際應用例為說明，以供相關防災預警系統參考。

二、台南科學工業園區排水系統

台南園區之台南基地第一期工程面積638公頃(二期擴建區400公頃)，現有排水系統分別屬於大洲排水及鹽水溪排水兩大系統。大洲排水路以東約126公頃屬鹽水溪支流大洲排水路排水區，大洲排水幹線長度9.5公里，流域面積3,413公頃，園區開發位於該流域中、下游位置較低處；大洲排水路以西約490公頃屬鹽水溪排水路及其支流安順寮排水路上游排水區，鹽水溪排水路幹線長度19公里，流域面積11,445公頃，安順寮排水路為鹽水溪排水支流，長度約10公里，流域面積2,090公頃。台南園區鄰近排水系統分佈及相互關係如圖一所示。

園區內排水設計保護基準幹線採25年一次之洪峰流量，支線及路邊收集系統採10年一次之洪峰流量，滯洪池設計容量採50年一次之一日暴雨入流量，扣除滯洪池出口流量(採開發前 10年一次之洪峰流量）。廠房樓地板高程採用100年一次之一日暴雨量產生之水位，並建議依廠房之重要性酌加30~50公分。區外排水則採10年一次之洪峰流量。園區內計畫設置四座滯洪池A、B、C、D，總用地面積約45公頃，總調洪量約104萬立方公尺，，除可蓄留園區內因開發行為增加之洪水，以避免造成下游危害外，並藉由滯洪池D之容量及永久抽水站(每秒抽排20立方公尺洪水)，可提供鄰近北三舍地區約188公頃集水面積之排水防洪功能，台南園區一期排水系統如圖二所示。

三、降雨及排水系統即時監測預報系統

(一)降雨及排水系統監測規劃

降雨形成之地面水藉由涵渠收集後流向低處積聚，如豪雨集中促使地面承受水量累增，當排水渠路渲洩不及、堵塞或下游滯遲倒流等，將導致地面水流漫淹形成災害。因此，為防範災害衍生，乃配合園區排水系統分佈設立排水系統監測及防洪預警中心。藉由現場涵渠水路檢測以進行平時及暴雨期間區內各排水系統水位監測及分析作業，配合水位觀測系統，提供區內各排水路及集水區水位監測及預報系統所需之資料，並經由園區權責(管理維護與防災)單位統一指揮管理進行預報及防災應變工作，俾降低區內豪雨時期洪災發生與淹水損失。

計畫之區域排水系統監測及防洪預警監測系統，包括依園區各集水區排水路與滯洪池排放系統水位監測(34處)、區內降雨量監測(2處)、大洲排水路水位及防洪閘門遠隔操作(6處)，構件為園區排水及防洪預警監控系統，並以污水處理廠暫訂為中央監控管理中心，未來將移設於防洪抽水站，利用及配合現場檢測資訊傳輸、監控中心數據收集、顯示及記錄並提供預警分析等。主要架構如下：

(1)現場檢測點/操作點：雨量量測站、水位量測站、閘門操作。

(2)信號傳輸：量測資料、操作指令、訊號傳輸品質及保護等通訊網路介面及設備。

(3)監控及預報中心：傳輸訊號接收、指示及記錄、資料彙整及分析、預報作業。

佈置於現場水位檢測站其檢測水位數據採連續式，配合水位預報模式分析需要，每六分鐘傳輸一筆資料。

現場水位量測數據經由傳訊介面裝置，可自動傳訊至監控中心系統主機，進行即時顯示與記錄，當降雨產生水位達到預設警戒值時，可經由監控中心預設警報裝置產生警示並顯示於監控板上，且立即傳訊至園區權責(管理維護與防災)單位以統一指揮，就近直接進行排水涵渠疏通或提供防災應變處置。

(二)水位預報系統

1. 水位預報模式研選

園區之雨水下水道屬於小型集水區，小集水區的預測模式有別於大集水區，一般傳統預測模式之水文模式或水理模式，需花甚多時間進行相關參數調整，若集水區的地形水文等物理特性改變，模式的重新設定將甚繁複且專業，因此小集水區之預測模式，除了預測本身之運算速度需快速外，對於集水區地形水文特性之變化亦須能隨時掌握，故模式須具有學習能力，配合即時監測資料做各種時段之預測。

類神經網路是一種並行的計算模式，能進行非線性運算，有很強的自學習及自適應能力，亦是一種大規模的複雜系統，內部有大量可調參數，有高度的靈活性；同時亦是一種高度並行處理信息的機制，具有高速運算的能力。本研究係應用類神經網路理論中倒傳遞演算法之學習能力，建立一個三層（輸入、隱藏、輸出）之類神經網路模式，模擬並預測雨水下水道中非線性之水文現象。模式以雨量站、下水道系統中有限之水位站及下游出口抽水站或調洪池等監測資料做為輸入，以預測未來時刻可能發生之水位。

