淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-2303201604391800
中文論文名稱 利用SHIPS資料改進颱風強度統計預報模式之研究
英文論文名稱 Improvement of the Statistical Typhoon Intensity Prediction Model by Using the SHIPS Developmental Data
校院名稱 淡江大學
系所名稱(中) 水資源及環境工程學系碩士班
系所名稱(英) Department of Water Resources and Environmental Engineering
學年度 104
學期 1
出版年 105
研究生中文姓名 林碩彥
研究生英文姓名 Shuo-Yan Lin
學號 602480039
學位類別 碩士
語文別 中文
口試日期 2016-01-15
論文頁數 113頁
口試委員 指導教授-蔡孝忠
委員-呂國臣
委員-林旭信
委員-蔡孝忠
中文關鍵字 颱風強度預報  SHIPS資料(Statistical Hurricane Intensity Prediction Scheme Develoepment Data)  RI(Rapid Intensification)  統計迴歸模式 
英文關鍵字 Statistical Hurricane Intensity Prediction Scheme Develoepment Data  Rapid Intensification  Typhoon Intensity Forecast  Statistics Regression Model 
學科別分類 學科別應用科學環境工程
中文摘要 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。
英文摘要 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.
論文目次 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
參考文獻 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.
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2016-03-24公開。
  • 同意授權瀏覽/列印電子全文服務,於2016-03-24起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2486 或 來信