本研究嘗試改進颱風強度預報技術，採用Tsai and Elsberry(2014)颱風強度統計預報模式(Weighted Analog Intensity Prediction；WAIP)，配合SHIPS資料(Statistical Hurricane Intensity Prediction Scheme Development Data)之垂直風切、颱風可能最大強度(Maximum Potential Intensity；MPI)、海表面溫度(Sea Surface Temperature)、海洋熱容量(Ocean Heat Content)等大氣及海洋環境因子，建立五天颱風強度預報迴歸模式，探討WAIP加入SHIPS預報因子之改進程度，模式簡稱為WAIPs，此外，本研究亦測試了僅使用SHIPS資料建立統計預報模式之預報技術，將模式命名為SHIPSa，並分析SHIPSa模式在去除海洋熱容量相關預報因子後之預報技術，模式簡稱為SHIPSb。
本研究以2000~2007年之SHIPS資料為模式訓練組，透過逐步迴歸(Stepwise Regression)，選取重要性較顯著之預報因子。分析結果顯示，垂直風切在12~60小時之迴歸變數選入次序較為優先，但72~120小時之重要性逐漸降低。海洋熱容量則是在所有預報時段皆被納入迴歸模式，在逐步挑選變數時亦佔有一定的重要性。
  本研究另以2008~2012獨立個案資料之進行預報校驗測試。相較於原始WAIP模式而言，在加入SHIPS預報因子後，WAIPs在各預報時段皆較WAIP有較優之表現。以60小時~120小時為例，校驗資料R2值之預報改進百分比約19%~39%。相較於SHIPSa，WAIPs在60小時~120小時之校驗資料R2值改進百分比可達16%~30%；相較於SHIPSb，WAIPs於60~120小時預報可改進30%~48%。以RMSE(Root Mean Square Error)而言，WAIPs於各預報時段可改進WAIP、SHIPSa及SHIPSb最高可達11%、12.5%及15%。
  本研究亦特別分析RI (Rapid Intensification)個案之改進程度。校驗結果顯示，WAIPs之R2值在72~120小時預報改進最為顯著，相較於其餘模式，R2增幅皆可達到0.1以上。以108小時預報為例，WAIPs相較於WAIP、SHIPSa及SHIPSb之R2增幅分別為0.21、0.14、0.07。以MAE(Mean Absolute Error)而言，WAIPs約可改進WAIP 3 kt~7 kt，WAIPs於各預報時段之MAE較SHIPSa減少1 kt~3.5 kt，亦較SHIPSb減少1 kt~5 kt。RI個案之校驗RMSE亦有改進，WAIPs可改進WAIP約2 kt~7 kt，WAIPs於各時段預報之RMSE可比SHIPSa減少約1 kt~4 kt，     WAIPs於各時段預報之RMSE亦可比SHIPSb減少2 kt~11 kt。
WAIPs於各個地理位置之改進結果顯示，東經150o~160o、北緯10o~20o的範圍在24小時預報MAE可減少5.8 kt，且RMSE可減少5.5 kt。在72小時預報部分，東經140o~150o、北緯10o~20o範圍之MAE及RMSE可分別減少10 kt及10.5 kt，於台灣附近海域亦可減少2.9 kt及3.4 kt。在120小時預報的部分，改進較顯著區域為日本附近之海域，MAE及RMSE可分別減少3.3 kt及4.5 kt，台灣附近區域亦有2.2 kt及4.4 kt的改進。
  針對RI個案區域改進而言，研究結果顯示，WAIPs在各個區域的改進程度相當顯著。24小時預報改進最為顯著的區域台灣附近之區域(東經120o~130o、北緯20o ~30o)，MAE和RMSE可分別減少9.5 kt及9.9 kt，此外，東經150o ~160o、北緯10o ~20o的範圍，MAE和RMSE亦可分別減少8.2 kt及7.5 kt。以72小時預報而言，改進最為顯著的區域為東經120 o ~130 o、北緯30 o~40 o之範圍，MAE及RMSE分別可減少14.4 kt及13.6 kt。120小時之預報改進校驗顯示，台灣附近海域之改進效果較為顯著，MAE及RMSE可分別減少8 kt及10 kt，菲律賓西側海域之MAE及RMSE亦可減少7.2 kt及7.8 kt。

