107 地方特考三等 水利工程 水文學 考古題詳解

核心觀念

本題旨在考驗水文統計學中的卡方適合度檢定（Chi-Square Goodness-of-Fit Test），用於檢驗觀測資料（月雨量）是否服從特定的理論機率分布（常態分布）。核心公式與概念涵蓋：

1. 加權平均值（Weighted Mean）： $\bar{x} = \frac{\sum_{j=1}^{k} n_j \bar{x}_j}{N}$
2. 總樣本標準差（Total Standard Deviation）： 根據題目定義之標準差公式 $S = \sqrt{\frac{\sum_{i=1}^{N}(x_i - \bar{x})^2}{N}}$，利用組內變異（Within-group variance）與組間變異（Between-group variance）之平方和分解定理計算： $\sum_{i=1}^{N}(x_i - \bar{x})^2 = \sum_{j=1}^{k} n_j S_j^2 + \sum_{j=1}^{k} n_j (\bar{x}_j - \bar{x})^2$ $S = \sqrt{\frac{1}{N}\left[\sum_{j=1}^{k} n_j S_j^2 + \sum_{j=1}^{k} n_j (\bar{x}_j - \bar{x})^2\right]}$
3. 標準常態轉換與理論機率： $Z = \frac{x - \bar{x}}{S}$ 各組區間之理論機率為 $p_i = p(Z_{i-1} < Z \leq Z_i)$，其理論期望次數為 $E_i = N \times p_i$。
4. 卡方檢定統計量： $\chi_{\text{calc}}^2 = \sum_{i=1}^{k} \frac{(O_i - E_i)^2}{E_i}$
5. 自由度判定： 若將資料分為 $k$ 組，且利用樣本資料估計了 $m$ 個母體參數（此處估計了母體平均值 $\mu$ 與母體標準差 $\sigma$，共 $m = 2$ 個參數），則自由度為： $\nu = k - 1 - m$

解題方法

步驟一：計算總樣本數 $N$ 與樣本平均值 $\bar{x}$

由表 1-1 之發生月數加總可得總月數 $N$： $N = 38 + 20 + 21 + 18 + 15 + 10 = 122$

計算各組加權和 $\sum n_j \bar{x}_j$：

• 第 1 組（0–50 mm）：$38 \times 25 = 950$
• 第 2 組（50–100 mm）：$20 \times 62 = 1240$
• 第 3 組（100–150 mm）：$21 \times 105 = 2205$
• 第 4 組（150–200 mm）：$18 \times 132 = 2376$
• 第 5 組（200–250 mm）：$15 \times 192 = 2880$
• 第 6 組（$>250$ mm）：$10 \times 260 = 2600$

$\sum_{j=1}^{6} n_j \bar{x}_j = 950 + 1240 + 2205 + 2376 + 2880 + 2600 = 12251\text{ mm}$ $\bar{x} = \frac{12251}{122} \approx 100.42\text{ mm}$

步驟二：計算總樣本標準差 $S$

利用平方和分解公式計算 $\sum_{i=1}^{N}(x_i - \bar{x})^2$：

1. 組內平方和 $\sum n_j S_j^2$：

• 第 1 組：$38 \times 12^2 = 38 \times 144 = 5472$
• 第 2 組：$20 \times 22^2 = 20 \times 484 = 9680$
• 第 3 組：$21 \times 48^2 = 21 \times 2304 = 48384$
• 第 4 組：$18 \times 75^2 = 18 \times 5625 = 101250$
• 第 5 組：$15 \times 82^2 = 15 \times 6724 = 100860$
• 第 6 組：$10 \times 90^2 = 10 \times 8100 = 81000$ $\sum_{j=1}^{6} n_j S_j^2 = 5472 + 9680 + 48384 + 101250 + 100860 + 81000 = 346646$

2. 組間平方和 $\sum n_j (\bar{x}_j - \bar{x})^2 = \sum n_j \bar{x}_j^2 - N\bar{x}^2$：

• $\sum n_j \bar{x}_j^2 = 38(25^2) + 20(62^2) + 21(105^2) + 18(132^2) + 15(192^2) + 10(260^2)$
• $\sum n_j \bar{x}_j^2 = 23750 + 76880 + 231525 + 313632 + 552960 + 676000 = 1874747$
• $N\bar{x}^2 = 122 \times (100.418)^2 \approx 1230221.7$ $\sum_{j=1}^{6} n_j (\bar{x}_j - \bar{x})^2 = 1874747 - 1230221.7 = 644525.3$

