本研究之主要目的為颱風強度快速增強(Rapid Intensification；RI)之機率預報模式開發。根據美國國家颶風中心(National Hurricane Center)之定義，熱帶氣旋(Tropical Cyclone)之近中心最大風速若在24小時內增強至少30節(knots)以上，則稱為RI事件。
本研究採用K折交叉驗證方法(K-Fold Cross-Validation)及羅吉斯迴歸(Logistical Regression)，建立不同複雜程度之RI機率預報模式。首先，採用美國聯合颱風警報中心(Joint Typhoon Warning Center)最佳路徑資料以建立RI預報之基本模式，使用颱風中心位置、目前強度、最大風速半徑(Radius of Maximum Wind；RMW)與七級風平均半徑(Average 34-knot Radius；AR34)…等預報因子。然後逐步加入WAIP(Weighted Analog Intensity Prediction)預報強度資料，以及SHIPS開發資料(Statistical Hurricane Intensity Prediction System Developmental Data)之大尺度環境變數，分別建立進階模式與複雜模式，並透過機率式校驗，分析各模式之變數組合對於RI預報之表現。最後以二元式校驗方式，評估模式分別在最佳門檻、保守門檻與積極門檻下之預報差異。
透過機率式校驗之可靠度分析圖(Reliability Diagram)及交叉驗證結果顯示，模式增加輸入變數之後，其所提供的最高機率預報值也隨之上升。藉由ROC曲線(Receiver Operating Characteristic Curve)之分析顯示，當基本模式加入WAIP未來強度變化後，可有效改善整體預報表現。在額外考慮SHIPS大尺度環境變數之後，雖可使得AUC(Area Under Curve)上升，但其提升幅度不如WAIP來得明顯。
二元式校驗結果顯示，若採用積極預報之策略，RI事件的偵測率與誤報率將同時上升，非RI事件的判定能力下降；若提高機率門檻、採用保守預報策略，複雜模式之偵測率高、誤報率低，也具有最高之預兆得分(Threat Score)。校驗結果亦發現，考慮WAIP預報強度對於RI事件的預測能力可有一定程度的提升，但額外加入SHIPS環境場變數僅對保守預報策略有較明顯的幫助。因此本研究建議未來可採用颱風半徑及WAIP，做為颱風RI預報模式之主要輸入變數，進行RI即時預報模式的開發及實際預報應用。

The main purpose of this research is to develop a probabilistic typhoon rapid intensification (RI) forecasting model. According to the National Hurricane Center, RI is defined as an increase in the maximum sustained winds of at least 30 knot in a 24-h period.
This research uses the K-fold Cross Validation and the Logistical Regression for developing the probabilistic RI forecast models with different levels of complexity. First, a basic model is developed by using the predictors obtained from the Joint Typhoon Waring Center best track data, such as typhoon center location, current intensity, radius of maximum wind (RMW), average 34-know radius (AR34), etc. Next, the advanced model is created by adding the Weighted Analog Intensity Prediction (WAIP) to the basic model. Finally, the large-scale environmental factors from the Statistical Hurricane Intensity Prediction System (SHIPS) Developmental Data are added to the advanced model to develop the complex model. The probabilistic RI forecast skills for each model are then investigated. Lastly, the binary forecast skills are evaluated by using the best cut-off threshold, the conservative threshold, and the aggressive threshold.
Based on the reliability diagrams and the cross validations, higher RI probabilities can be obtained if more predictors are used. The Receiver Operating Characteristic (ROC) curves show that the performance of the basic model can be improved if the WAIP forecast is considered. Although the AUC (Area Under Curve) can be further improved by adding the SHIPS large-scale environmental factors, the difference is not significant.
According to the categorical binary verifications, the probability of detection and the false alarm ratio of the RI events are both increased if the aggressive forecast strategy is chosen. But the skill on identifying the non-RI events is lower. If the conservative forecast strategy is selected, the complex model has higher probability of detection, lower false alarm ratio, and highest Threat Score. The verification results also show that the RI forecast skill is improved if the WAIP forecast is included in the model. The SHIPS environmental factors, however, are helpful only if the conservative forecast strategy is considered. Therefore, it is suggested that the typhoon radii and the WAIP could be used as the main input variables for developing the operational RI forecast model and the real-time forecast applications.