The purpose of this study is to improve the typhoon intensity forecast skill. A statistical five-day typhoon intensity prediction model called WAIPs is developed by adapting the Weighted Analog Intensity Predict model (WAIP; Tsai and Elsberry, 2014), and the environmental factors (e.g., vertical wind shear, maximum potential intensity, sea surface temperature, ocean heat content, etc.) obtained from the Statistical Hurricane Intensity Prediction Scheme (SHIPS) developmental data. The improvement of the forecast skill over the original WAIP model is investigated if the SHIPS predictors are included. In addition, a model that only uses the SHIPS predictors (named SHIPSa), and the SHIPSa without using the ocean heat content predictors (named SHIPSb) are also investigated.
  In this study, the SHIPS data from 2000 to 2007 are used as the training samples, and the predictors are selected by using the stepwise regression method. The analysis results show that the vertical wind shear should be used from 12 to 120 hours, but the importance decreases after 72 hours. Also, the ocean heat content is used in all forecast periods as revealed by the stepwise regression.
  The SHIPS data from 2008 to 2012 are used as the independent testing samples. As compared to the original WAIP model, the forecast skill is improved at every forecast period if the SHIPS predictors are included. For example, the R2 values are increased by 19-39% from 60 to 120 h. The WAIPs can also outperform the SHIPSa and SHIPSb by 16-30% and 30-48%, respectively. The RMSE of the WAIPs is also smaller than that of the WAIP, SHIPSa, and SHIPSb by about 11%, 12.5%, and 15%, respectively. 
  The cases that undergo RI (rapid intensification) are also investigated. It is shown that the skills are improved during the 72-120 h forecast periods. For example, the R2 improvement of the WAIPs over the WAIP, SHIPSa, and SHIPSb are 0.21, 0.14, and 0.07, respectively. As for the MAE, the WAIPs is 3-7 kt smaller than the WAIP. The RMSE of the WAIPS is also 1-4 kt and 2-11 kt smaller than that of the SHIPSa and the SHIPSb.
  The forecast skill is also evaluated according to the geographical distributions. At 24 h, the MAE and RMSE over the area ranging from 150-160o E and 10-20o N can be reduced by 5.8 kt and 5.5 kt, respectively. At 72 h, the MAE and RMSE over the area ranging from 140-150o E and 10-20o N can be reduced by 10 kt and 10.5 kt. For the Taiwan area, the MAE and the RMSE can be reduced by about 2.9 kt and 3.4 kt, respectively. At 120 h, the forecast improvement over the area near Japan is significant, and the MAE and RMSE can be reduced by about 3.3 kt and 4.5 kt. The MAE and RMSE near Taiwan area can also be reduced by about 2.2 kt and 4.4 kt, respectively.
  The improvement of the RI cases is quite significant, especially the area near Taiwan. The MAE and RMSE over the area ranging from 150-160o E and 10-20o N are reduced by 8.2 kt and 7.5 kt, respectively. At 72 h, the area ranging from 120-130o E and 30-40o N has the most significant improvement. The MAE and the RMSE can be reduced by 14.4 kt and 13.6 kt. At 120 h, the most significant area is the region near Taiwan. The MAE and the RMSE can be reduced by 8 kt and 10 kt. Also, the MAE and RMSE for the area over the west of the Philippines are reduced by 7.2 kt and 7.8 kt, respectively.

目錄	vi
表目錄	viii
圖目錄	x
第一章、緒論	1
1.1	、研究動機與背景	1
第二章、文獻回顧	3
2.1、颱風初期生成需要的主要條件	3
2.2、海洋熱容量與颱風的關係	3
2.3、累積海洋熱容量	4
2.4、颱風強度對海表面溫度的影響	4
2.5、熱帶氣旋快速增強及快速減弱	5
2.6、海表面面高度距平(Sea Surface Height Anomaly;SSHA)	5
2.7、垂直風切與颱風強度的關係	6
2.8、國際間常用之強度統計預報方法	6
第三章、研究方法	8
3.1、JTWC最佳路徑資料	8
3.2、SHIPS 資料 (SHIPS Developmental Data)	8
3.3、颱風強度基準預報模式	8
3.4、資料整合	9
3.5、資料標準化	10
3.6、逐步迴歸(Stepwise Regression)	10
3.7、模式之訓練	11
3.8、模式之評估指標	11
第四章、結果與討論	13
4.1、SHIPS資料之24小時颱風強度變化	13
4.2、各區域發生RI之路徑、最大值、發生機率及平均值	13
4.3、各區域發生RD之路徑、最大值、發生機率及平均值	14
4.4、WAIPs模式之訓練	14
4.5、SHIPSa及SHIPSb模式之訓練	16
4.6、WAIPs、WAIP、SHIPSa及SHIPSb模式之校驗	16
4.7、模式預報區域校驗	19
4.8、個案預報測試範例	21
4.9、登陸模式之區域校驗	22
第五章、結論與建議	24
5.1、結論	24
5.2、建議	26
參考文獻	27
附錄	104
附錄一	104
附錄二	108