3. 總平方和與標準差： $\sum_{i=1}^{N}(x_i - \bar{x})^2 = 346646 + 644525.3 = 991171.3$ $S = \sqrt{\frac{991171.3}{122}} = \sqrt{8124.36} \approx 90.14\text{ mm}$

步驟三：計算各組界線之 $Z$ 值、理論機率 $p_i$ 及期望次數 $E_i$

常態分布之連續區間延伸至兩端無窮大，各組臨界邊界點為 $50, 100, 150, 200, 250$ mm：

• $x = 50$：$Z_1 = \frac{50 - 100.42}{90.14} \approx -0.56 \implies \Phi(-0.56) = 1 - 0.7123 = 0.2877$
• $x = 100$：$Z_2 = \frac{100 - 100.42}{90.14} \approx 0.00 \implies \Phi(0.00) = 0.5000$
• $x = 150$：$Z_3 = \frac{150 - 100.42}{90.14} \approx 0.55 \implies \Phi(0.55) = 0.7088$
• $x = 200$：$Z_4 = \frac{200 - 100.42}{90.14} \approx 1.10 \implies \Phi(1.10) = 0.8643$

核心觀念

本題測驗水文學中降水資料缺測補遺（Estimation of Missing Precipitation Data）​的判斷準則與計算方法。

1. 判斷準則（$10\%$ 準則）： 設欲補遺測站（缺測站）為 $A$，其年平均降雨量（常態年雨量）為 $N_A$；周圍鄰近參考測站為 $i$（$i = B, C, D$），其年平均降雨量為 $N_i$。

• 算術平均法（Arithmetic Mean Method）：當集水區內所有鄰近測站之年平均降雨量與缺測站之差異均在 $10\%$ 以內（即 $\frac{|N_i - N_A|}{N_A} \le 10\%$）時適用。
• 常態比值法（Normal Ratio Method）：當鄰近測站中有任一測站之年平均降雨量與缺測站之差異超過 $10\%$（即 $\frac{|N_i - N_A|}{N_A} > 10\%$）時，因各測站受地形或微氣候之長期影響顯著，應採用常態比值法。

2. 常態比值法計算公式： $P_A = \frac{1}{M} \sum_{i=1}^{M} \left( \frac{N_A}{N_i} P_i \right) = \frac{N_A}{M} \sum_{i=1}^{M} \frac{P_i}{N_i}$ 其中：

• $P_A$：缺測站 $A$ 之降雨估算值（$\text{mm}$）。
• $M$：參與補遺計算之鄰近測站數（本題 $M = 3$）。
• $N_A$：缺測站 $A$ 之年平均降雨量（$\text{mm}$）。
• $N_i$：各鄰近測站 $i$ 之年平均降雨量（$\text{mm}$）。
• $P_i$：各鄰近測站 $i$ 在該暴雨事件之觀測降雨量（$\text{mm}$）。

解題方法

步驟一：判斷適用之補遺方法與原因說明

以缺測站 $A$ 之年平均降雨量 $N_A = 2650.4\text{ mm}$ 為基準，容許 $10\%$ 之差異臨界值為： $2650.4 \times 10\% = 265.04\text{ mm}$

檢驗各鄰近測站之年平均降雨量與 $A$ 站之偏差百分比：

• $B$ 站： $\frac{|N_B - N_A|}{N_A} = \frac{|2326.4 - 2650.4|}{2650.4} = \frac{324.0}{2650.4} \approx 12.22\% > 10\%$
• $C$ 站： $\frac{|N_C - N_A|}{N_A} = \frac{|2607.2 - 2650.4|}{2650.4} = \frac{43.2}{2650.4} \approx 1.63\% \le 10\%$
• $D$ 站： $\frac{|N_D - N_A|}{N_A} = \frac{|2884.0 - 2650.4|}{2650.4} = \frac{233.6}{2650.4} \approx 8.81\% \le 10\%$

結論與原因： 因 $B$ 站年平均降雨量與 $A$ 站之相對偏差達 $12.22\%$，已超過 $10\%$ 的門檻限制，顯示各測站間存在系統性的水文環境差異。因此，不可採用算術平均法，應以常態比值法（Normal Ratio Method）​估算 $A$ 站雨量最為合理。

步驟二：計算 $A$ 站暴雨事件降雨量

已知 $M = 3$（$B$、$C$、$D$ 三站），代入常態比值法公式： $P_A = \frac{N_A}{3} \left( \frac{P_B}{N_B} + \frac{P_C}{N_C} + \frac{P_D}{N_D} \right)$