模式以實際雨水下水道系統為例，以2002年7月至2003年7月一年之雨水下水道系統實測資料，做為類神經網路模式訓練及測試之用；模式分別預測未來第6分鐘、第12分鐘及第18分鐘之水位值，並以2003年8月所發生之一場降雨記錄作為模式預測驗證之用。

2. 水位預報模式實例分析

以園區排水分區A、B集水區為範圍，其集水面積分別為100.48及325.41公頃。排水系統出口前設有一滯洪池，滯洪池A面積約5公頃、滯洪池B面積約15公頃，經滯洪池調節後流入下游排水路。於滯洪池出、入口及滯洪池本身以及上游人孔處設置水位監測站，並預測各監測站之水位，各排水分區示意圖如圖三所示。

應用倒傳遞類神經網路模式(Back-propagation Network)架構水位預測模式，其輸入層有4個變數，隱藏層有2個變數，輸出層則有3個變數；輸入層之變數包括有分別6分鐘前及目前之降雨強度變化量及人孔水位變化量，輸出層之變數則為所預測之第6分鐘、第12分鐘及第18分鐘後之各人孔水位變化量ΔH(t+1)、ΔH(t+2)及ΔH(t+3)，以目前水位加上所預測之水位變化量即得出預測之水位值。系統模式架構如圖四所示。

整理2002年7月至2003年7月間實測之7場降雨記錄及人孔水位資料，作為預測模式之訓練及測試樣本，藉模式調整參數進行訓練及測試工作，直到能量誤差達到一收斂值為止，其流程如圖五所示。

為確定模式在區域中之適用性，以提高模式之信賴度，需對模式作驗證。本研究中乃以效率係數與體積誤差為評估標準，以驗證模式之精確度。其使用方法及結果如下：

(1)效率係數(CE)：

                                                                         (1)

式中，   ：推估水位值；

：觀測水位值；

    ：觀測水位平均值。

(2)體積誤差(VER)：

                                                                                                               (2)

式中，      ：推估水位值；

：觀測水位值；

Dt      ： 演算時距。

(3)水位高峰發生時間稽延(L_p) ：

預測水位高峰發生時間與實測水位高峰發生時間之間隔差距。

以2003年8月實測之降雨、水位記錄作為模式預測驗證之預測驗證範例，茲將所得到之結果說明如下：

(1)表1為類神經網路模式預測6、12及18分鐘後之各人孔水位所得結果比較。參數檢定結果分別以效率係數及體積誤差等兩項校驗標準，研判及比較所模擬之精度，模式預測之效率係數及體積誤差均以預測6分鐘後之水位H(t+1)結果為最佳、12分鐘後之水位H (t+2)次之、18分鐘後之水位H(t+3)最差；其中，以B5監測站預測水位之效率係數及體積誤差最小，A1監測站預測水位之效率係數及體積誤差最大。

(2)在模式進行預測時，其趨勢大致上頗為一致，尤其是在水位歷線之最初時段及退水時段最為平緩且相近。預測水位發生之高峰時間，與真實資料或有些許之差距，隨著所預測之時距的增大而產生較大之時間稽延，但各階段之平均水位高峰稽延時間均較所預測之時間間隔為短；其中，以A3監測站預測之水位平均水位高峰稽延時間最小，A2監測站預測之水位平均水位高峰稽延時間最大。

A1、A2、A3及B5監測站水位實測與各階段預測變化圖如圖六、圖七、圖八及圖九所示。

(三)降雨及排水系統監測預報雛形系統

排水監測預報系統架構係將降雨及排水系統監測計畫與水位預測模式作一結合，以預告即將發生之洪水大小(流量、水位)及洪水期間，使當地相關機構、民眾及廠商等能即時採取適當的避洪措失。本系統是配合監測計畫所獲得的雨量及水位資料來推估各處之流量及水位等，以提供預警避洪及運轉防洪設備，例如抽水站、滯洪池等。因此能正確且即時地提預報洪泛區之洪水位及儘可能拉長預告發生危急洪水位之預警時間，是本系統的目標。

1. 資源需求

在未來推展本排水監測預報系統時，因系統開發需求及資料維護需要，故必須結合預測模式及相關設備、遙測及遙控設施等軟硬體。在規劃上應配合資訊系統架構，並具有開放性及整合性，以便日後能使本系統符合資料共享的整體作業環境，且亦須考量軟硬體市場現況及發展應用趨勢。故本系統模式採用類神經網路模式(ANN)配合硬體監測資料的輸入，並以程式語言開發出符合使用者的操作介面。

