時雨量系集預報之即時誤差修正

Abstract

氣象領域常採用weather research and forecasting (WRF)模式進行雨量預報，惟其預報結果會隨模式參數而變動，對真實雨量常有不準確的估計。若能有效修正WRF系集預報資料，則可減少預報誤差以提高模式準確度。為此，本研究以雷達估計雨量為觀測值，計算WRF系集預報資料與觀測值之間的雨量誤差。並採用二種不同的機器學習法，支撐向量機與隨機森林，學習WRF系集預報中大量網格預報雨量資料之誤差結構，建立即時誤差修正模式，以修正WRF系集預報在前置時間1至6小時之雨量預報。其中，本研究採二種建模方式配合機器學習法以建置即時誤差修正模式如下：(1)所有系集成員合併建立一個誤差修正模式(以下簡稱合併建模)，其係直接針對系集平均值進行誤差修正；(2)每個系集成員獨自建立誤差修正模式(以下簡稱獨立建模)，其係先針對個別WRF系集成員進行誤差修正，再取修正後預報值之平均。因此，本研究中即時誤差修正模式共有四種，分別為：支撐向量機搭配合併建模、支撐向量機搭配獨立建模、隨機森林搭配合併建模、隨機森林搭配獨立建模。分析結果顯示：合併建模與獨立建模有相似的表現，不同的建模方式於即時雨量預報修正之表現並沒有明顯差異，故於模式結構建議直接採用合併建模，不僅可降低模式複雜性，同時亦能縮減計算時間。此外，本研究所採用之二種機器學習法於大部分颱風事件中表現相近，且以評鑑指標(相關係數與均方根誤差)來看，二種方法皆可顯著地改善WRF系集預報雨量。其中，誤差修正模式於前置時間1至3小時之改善效果較佳，而前置時間4至6小時於部分颱風事件之改善能力則較不明顯。整體而言，本研究提出之即時誤差修正模式可有效提升WRF系集預報之準確度，改善雨量預報值低估之情況，但對於不同機器學習法間的差異則有待進一步地分析與比較。

Date of Award	2016 Jun 28
Original language	Chinese
Supervisor	Pao-Shan Yu (Supervisor)