近年隨著氣候變遷的影響，極端天氣事件發生的頻率和強度增加，並常在臺灣雨量最豐沛的汛期時，因梅雨、颱風以及對流雨興盛，致使發生積淹水機率逐年增加。目前水利署因應淹水災害而研訂的警戒參考標準，給定不同區域（鄉鎮或鄰里）在以單位小時之降雨量，訂定各區域之降雨淹水警戒值，並配合即時雨量觀測（如QPESUMS）以及全臺灣各地實際降雨狀況研判因應。然而因現今警戒系統流程相對耗時，能提前發佈預測與相對災害風險之警戒仍有改善之空間。
為發展更完善於警戒標準區域之積淹水災害預警方法，本研究收集在2014至2018年間，臺北市淹水總次數紀錄最高之區域－松山區中華里之即時雷達回波觀測圖及歷年時雨量資料，爾後採用類神經網路中自組織特徵映射（self-organizing feature maps, SOM）的分群演算法，依序訓練長安國小站及民生國中站之災區相近測站，建立研究區域之三維空間雷達回波數據和雨量實況觀測的關係，並利用聚類演算降訓練資料維度來進行群聚分析，對應出拓樸圖中致災風險與降雨範圍之關係，並採用K-means分群 (Clustering)有效地辨識在多變量數據中之致災特徵。
研究結果顯示，經由自組織特徵映射分群後，將淹水災害事件進行挑選，結果顯示雷達回波分類與發生災害和極端降雨事件的機率相關性極高；除此之外，SOM各個神經元亦能呈現出機率降雨範圍。接續K-means-SOM分類雷達空間的降雨致災特徵結果也表現顯著，藉由Nest-SOM最後訓練可調降降雨警戒閥值至40毫米並產生未來1至3小時之機率淹水警戒。此研究期待能加強鄰里區域之小尺度淹水預警準確度，並提供當地居民相關洪災風險機率分析，來提升及健全面對未來極端降雨之調適能力。 |