2. 系統功能規劃

(1) 檔案管理

a. 本系統採用Access資料庫存放資料，將接收之監測水位站、雨量站等即時傳輸資料，自動存放於已建置好的Access資料庫中。

b. 自動將類神經網路模式即時預報之各項水文資訊存放於水文預報資料庫中。

(2) 資訊顯示

a. 即時顯示：

即時顯示水文資訊於圖面，使用者可以清楚地看到各分區水文監測站之水文即時資訊。

b. 圖示點選：

於圖面上點選監測站即可顯示所選監測站之即時資訊，方便使用者查詢資訊。

c. 分類顯示：

即時監測資訊依各集水區進行分類顯示，將同一集水區之資訊以同一色系表示。淺藍色代表A區、淺綠色代表B區、粉紅色代表C區、淺黃色代表D區、淺紫色代表大洲排水路、其他顏色則分別代表其他排水分區。

d. 警告訊息：

若水位監測站之水位高於涵渠之80%時，就將該站之圖示改變為警示圖示，並於發生後前三秒發出聲響提醒使用者注意，警示圖示則於監測水位值低於警戒值後恢復為正常圖示。

(3) 即時預報

系統應用類神經網路進行水位預報，除顯示各水位監測站之預報資料，亦即時計算顯示各預報值與真實值之誤差，供使用者操作時的參考依據。

(4) 資料繪圖：

將已記錄之即時監測資訊與預報資料一併繪圖，使用者可依需要選擇繪製不同時間長度的資料。

3. 系統執行簡介

「台南科學園區排水系統監測預報雛形系統」提供使用者各項即時監測資訊及預報水位。以2003年8月之實測降雨及水位資料製作成測試檔，模擬系統接收之即時傳輸監測資料測試系統的執行能力。現已完成之預測系統包括有A、B兩個排水分區。各集水區之即時接收資訊於圖面上各監測站旁顯示，系統執行畫面見圖十所示：

圖十中，「南科平面圖」下方列有目前的日期、時間，左下方列有水位站、雨量站之代表圖示，右上方為指北針及比例尺，上方文字窗顯示所選之站名。系統於自訂時間內自動執行接收及預報工作，系統接收到水文資訊後，即以建置好之類神經網路模式進行水文預報工作。

於執行期間若點選B1監測站，系統右側視窗即顯示出該監測站之即時資訊及預報資訊，並於右下方視窗繪製水位變化圖，如圖十一所示：

水位變化圖中，藍線表示即時傳輸資料記錄，紅色虛線表示預報未來第6分鐘之記錄，紅色實線表示現在時刻預報之未來第18分鐘之水位資訊。縱軸標示水位，單位為公尺，淺藍色粗線表示涵渠高程及涵渠高程；橫軸標示時間，單位為次/6分鐘，負號代表過去的時間，0代表目前時間，1、2、3分別表示未來6、12、18分鐘之預報水位。使用者可依需要繪製不同記錄時間內之資訊，圖十二為使用者繪製120分鐘內的水位變化圖。

四、結論

工業園區排水系統若能完善地進行維護管理工作，確保排水系統的功能運作正常，則工業園區積水災害的發生機率和規模就可以減少至最低，保障區內人員及財產之安全。透過「降雨及排水系統即時監測預報雛形系統」，即時顯示及預報工業園區內的水文情況，提供管理維護單位最具參考價值之資訊，管理維護單位可以即時預警操作，以消減工業園區內積水災害發生之機率及其規模。

本系統應用類神經網路模式架構之水位預報模式，經由2002年7月至2003年7月間為期一年之實測資料訓練及測試，可以有效預測2003年8月之雨量-水位變化，各水位監測站之第6分鐘水位預測值與實際值之誤差非常小，平均預測水位高峰之稽延時間也可以在預測之時距內，表示此模式於預測第6分鐘之水位結果佳，極具參考價值。而第12分鐘及第18分鐘之水位預測值則隨著預測時間之增大而逐漸有誤差值變大以及平均預測水位高峰之稽延時間變大之結果，使得其參考價值較低，為使管理單位可以有更充分之時間從事即時預警操作工作，未來可經由持續建置觀測資料及訓練測試模式，提高預測精度及預測時間，使本預警系統更具實用價值。

五、參考文獻

(1) S.J.Nowlan, G.E.Hinton, Simplifying neural networks by soft weight-sharing, Neural Comput. 4, pp.473-491,   

     1992.

(2) Takagi, H., and Hayashi, A., NN-driven fuzzy reasoning, International Journal of Approximate Reasoning. 5,

      pp.191-212, 1991.

(3) Hush, D.R., and Horne, B.G., "Progress in supervised neural networks", IEEE Signal Processing Magazine,

      pp.8-39, 1993.

(4) 經濟部水資源局，台南科學園區完成區內外排水功能評估及改善計畫規劃報告，1999。

(5) 葉怡成，類神經網路模式應用與實作，儒林圖書有限公司，1993。

(6) 大川昌俊，「雨水排水計畫-雨量情報利用」，下水道協會誌，Vol.34，No418，pp.19-23，1997。

(7) 張斐章、胡湘帆、黃源義，「應用模糊類神經網路於流量推估之研究」，八十六年度農業工程

     研討會，pp.37-43，1997。

(8) Visaul Basic 6 程式設計聖經，和碩科技，1999。

(9) 中華顧問工程司，「科學園區排水防洪設施維護管理計畫暨防洪預警系統規劃建置」期末報告

     1999。

< < < < < < < < < < < < < < < < < < < < < < 回目錄< < < < < < < < < < < < < < < < < < < < <