在熱帶氣旋(Tropical Cyclone)的預報中，強度快速增強(Rapid intensification，RI)是最具挑戰性的預報項目之一。美國國家颶風中心(National Hurricane Center)將 RI 事件定義為 24 小時內之近中心最大風速增加至少 30 kt 以上。在快速增強階段，熱帶氣旋之強度預報誤差將顯著增加。 

本研究利用 SHIPS (Statistical Hurricane Intensity Prediction Scheme)開發資料探討 RI 和非RI 事件之環境特徵。近期研究顯示，RI 事件除了與上層海洋熱力結構相關之外，亦可能與海水密度、鹽度結構有密切關聯，因此本研究亦採用全球混合坐標海洋模式(HYbrid Coordinate Ocean Model，HYCOM)之上層海洋垂直分層資料，討論海洋環境條件對於熱帶氣旋發展及強度增強的影響。最後，使用分量迴歸(Quantile Regression，QR)和羅吉斯迴歸(Logistic Regression，LR)兩種統計迴歸方法開發 RI 事件機率之預報模式，並藉由預報技術校驗之結果，進行兩種不同方法之差異與比較分析。 

研究結果顯示，包含 SHIPS 大氣變數和 ETCHP(Effective Tropical Cyclone Heat Potential)的 QR 預報模式具有最佳表現，其 ROC 曲線下面積(area under the Receiver Operating 
Characteristic curve)為 0.88，偵測率(Probability of Detection)為 94％，可較最佳 LR 預報模式改進 10%，且誤報率(False Alarm Ratio)降低 10％。因此，本研究認為 QR 模式可提供具有預報技術之熱帶氣旋 RI 事件預報。

Rapid intensification (RI) is one of the most challenging issues for operational tropical cyclone (TC) forecasting. According to the National Hurricane Center, a RI  event is defined as an increase in the maximum sustained wind speed by at least 30 kt within a 24-h period. The 24-h TC intensity forecast errors are significantly larger during the rapid intensification stage. 

In this study, various datasets are utilized to investigate the RI events of the western North Pacific TCs. The SHIPS (Statistical Hurricane Intensity Prediction Scheme) Developmental Dataset is used to explore the characteristics of the RI and non-RI events. Recent studies show that the RI events are related to not only the upper ocean thermal structure but also the density and salinity structure. Thus the HYCOM (Hybrid Coordinate Ocean Model) ocean analysis is also used to study the impact of the pre-existing ocean conditions on TC development and intensification. Finally,probabilistic forecast models for the prediction of RI events are developed by using the Quantile Regression(QR) and Logistic Regression(LR) methods. 

Results show that the QR model that includes the SHIPS predictors and the ETCHP (Effective TC Heat Potential) has the best performance. The area under ROC curve (AUC) of the QR model is 0.88. The probability of detection (POD) is 94%, which is 10% better than for the best LR model. In addition, the false alarm ratio (FAR) is 10% lower. Thus, the QR model can provide more skillful probability forecasts of TC RI events.