 
表目錄
表1.1、Saffir-Simpson颶(颱)風強度分級表	29
表2.1、ST5D選用之因子	30
表2.2、STIPS動力預報模式選用之因子	31
表4.1、各模式選用預報因子表	32
表4.2、WAIPs模式各時段預報選用因子次序	34
表4.3、SHIPSa模式各時段預報選用因子次序	35
表4.4、SHIPSb模式各時段預報選用因子次序	36
表4.5a、整體校驗資料之R2比較	37
表4.5b、WAIPs相較於WAIP、SHIPSa及SHIPSb之整體校驗資料R2改進百分比(%)	37
表4.6、整體校驗資料之MB比較	38
表4.7a、整體校驗資料之MAE比較	38
表4.7b、WAIPs相較於WAIP、SHIPSa及SHIPSb之整體校驗資料MAE改進百分比	39
表4.8a、整體校驗資料之RMSE比較	39
表4.8b、WAIPs相較於WAIP、SHIPSa及SHIPSb之整體校驗資料RMSE改進百分比	40
表4.9a、RI資料之R2比較	40
表4.9b、RI資料之R2增幅	41
表4.10、RI資料之MB比較	41
表4.11a、RI資料之MAE比較	42
表4.11b、RI資料之MAE增幅	42
表4.12a、RI資料之RMSE比較	43
表4.12b、RI資料之RMSE增幅	43
表4.13a、RD資料之R2比較	44
表4.13b、RD資料之R2增幅	44
表4.14、RD資料之MB比較	45
表4.15a、RD資料之MAE比較	45
表4.15b、RD資料之MAE增幅	46
表4.16a、RD資料之RMSE比較	46
表4.16b、RD資料之RMSE增幅	47
表4.17a、Normal資料之R2比較	47
表4.17b、Normal資料之R2增幅	48
表4.18、Normal資料之MB比較	48
表4.19a、Normal資料之MAE比較	49
表4.19b、Normal資料之MAE增幅	49
表4.20a、Normal 資料之RMSE比較	50
表4.20b、Normal資料之RMSE增幅	50
表4.21a、Jangmi颱風強度預報序列	51
表4.21b、Jangmi颱風各預報序列改進程度	51
表4.22a、Vamco颱風強度預報序列	52
表4.22b、Vamco颱風各預報序列改進程度	52
表4.23a、Jelawat颱風強度預報序列	53
表4.23b、Jelawat颱風各預報序列改進程度	53
表4.24、陸地模式各預報時段選用因子次序	54
 
