台风结构资料之预报模型测试-气象科技研究-中央气象局.PDFVIP

颱風結構資料之預報模型測試 林宜霖 陳嬿竹 江宙君 台灣颱風洪水研究中心 摘 要 颱風除了挾帶豪雨，其強風亦可能帶來威脅 ，因此當預測 小時內颱風七級暴風圈可能 18 碰觸台灣陸地時，中央氣象局即對當地發布陸上颱風警報 。統計暴風半徑與其他氣象參數之 相關係數逐年變化，可知颱風強度和暴風半徑為正相關但並非一對一之關係 。氣象上常有非 線性的問題，除了數值天氣預報技術外，機器學習也是近年來可嘗試用在氣象問題之工具之 一。 研究將從機器學習的觀點討論颱風強度結構預報，利用常用的機器學習方法與氣象局颱 風警報單資料等 ，研究建置一簡易模型嘗試預報颱風之強度與結構分類，並與氣象模式得分 比較。校驗參數選用混淆矩陣(Confusion matrix) 中的準確率(Accuracy)與Kappa指數 ，文中將 說明簡易模型設置方法與初步結果。 關鍵字：颱風強度、暴風半徑 資料分作｢未來NT 小時颱風強度分級｣ ，及｢未 一、 前言 來NT 小時內七級風暴風圈登陸台灣與否｣ 。 機器學習的主要任務在於從大量資料中建立 本文第二章將說明資料與建模方法，第三章 迴歸、分類模型，好的分類(標籤)方法不僅有助 將介紹實驗設計，第四章為初步結果介紹，第 於使用者了解舊資料的特性，也應當能適切地 五章為結論與未來工作。 為新資料分類 。對應至氣象上則是藉由已知的 資料 ，透過機器學習方法建立模型 ，並協助使 二、資料說明與方法介紹 用者預報未來時間的天氣特性。 Zhang et al.(2013)選擇C4.5 決策樹方法，由 研究使用的資料為氣象局2014~2016 年之颱 2000 到2009 年JMA RSMC Tokyo 之最佳路徑 風海上及陸上警報單資料，自2014 年起之資料 與NCEP FNL 資料訓練建模，藉該時間之資料 筆數(與個案數)為119(3) 、224(6)和234(5) 。此 判斷太平洋上颱風路徑是否屬於轉向颱風 。模 外，颱風強度分級預報方面加入系集模式結 式最終建立出 18 種分類路徑，其中 11 種屬轉 果 ，藉此討論機器學習模型是否與系集模式有 向路徑，7 種屬非轉向路徑，訓練集的準確率平 可比較之預報能力。研究中系集模式平均定義 均為0.844 ，且颱風中心位置之經緯度係影響颱 有二 ，第一係指｢包含ECMWF 、NCEP 、WEPS 風轉向的關鍵之一。最終Zhang et al. (2013)以 和TAPEX 四個系集模式與警報颱風清單均質化 2010 年 14 個颱風個案作為測試集，可得路徑不 之結果｣ ，模式資料數目(與個案數)為 轉彎的颱風較容易被該模式預報。不過 ，以路 47080(5) ，結果如圖3 中Ensemble Mean ；第二係指｢ 徑轉向的Malakas(2010)颱風為例，模式在颱風 系集模式與警報颱風清單均質化後，再挑選初始 轉向前，幾乎每個時間點都指出颱風路徑會轉 時間在氣象局警報期間內之預報，最終將所有 向，僅藉由分類並無法明確地指出颱風轉