核心觀念

本題旨在測驗考生在現代水文資訊學與智慧防災體系中，對水文模式分類及數據驅動模式（Data-Driven Models）​應用於「降雨—逕流推估」的整體認知，主要包含三大觀念：

1. 傳統水文模式與人工智慧模式之比較：

• 傳統物理機制／概念型模式（如 HEC-HMS、SWMM、Tank 模式等）：基於連續方程式與動量方程式（或水滴在土層的質量平衡），需大量集水區地文參數（如曼寧糙度 $n$、土壤入滲率、導水係數、孔隙率等）。其限制在於參數檢定（Calibration）繁複、常面臨「參數不唯一性（Equifinality）」困境，且在複雜偏微分方程數值求解時耗費運算資源。
• 人工智慧／類神經網路（ANN）模式：屬於黑盒子或灰盒子之數據驅動系統，利用非線性轉換逼近集水區的非線性降雨—逕流反應，具備即時預警運算極快、高度容錯與能整合多維度感測資料之特點。

2. 類神經網路（Artificial Neural Networks, ANN）架構： 典型的多層感知機（Multilayer Perceptron, MLP）或遞迴神經網路（RNN/LSTM），其結構包含輸入層（Input Layer）、隱藏層（Hidden Layer）​與輸出層（Output Layer）。節點間之轉換關係為： $y_j = f\left(\sum_{i=1}^n w_{ij} x_i + b_j\right)$ 其中 $x_i$ 為輸入因子，$w_{ij}$ 為權重，$b_j$ 為偏差（Bias），$f(\cdot)$ 為非線性活化函數（Activation Function，如 Sigmoid、Tanh、ReLU）。
3. 降雨—逕流模式的系統因子映射： 逕流歷程受降雨時空分佈、降雨前土壤含水狀態（Antecedent Soil Moisture）及河道槽蓄效應影響，必須在輸入因子中納入延滯效應（Time Lag）。

解題方法

本題為標準的申論與繪圖題，解答應以系統化結構分為三大段落切入：

1. 優點論述：緊扣「防災預警」與「物聯網／大數據」背景，從模式架構、非線性能力、運算時效、資料融合等面向條列對比傳統模式。
2. 架構繪圖：繪製出清晰完整的神經網路架構圖（ASCII 圖），清楚標註輸入層、隱藏層、輸出層，以及訓練優化（反向傳播）迴路。
3. 因子解析：詳細說明水文學理上，各輸入因子（氣象、前期水文、地文）與輸出因子（未來逕流量／水位預測）所代表的物理意義。

評分要點解析（本題為申論題，非選擇題）

本題閱卷評分著重於回答內容是否切合水文工程實務：

• 子題一：AI 取代傳統模式之優點評析
• 是否點出集水區降雨逕流為「高度非線性系統」？
• 是否強調防災預警首重「推論運算時間極短（低延遲、高即時性）」？
• 是否提及能克服傳統模式地文參數難以現場量測及率定的缺點？
• 子題二：降雨—逕流模式架構圖評析
• 架構圖是否包含明確之拓撲層級（輸入層、隱藏層、輸出層）？
• 是否畫出損失函數（Loss Function）與反向傳播（Backpropagation）參數修正機制？
• 子題三：輸入與輸出因子選擇評析
• 輸入因子是否包含「時間延滯（Time Lag）之降雨」與「前期流量／水位（反映前期土壤濕度 API）」？
• 輸出因子是否標明「未來預見期（Lead Time）之流量或水位」？

解題技巧

1. 破題關鍵詞：寫作時務必突顯「非線性映射能力（Nonlinear Mapping）」、「即時預警時效性（Real-time Processing Speed）」、「免除繁複實地參數調查」及「前期土壤含水量指標（API）的代表因子」。
2. 常見盲點與失分陷阱：

• 陷阱一：誤以為神經網路訓練快。事實上，AI 模式在「離線訓練（Offline Training）」階段十分耗時，其優勢在於訓練完成後之「在線推論（Online Inference）」僅需矩陣乘加運算，達毫秒級輸出，這才是滿足防災預警的關鍵。
• 陷阱二：輸入因子只寫「降雨量」，漏掉「前期降雨」與「前期流量」。集水區具有記憶性（Memory Effect），若未納入時間延滯因子，模式將完全失去推估洪峰到達時間與基流變化的能力。
• 陷阱三：輸出因子未指名「預見期（Lead Time, $t+\Delta t$）」。防災預警之目的在於「提早發布避難警戒」，若輸出僅為當下 $t$ 時間之流量，則失去預警意義。