	圖目錄
圖1.1、Nargis颱風路徑及強度序列	55
圖2.1、莫拉克颱風OHC與颱風強度時間序列(摘自 徐中強2014)	55
圖4.1、24小時強度變化分布圖。	56
圖4.2、SHIPS資料所有颱風之路徑	57
圖4.3、24小時RI發生之路徑圖(圖中藍色“+”為RI起始路徑)	57
圖4.4、24小時RI之發生次數分佈圖	58
圖4.5、24小時RI之發生次數等值圖	58
圖4.6、各區域之RI最大值(資料筆數>=5)	59
圖4.7、各區域之RI發生機率(資料筆數>=5)	59
圖4.8 各區域之RI平均	60
圖4.9、24小時RD發生之路徑圖(圖中藍色“+”為RD起始路徑)	61
圖4.10、24小時RD之發生次數分佈圖	62
圖4.11、24小時RD之發生次數等值圖	62
圖4.12、各區域之RD最小值(資料筆數>=5)	63
圖4.13、各區域之RI發生機率(資料筆數>=5)	63
圖4.14 各區域之RD平均	64
圖4.15a、12小時迴歸式之選入因子順序	65
圖4.15b、12小時迴歸式之各步驟解釋能力	65
圖4.15c、12小時迴歸式各步驟R2差值	65
圖4.16a、24小時迴歸式之選入因子順序	66
圖4.16b、24小時迴歸式之各步驟解釋能力	66
圖4.16c、24小時迴歸式各步驟R2差值	66
圖4.17a、36小時迴歸式之選入因子順序	67
圖4.17b、36小時迴歸式之各步驟解釋能力	67
圖4.17c、36小時迴歸式各步驟R2差值	67
圖4.18a、48小時迴歸式之選入因子順序	68
圖4.18b、48小時迴歸式之各步驟解釋能力	68
圖4.18c、48小時迴歸式各步驟R2差值	68
圖4.19a、60小時迴歸式之選入因子順序	69
圖4.19b、60小時迴歸式之各步驟解釋能力	69
圖4.19c、60小時迴歸式各步驟R2差值	69
圖4.20a、72小時迴歸式之選入因子順序	70
圖4.20b、72小時迴歸式之各步驟解釋能力	70
圖4.20c、72小時迴歸式各步驟R2差值	70
圖4.21a、84小時迴歸式之選入因子順序	71
圖4.21b、84小時迴歸式之各步驟解釋能力	71
圖4.21c、84小時迴歸式各步驟R2差值	71
圖4.22a、96小時迴歸式之選入因子順序	72
圖4.22b、96小時迴歸式之各步驟解釋能力	72
圖4.22c、96小時迴歸式各步驟R2差值	72
圖4.23a、108小時迴歸式之選入因子順序	73
圖4.23b、108小時迴歸式之各步驟解釋能力	73
圖4.23c、108小時迴歸式各步驟R2差值	73
圖4.24a、120小時迴歸式之選入因子順序	74
圖4.24b、120小時迴歸式之各步驟解釋能力	74
圖4.24c、120小時迴歸式各步驟R2差值	74
圖4.25、各小時迴歸式與WAIP解釋能力比較	75
圖4.26、12小時之模式預報值與觀測資料比較圖	76
圖4.27、24小時之模式預報值與觀測資料比較圖	76
圖4.28、36小時之模式預報值與觀測資料比較圖	77
圖4.29、48小時之模式預報值與觀測資料比較圖	77
圖4.30、60小時之模式預報值與觀測資料比較圖	78
圖4.31、72小時之模式預報值與觀測資料比較圖	78
圖4.32、84小時之模式預報值與觀測資料比較圖	79
圖4.33、96小時之模式預報值與觀測資料比較圖	79
圖4.34、108小時之模式預報值與觀測資料比較圖	80
圖4.35、120小時之模式預報值與觀測資料比較圖	80
圖4.36a、WAIPs與WAIP模式之24小時預報誤差直方圖比較	81
圖4.36b、WAIPs與WAIP模式之24小時預報絕對誤差直方圖比較	81
圖4.37a、WAIPs與WAIP模式之72小時預報誤差直方圖比較	82
圖4.37b、WAIPs與WAIP模式之72小時預報絕對誤差直方圖比較	82
圖4.38a、WAIPs與WAIP模式之96小時預報誤差直方圖比較	83
圖4.38b、WAIPs與WAIP模式之96小時預報絕對誤差直方圖比較	83
圖4.39a、WAIPs與WAIP模式之120小時預報誤差直方圖比較	84
圖4.39b、WAIPs與WAIP模式之120小時預報絕對誤差直方圖比較	84
圖4.40、12小時預報模式之訓練資料及校驗資料散點圖	85
圖4.41、24小時預報模式之訓練資料及校驗資料散點圖	85
圖4.42、36小時預報模式之訓練資料及校驗資料散點圖	86
圖4.43、48小時預報模式之訓練資料及校驗資料散點圖	86
圖4.44、60小時預報模式之訓練資料及校驗資料散點圖	87
圖4.45、72小時預報模式之訓練資料及校驗資料散點圖	87
圖4.46、84小時預報模式之訓練資料及校驗資料散點圖	88
圖4.47、96小時預報模式之訓練資料及校驗資料散點圖	88
圖4.48、108小時預報模式之訓練資料及校驗資料散點圖	89
圖4.49、120小時預報模式之訓練資料及校驗資料散點圖	89
圖4.50a、24小時預報之MAE改進空間分佈圖	90
圖4.50b、24小時預報之RMSE改進空間分佈圖	90
圖4.51a、72小時預報之MAE改進空間分佈圖	91
圖4.51b、72小時預報之RMSE改進空間分佈圖	91
圖4.52a、120小時預報之MAE改進空間分佈圖	92
圖4.53b、120小時預報之RMSE改進空間分佈圖	92
圖4.54a、RI個案之MAE改進空間分佈:24小時	93
圖4.54b、RI個案之RMSE改進空間分佈:24小時	93
圖4.55a、RI個案之MAE改進空間分佈:72小時	94
圖4.55b、RI個案之RMSE改進空間分佈:72小時	94
圖4.56a、RI個案之MAE改進空間分佈:120小時	95
圖4.56b、RI個案之RMSE改進空間分佈:120小時	95
圖4.57a、Jangmi颱風之強度觀測與強度預報時間序列	96
圖4.57b、Jangmi颱風之颱風路徑	96
圖4.58a、Vamco颱風之強度觀測與強度預報時間序列	97
圖4.58b、Vamco颱風之颱風路徑	97
圖4.59a、Jelawat颱風之強度觀測與強度預報時間序列	98
圖4.59b、Jelawat颱風之颱風路徑	98
圖4.60、12小時預報登陸資料誤差分佈	99
圖4.61、24小時預報登陸資料誤差分佈	99
圖4.62、36小時預報登陸資料誤差分佈	100
圖4.63、48小時預報登陸資料誤差分佈	100
圖4.64、60小時預報登陸資料誤差分佈	101
圖4.65、72小時預報登陸資料誤差分佈	101
圖4.66、84小時預報登陸資料誤差分佈	102
圖4.67、96小時預報登陸資料誤差分佈	102
圖4.68、108小時預報登陸資料誤差分佈	103
圖4.69、120小時預報登陸資料誤差分佈	103

