應用機器學習法於QPESUMS即時雨量預報

Abstract

本研究旨在應用支撐向量機及隨機森林兩種機器學習法於中央氣象局QPESUMS (Quantitative Precipitation Estimation and Segregation Using Multiple Sensors)劇烈天氣系統所提供之雷達估計降雨資料，建立雨量預報模式以提供一即時預報資訊。本研究針對六場颱風事件，以翡翠水庫、德基水庫及曾文水庫三個水庫集水區為研究區域，建立各颱風事件前置1至3小時之即時雨量預報模式。其中為改善即時雨量預報模式之表現，測試不同可能輸入變量，包含各水庫集水區網格之雷達估計降雨、網格坐標、網格高程以及颱風因子(颱風中心位置、颱風中心與網格位置之距離)。此外，本研究比較兩種建模方式於預報之表現，分別為(1)建模方式一：前置1至3小時預報模式為各小時使用相同模式與(2)建模方式二：前置1至3小時預報模式為各小時獨立建模，分析結果顯示，建模方式一於即時雨量預報有較好之表現。以相關係數和均方根誤差來看，前置1小時，兩種機器學習法皆有不錯的表現。而前置2至3小時，針對小雨量的部分，隨機森林之預報值容易有低估現象，其相對係數較低，且均方根誤差較高；針對大雨量的部分，支撐向量機則有高估或低估問題，但就整體預報結果來看，支撐向量機之預報雨量有較好的表現。最後，為驗證即時雨量預報模式之準確度及可靠度，將預報結果和地面雨量站觀測值進行分析比較，比較結果顯示，支撐向量機表現較好，而隨機森林則有較嚴重之低估情況。

Date of Award	2016 Jun 29
Original language	Chinese
Supervisor	Pao-Shan Yu (Supervisor)