目錄
目錄	IV
圖目錄	VI
表目錄	IX
第一章、緒論	1
1.1、前言	1
1.2、研究動機	1
1.3、研究目的	2
1.4、論文架構	3
第二章、文獻回顧	4
2.1、颱風強度預報	4
2.2、海表面溫度與颱風	5
2.3、熱帶氣旋潛熱與颱風	5
2.4、海洋阻隔層與颱風	6
2.5、有效熱帶氣旋潛熱與颱風	8
第三章、研究方法	11
3.1研究資料	11
3.1.1、JTWC颱風最佳路徑資料	11
3.1.2、SHIPS資料(SHIPS Developmental Data)	11
3.1.3、HYCOM全球海洋模式資料	12
3.2、變數計算與比較	13
3.2.1、HYCOM資料版本比較	13
3.2.2、SHIPS與HYCOM資料比較	15
3.3、模式建立	18
3.3.1、羅吉斯迴歸(Logistic Regression)	19
3.3.2、分量迴歸(Quantile Regression)	19
3.3.3、逐步迴歸(Stepwise Regression)	20
3.4、校驗指標	22
3.4.1、機率式校驗	22
3.4.2、二元式校驗	23
第四章、分析與討論	26
4.1、個案分析	26
4.1.1、個案ㄧ：寶發 Bopha (2012/26W)	26
4.1.2、個案二：杰拉華Jelawat(2012/18W)	31
4.1.3、綜合分析	36
4.2、歷史資料QR分析	37
4.2.1、海表面溫度	41
4.2.2、海洋阻隔層	42
4.3、歷史資料訓練模式	43
4.4、模式分析結果	47
第五章、結論	79
參考文獻	82
附錄A、海水密度公式	87
附錄B、基本模式(SHIPS大氣)使用變數	90
附錄C、SHIPS資料之所有因子表	92
附錄D、基本模式預報選用因子選入次序表與AIC、BIC值	95
附錄E、海洋模式的貢獻度測試 ( Model 5 )	97
附錄F、非線性模式的貢獻度測試 ( Model 6 )	99
附錄G、SHIPS全時間段太平洋的樣本 ( Model 7 )	110
 