1.王翔儀(2006)，垂直風切對颱風強度影響的機制探討，台灣大學大氣研究所碩士論文，83pp。

2.王鳳琴(2006)，利用衛星估算海氣通量及其與颱風強度的關係，台灣大學大氣研究所碩士論文，72pp。

3.趙俊傑(2011)，SSM/I衛星資料在颱風降雨潛勢預報上之應用,中央大學大氣物理研究所學位論文,193pp。

4.徐中強(2014)，應用多重衛星資料探討西北太平洋颱風發展過程與海氣因素交互作用,海洋大學海洋環境資訊學碩士論文,66pp。

5.DeMaria, M., Knaff, J. A., Knabb, R., Lauer, C., Sampson, C. R., eMaria, R. T.,2009: A new method for estimating tropical cyclone wind speed probabilities,Wea. Forecasting, 24, 1573-1591.

6.Gray, W.M.,1968: Global view of the origin of tropical disturbance and storms.Mon.Wea.Rev., 96,669-700.

7.Goni, G. J., and J. A. Trinanes, 2003: Ocean thermal structure monitoring could aid in the intensity forecast of tropical cyclones, Eos,Transactions American Geophysical Union 84, doi: 10.1029/2003EO510001., 573-578

8.Jones, S. C., 1995: The evolution of vortices in vertical shear. I: Initially Barotropic at the Forecast Research Department of the MRI. Tech. Res. MRI NO. 28, Meteorological Research Institute, Japan, 238 pp.

9.Kaplan, J., and M.DeMaria, 2003:Large-scale characteristics of rapidly intensifying tropical in the North Atlantic basin. Wea.Forecasting, 18, 1093-1108

10.Knaff, J. A., C. R. Sampson, and M. DeMaria, 2005: An operational statistical typhoon intensity prediction scheme for the western North Pacific. Wea. Forecasting, 20, 688-699.

11.Leipper, D. and D. Volgenau.1972: Hurricane heat potential of the Gulf of Mexico.J.Phys.Oceanogr., 2,218-224

12.Lin,I.I., I.-F.Pun,W.T.Liu, and C.-C. Wu,2009: Warm ocean anomaly, air sea fluxes, and the rapid intensification of tropical cyclone Nargis,2008:Geophys Res.Lett.,36,Lett.,36,L03817,doi10.1029/2008GL035815

13.Shay, L.K., G,J. Goni, and P. G. Black,2000: Effects of a warm oceanic features on Hurricane Opal. Mon. Wea. Rev., 128, 1366-1383.

14.Tsai, H.-C., and R. L. Elsberry, 2014: Applications of situation-dependent intensity and intensity spread predictions based on a weighted analog technique. Asia-Pacific J. Atmos. Sci., 50, 4, 507-51

15.Wada, A., and N. Usui,2007: Importance of tropical cyclon heat potential for tropical cyclone intensity and intensification in the Western North Pacific.J.Oceanogr., 63, 427-447.