【答案】

一、以人工智慧（如類神經網路）取代傳統水文模式之優點

在物聯網（IoT）即時感測與水文大數據環境下，應用人工智慧（AI / ANN）建置防災預警模式具備下列顯著優點：

1. 強大的高度非線性映射能力（Nonlinear Mapping）： 降雨—逕流反應涉及複雜的非飽和層入滲、窪蓄、蒸發散與明渠非定常流，呈現高度非線性與滯後特性。傳統單位歷線（Unit Hydrograph）基於線性與非時變假設，誤差較大；AI 模式透過多層隱藏層與非線性活化函數，能極佳地逼近任意複雜之非線性水文歷程。
2. 無需繁複難測的地文物理參數與簡化假設： 傳統物理機制模式（如 HEC-HMS、SWMM）需率定集水區曼寧糙度係數、土壤飽和導水係數、基岩深度等大量參數，常遇「同效異構（Equifinality）」之參數率定困難。

核心觀念

本題測驗集水區水文分析的核心理論，包含以下要點：

1. 有效降雨量（淨雨量）計算： 各時段之有效降雨強度 $i_e$ 為降雨強度 $i$ 扣除入滲率 $f$，即 $i_e = i - f$（若 $i < f$ 則取 $0$）。時段有效降雨深為 $P_e = i_e \times \Delta t$。
2. 單位歷線（Unit Hydrograph, UH）之線性系統理論：

• 比例性（齊次性）：直接逕流量與有效降雨量成正比。依台灣國家考試慣例，單位歷線所代表之單位有效降雨量基準為 $1\text{ cm}$。
• 疊加性：不同時段有效降雨所產生之逕流歷線，在時間軸上平移對應時距後可直接線性疊加。

3. 河道水力傳遞（純延遲平移，Translation Lag）： 題目未給定河道蓄水擴散參數（如 Muskingum 參數 $K, X$），因此水流自上游出口 1 至下游出口 2 的傳遞視為純平移運動，傳遞時間 $t_r = 1\text{ hr}$。上游 A 區到達出口 2 之流量歷線為其在出口 1 之歷線向後平移 $1\text{ hr}$： $Q_{A \to 2}(t) = Q_A(t - 1.0\text{ hr})$
4. 出口總逕流合成： 集水區出口 2 的總流量歷線為下游 B 區直接逕流歷線與上游 A 區延遲逕流歷線的線性疊加： $Q_2(t) = Q_B(t) + Q_{A \to 2}(t)$

解題方法

步驟一：計算各時段 A、B 子集水區之有效降雨深 $P_e$

各時段時距均為 $\Delta t = 0.5\text{ hr}$：

步驟二：捲積計算 A 子集水區在出口 1 之直接逕流歷線 $Q_A(t)$

A 區 $0.5\text{ hr}$ 單位歷線為 $U_A(t)$，各時段流量依 $Q_A(t) = \sum_{m=1}^{3} P_{e,Am} \cdot U_A(t - (m-1)\Delta t)$ 計算：

• $P_{e,A1} = 4.0\text{ cm}$ 作用於 $t = 0\text{ hr}$：歷線為 $4.0 \times U_A(t)$
• $P_{e,A2} = 14.5\text{ cm}$ 作用於 $t = 0.5\text{ hr}$：歷線為 $14.5 \times U_A(t - 0.5)$
• $P_{e,A3} = 3.5\text{ cm}$ 作用於 $t = 1.0\text{ hr}$：歷線為 $3.5 \times U_A(t - 1.0)$

分項計算如下表（單位：cms）：

步驟三：平移計算 A 區逕流到達出口 2 之歷線 $Q_{A \to 2}(t)$

因水流從 1 至 2 需時 $1\text{ hr}$，故將 $Q_A(t)$ 整體向後平移 $1.0\text{ hr}$（即延後 2 個時階）： $Q_{A \to 2}(t) = Q_A(t - 1.0)$

• 當 $t < 1.0\text{ hr}$ 時，$Q_{A \to 2}(t) = 0$。

步驟四：捲積計算 B 子集水區在出口 2 之直接逕流歷線 $Q_B(t)$

B 區 $0.5\text{ hr}$ 單位歷線為 $U_B(t)$：

• $P_{e,B1} = 3.0\text{ cm}$ 作用於 $t = 0\text{ hr}$：歷線為 $3.0 \times U_B(t)$