圖目錄
圖 1、引用自BALAGURU ET AL. (2012) OMAR案例之上層海水垂直結構分布圖	7
圖 2、BLT、TCHP與ETCHP示意圖	8
圖 3、具有BL時的三種海洋潛熱狀況，引用自YAN ET AL.(2017)	9
圖 4、HYCOM資料比較圖；(A)、(B)分別為HYCOMR、HYCOMA之 SST；(C)、(D)則分別為HYCOMR與HYCOMA表層海流圖，黑色星號則是29號時TC中心位置	14
圖 5、HYCOM資料比較圖；(A)、(B)分別為HYCOMR、HYCOMA之 TCHP；(C)、(D)則分別為HYCOMR與HYCOMA之 D26 深度分布圖，黑色星號則同為29號時TC中心位置	14
圖 6、變數計算示意圖，以颱風中心向外2˚範圍，計算網格平均	15
圖 7、HYCOM資料BLT計算流程圖	15
圖 8、HYCOM資料TCHP計算流程圖	16
圖 9、HYCOM資料ETCHP計算流程圖	16
圖 10、HYCOM與SHIPS模式資料比較圖；(A)SST資料散布圖、(B)TCHP資料散布圖，紅虛線為其線性趨勢。	17
圖 11、左四圖為BOPHA海洋初始環境(PRE-CONDITION)，由上到下分別為SST、BLT、TCHP、ETCHP四種變數分布情況；右四圖為BOPHA第一次發生RI的海洋環境，同樣由上到下分別為SST、BLT、TCHP、ETCHP四種變數分布情況	27
圖 12、SST與BOPHA之24小時強度變化的時序列關係圖	29
圖 13、BLT與BOPHA之24小時強度變化的時序列關係圖	29
圖 14、TCHP與BOPHA之24小時強度變化的時序列關係圖	30
圖 15、ETCHP與BOPHA之24小時強度變化的時序列關係圖	30
圖 16、左四圖為JELAWAT海洋初始環境(PRE-CONDITION)；右四圖為JELAWAT第一次發生RI的海洋環境，同樣由上到下分別為SST、BLT、TCHP、ETCHP四種變數分布情況	32
圖 17、SST與JELAWAT之24小時強度變化的時序列關係圖	34
圖 18、BLT與JELAWAT之24小時強度變化的時序列關係圖	34
圖 19、TCHP與JELAWAT之24小時強度變化的時序列關係圖	35
圖 20、ETCHP與JELAWAT之24小時強度變化的時序列關係圖	35
圖 21、BOPHA海表面溫度分布情況(20121129)	36
圖 22、QR分析之SST與24小時強度分量趨勢與樣本散布圖	37
圖 23、QR分析之BLT與24小時強度分量趨勢與樣本散布圖	38
圖 24、QR分析之TCHP與24小時強度分量趨勢與樣本散布圖	38
圖 25、QR分析之ETCHP與24小時強度分量趨勢與樣本散布圖	39
圖 26、JELAWAT之初始場海表面溫度分布情況(20120922)	41
圖 27、JTWC歷史資料中BLT厚度與24小時強度變化關係圖。	42
圖 28、左為JTWC歷史資料測試樣本分布;右為RI事件在空間中的分布	43
圖 29、QR模式各分量下預報機率累積機率分布示意圖	46
圖 30、AIC基本模式(MODEL 0)之預估機率分布(訓練、測試)	50
圖 31、AIC基本模式(MODEL 0)之ROC曲線圖與AUC值	51
圖 32、AIC基本模式(MODEL 0)於不同機率門檻之YOUDEN'S INDEX值	51
圖 33、AIC MODEL 1之預估機率分布(訓練、測試)	52
圖 34、AIC MODEL 1之ROC曲線圖與AUC值	53
圖 35、AIC MODEL 1於不同機率門檻之YOUDEN'S INDEX值	53
圖 36、AIC MODEL 2之預估機率分布(訓練、測試)	54
圖 37、AIC MODEL 2之ROC曲線圖與AUC值	55
圖 38、AIC MODEL 2於不同機率門檻之YOUDEN'S INDEX值	55
圖 39、AIC MODEL 3之預估機率分布(訓練、測試)	56
圖 40、AIC MODEL 3之ROC曲線圖與AUC值	57
圖 41、AIC MODEL 3於不同機率門檻之YOUDEN'S INDEX值	57
圖 42、AIC MODEL 4之預估機率分布(訓練、測試)	58
圖 43、AIC MODEL 4之ROC曲線圖與AUC值	59
圖 44、AIC MODEL 4於不同機率門檻之YOUDEN'S INDEX值	59
圖 45、BIC基本模式(MODEL 0)之預估機率分布(訓練、測試)	60
圖 46、BIC基本模式(MODEL 0)之ROC曲線圖與AUC值	61
圖 47、BIC基本模式(MODEL 0)於不同機率門檻之YOUDEN'S INDEX值	61
圖 48、BIC MODEL 1之預估機率分布(訓練、測試)	62
圖 49、BIC MODEL 1之ROC曲線圖與AUC值	63
圖 50、BIC MODEL 1於不同機率門檻之YOUDEN'S INDEX值	63
圖 51、BIC MODEL 2之預估機率分布(訓練、測試)	64
圖 52、BIC MODEL 2之ROC曲線圖與AUC值	65
圖 53、BIC MODEL 2於不同機率門檻之YOUDEN'S INDEX值	65
圖 54、BIC MODEL 3之預估機率分布(訓練、測試)	66
圖 55、BIC MODEL 3之ROC曲線圖與AUC值	67
圖 56、BIC MODEL 3於不同機率門檻之YOUDEN'S INDEX值	67
圖 57、BIC MODEL 4之預估機率分布(訓練、測試)	68
圖 58、BIC MODEL 4之ROC曲線圖與AUC值	69
圖 59、BIC MODEL 4於不同機率門檻之YOUDEN'S INDEX值	69
圖 60、BIC指標之五個QR預報模式與最佳LR預報模式比較圖(ROC CURVE)	71
圖 61、預報校驗圖：(A)BIC指標之QR預報模式1與觀測資料之強度變化誤差校驗圖，呈現分量預側範圍，紅色區域為第25到75百分位的預測範圍、黑色區域為第10到90百分位的預測範圍，依照觀測強度變化將測試樣本由小到大排列；(B)BIC指標之QR預報模式1之校驗結果圖，紅色為命中、藍色為漏報、綠色為誤報、黑色為正確否定，位置是位於每個樣本之強度變化觀測值，相同以觀測強度變化將測試樣本由小到大排列。	75
圖 62、Q.50至Q.75之模式預測範圍值與24H強度變化之盒鬚圖	76
圖 63、觀測值與Q.50絕對誤差與Q.50至Q.75之模式預測範圍值和樣本分布圖	76
圖 64、BIC MODEL 6之ROC曲線圖與AUC值	78

 
表目錄
表 1、模式變數組合表	18
表 2、列聯表	23
表 3、JTWC資料24H強度變化與變數使用QR分析、OLS之估計值表	40
表 4、AIC基本模式因子選用表	45
表 5、BIC基本模式因子選用表	45
表 6、各預報模式AUC值整理	70
表 7、訓練與測試組各模式校驗指標(AIC)	73
表 8、訓練與測試組各模式校驗指標(BIC)	74
表 9、訓練與測試組模式6之校驗指標	78
表 10、Saffir-Simpson颶(颱)風強度分級表	85
表 11、STIPS動力預報模式選用之因子	85
表 12、ST5D選用之變數因子	86
表 13、Model 0與Model 5之模式校驗指標比較	98
表 14、QR分析DVMAX、POT、LON三變數與24H強度變化之估計值表	99
表 15、QR分析"DVMAX" 2、"POT" 2、"LON" 2三變數與24H強度變化之估計值表	101
表 16、QR分析BLT、TCHP、ETCHP三變數與24H強度變化之估計值表	103
表 17、QR分析"BLT" 2、"TCHP" 2、"ETCHP" 2三變數與24H強度變化之估計值表	105
表 18、Model 6 (非線性模式)因子選用表	107
表 19、Model 1與Model 6之模式校驗指標比較	109
表 20、Model 7 因子選用表	110
表 21、Model 0與Model 7之模式校驗指標比較	112
表 22、Model 7與四種BIC_IP標準之模式校驗指標比較(QR)	115
表 23、Model 7與四種BIC_IP標準之模式校驗指標比較(LR)	116
表 24、Model 0與Model 7 (BIC_IP=0.01)之模式校驗指標比較	117

參考文獻	
1. 周仲島. (2009). 氣候變遷對災害防治衝擊調適與因應策略整合研究－子計畫一:台灣地區劇烈降雨與侵台颱風變異趨勢與辨識研究(II)：行政院國家科學委員會. 
2. Akaike, H., 1973. Information theory and an extension of the maximum likelihood principle. In 
B. N. Petrov & F. Caski (Eds.), Proceedings of the Second International Symposium on 
Information Theory (pp. 267–281). Budapest: Akademiai Kiado. 
3. Balaguru, K., P. Chang, R. Saravanan, L. R. Leung, Z. Xu, M. Li, and J.-S. Hsieh, 2012. Ocean barrier layers-effect on tropical cyclone intensification, Proc. Nat. Acad. Sci., 109(36), 14,343–14,347. 
4. DeMaria, M., and J. Kaplan, 1994. A statistical hurricane intensity prediction scheme (SHIPS) 
for the Atlantic basin. Wea. Forecasting, 9, 209 220. 
5. DeMaria, M., M. Mainelli, L. K. Shay, J. A. Knaff, and J. Kaplan, 2005. Further improvements to the Statistical Hurricane Intensity Prediction Scheme (SHIPS). Wea.Forecasting, 14, 1093–1108. 
6. DeMaria, M., 2009. A simplified dynamical system for tropical cyclone intensity prediction. Mon. Wea. Rev.,137, 68-82. 
7. DeMaria, M., C. R. Sampson, J. A. Knaff, and K. D. Musgrave, 2014. Is tropical cyclone intensity 
guidance improving? Bull. Amer. Meteor. Soc.,95, 387–398. 
8. de Boyer Montegut, C., G. Madec, A. Fischer, A. Lazar, and D. Iudicone, 2004. Mixed layer depth over the global ocean : An examination of profile data and a profile-based climatology. J. Geophys. Res, 109, C12 003, doi :10.1029/ 2004JC002378 
9. de Boyer Montégut C, Mignot J, Lazar A, Cravatte S ,2007. Control of salinity on the mixed layer depth in the world ocean: 1. General description. J Geophys Res 112:C06011. Doi 10.1029/2006JC003953 
10. Emanuel,K. A.,2000 .A statistical analysis of tropical cyclone intensity.Mon. Wea. Rev.,128,1139–1152. 
11. Gray,W.M.,1968. Global view of the origin of tropical disturbance and storm.Mon.Wea.Rev.,96,669-700. 
12. Hajian-Tilaki K.,2013. Receiver operating characteristic (ROC) curve analysis for medical diagnostic test evaluation. Caspian J Intern Med. 2013;4 :627–35. 
13. Ito, K., 2016. Errors in tropical cyclone intensity forecast by. RSMC Tokyo and statistical correction using environmental parameters, SOLA, 12, 247-252, doi:10.2151/sola.2016-049 
14. Kaplan, J., and M. DeMaria, 2003. Large-scale characteristics of rapidly intensifying tropical  cyclones in the North Atlantic basin. Wea. Forecasting, 18, 1093–1108. 
15. Kaplan, J., M. DeMaria, and J.A. Knaff, 2010. A Revised Tropical Cyclone Rapid Intensification 
Index for the Atlantic and Eastern North Pacific Basins. 
16. Koenker, Roger and Gilbert Bassett, 1978. “Regression Quantiles.” Econometrica. January, 46:1, pp. 33–50. 
17. Leipper, D. F. and D. Volgenau, 1972. Hurricane Heat Potential of the Gulf of Mexico, J. Phys. 
Oceanogr., 2, 218-224. 
18. Lin, I. I., C. C. Wu, K. A. Emanuel, I. H. Lee, C. R. Wu, and I. F. Pun, 2005. The Interaction of 
Supertyphoon Maemi (2003) With a Warm Ocean Eddy, Mon. Wea. Rev., 133, 2635–2649. 
19. Millero, F. J.and Poisson, A.1981. International one-atmosphere equation of state of seawater. 
Deep-Sea Research, 28A (6):625–629. 
20. Price, J. F.,2009, Metrics of hurricane- ocean interaction. Vertically- integrated or vertically-
averaged ocean temperature ?, Ocean Sci. Discuss., 6,909–951. 
21. Rozoff, C. M., and Kossin, J. P., 2011. New probabilistic forecast models for the prediction of 
tropical cyclone rapid intensification. Weather and Forecasting, 26(5), 677-689. 
22. Schwartz, G. 1978. Estimating the Dimension of a Model., Annals of Statistics 6:461–464. 
23. Shay, L. K., G. J. Goni, and P. G. Black, 2000. Effects of a warm oceanic feature on hurricane 
Opal. Mon. Wea. Rev., 128, 1366-1383. 
24. Wang, B.,and X. Zhou, 2008. Climate variation and prediction of rapid intensification in tropical 
cyclones in the western North Pacific, Meteorol. Atmos. Phys., 99, 1-16. 
25. Yang,R.,D.Sun, and J.Tang, 2008 .A “sufficient” condition combination for rapid intensifications 
of tropical cyclones. Geophys. Res. Lett., 35, L20802, doi:10.1029/2008GL035222. 
26. Youden, W. J., 1950. Index for rating diagnostic tests. Cancer, 3(1), 32- 35. 
27. Yan, Y., Li, L., and Wang, C., 2017. The effects of oceanic barrier layer on the upper ocean 
response to tropical cyclones. Journal of Geophysical Research: Oceans, 122, 4829–4844.