目錄
目錄 VI
圖目錄 VIII
表目錄 X
第一章、緒論 1
1.1、前言 1
1.2、研究動機與目標 1
1.3、論文架構 3
第二章、文獻回顧 4
2.1、颱風強度統計動力預報模式 4
2.2、颱風強度類比預報 5
2.3、颱風快速增強與環境場特徵 7
2.4、熱帶氣旋尺寸與強度變化關聯 8
2.5、熱帶氣旋RI預報 10
第三章、研究資料與方法 13
3.1、研究資料 13
3.1.1、JTWC颱風最佳路徑資料 13
3.1.2、颱風強度類比預報模式資料 13
3.1.3、SHIPS 開發資料 15
3.2、K折交叉驗證(K-Fold Cross-Validation) 15
3.3、模式建立 16
3.3.1、羅吉斯迴歸(Logistic Regression) 16
3.3.2、羅吉斯迴歸之機率調整 17
3.3.3、模式預報因子之差異比較 18
3.4、校驗指標 18
3.4.1、機率式校驗 18
3.4.1.1、ROC曲線(Receiver Operating Characteristic Curve) 18
3.4.1.2、可靠度分析圖(Reliability Diagram) 19
3.4.2、二元式校驗 20
第四章、結果與討論 23
4.1、資料背景 23
4.1.1、強度變化差異 23
4.1.2、RI事件空間分佈 26
4.2、半徑變數分析 28
4.2.1、最大風速半徑(RMW)對颱風強度變化關係 28
4.2.2、七級風平均半徑(AR34)對颱風強度變化關係 30
4.2.3、半徑非對稱性 32
4.3、WAIP預報技術評估 33
4.3.1、初始強度的影響 33
4.3.2、前24小時是否出現RI的影響 35
4.4、交叉驗證組數選擇 37
4.5、不同來源變數間資料差異 42
4.6、模式分析結果 46
4.6.1、機率式校驗 46
4.6.1.1、可靠度分析圖 50
4.6.1.2、ROC曲線 61
4.6.2、二元式校驗 67
4.6.3、個案預報測試分析 77
4.6.3.1、個案一：蘇迪勒 Soudelor (JTWC - WP132015) 77
4.6.3.2、個案二：薔琵 Champi (JTWC - WP252015) 80
第五章、結論與建議 83
參考文獻 86
附錄A、颱風結構因子公式 88
附錄B、模式變數組合表 89
附錄C、驗證組與測試組之十組交叉驗證差異 91
---------------------------------------------------
圖目錄
圖1、(a)平均絕對誤差與(b)平均誤差之強度預報差異 6
圖2、(a)最大風速半徑與(b)七級風平均半徑於24小時內變化分布圖 9
圖3、五種模式之可靠度分析圖 12
圖4、交叉驗證資料集示意圖 16
圖5、ROC曲線示意圖 19
圖6、Reliability Diagram曲線示意圖 20
圖7、各颱風分級中強度變化比例 25
圖8、(a)RI事件與(b)RD事件於各颱風分級之出現比例 25
圖9、2002-2014颱風有效樣本空間分布圖 26
圖10、2002-2014之(a)RI事件與(b)RD事件之空間分佈圖 27
圖11、強度增強事件於前48小時之(a)RMW平均及(b)RMW差異變化圖 29
圖12、強度增強事件於前48小時之(a)AR34平均及(b)AR34差異變化圖 31
圖13、非對稱性計算示意圖 32
圖14、強度預報之平均誤差圖(初始強度差異) 34
圖15、強度預報之絕對平均誤差圖(初始強度差異) 34
圖16、強度預報之樣本長度差異圖(初始強度差異) 34
圖17、強度預報之平均誤差圖(RI差異) 36
圖18、強度預報之平均絕對誤差圖(RI差異) 36
圖19、強度預報之樣本長度差異圖(RI差異) 36
圖20、10組交叉驗證模式之訓練組AUC盒鬚圖(基本變數組合) 39
圖21、10組交叉驗證模式之訓練組AUC盒鬚圖(進階變數組合) 39
圖22、10組交叉驗證模式之訓練組AUC盒鬚圖(複雜變數組合) 39
圖23、10組交叉驗證模式之驗證組AUC盒鬚圖(基本變數組合) 40
圖24、10組交叉驗證模式之驗證組AUC盒鬚圖(進階變數組合) 40
圖25、10組交叉驗證模式之驗證組AUC盒鬚圖(複雜變數組合) 40
圖26、各變數組合中樣本數量差異(訓練集與驗證集) 42
圖27、加入未來強度後樣本於生命期中損失比例分布 43
圖28、加入SHIPS後樣本於生命期中損失比例分布 44
圖29、基本變數與進階變數最大有效樣本分布差異 45
圖30、進階變數與複雜變數最大有效樣本分布差異 45
圖31、10組交叉驗證模式之訓練組ROC曲線比較圖 47
圖32、10組交叉驗證模式之訓練組RD曲線比較圖 48
圖33、訓練組RD曲線差異之比較 55
圖34、訓練組迴歸之樣本分布(原始機率) 56
圖35、訓練組迴歸之樣本分布(正規化機率) 56
圖36、訓練組迴歸之樣本分布(正規化後校正機率) 56
圖37、驗證組RD曲線差異之比較 57
圖38、驗證組之樣本分布(原始機率) 58
圖39、驗證組之樣本分布(正規化機率) 58
圖40、驗證組之樣本分布(正規化後校正機率) 58
圖41、測試組RD曲線差異之比較 59
圖42、測試組之樣本分布(原始機率) 60
圖43、測試組之樣本分布(正規化機率) 60
圖44、測試組之樣本分布(正規化後校正機率) 60
圖45、訓練組ROC曲線差異之比較 63
圖46、驗證組ROC曲線差異之比較 64
圖47、測試組ROC曲線差異之比較 65
圖48、基本模式訓練及驗證組之(a)ROC曲線與(b)RD圖 69
圖49、基本模式測試組之(a)ROC曲線與(b)RD圖 69
圖50、基本模式於不同機率門檻之Youden’s Index值 69
圖51、進階模式於訓練及驗證組之(a)ROC曲線與(b)RD圖 70
圖52、進階模式測試組之(a)ROC曲線與(b)RD圖 70
圖53、進階模式於不同機率門檻之Youden’s Index值 70
圖54、複雜模式訓練及驗證組之(a)ROC曲線與(b)RD圖 71
圖55、複雜模式測試組之(a)ROC曲線與(b)RD圖 71
圖56、複雜模式於不同機率門檻之Youden’s Index值 71
圖57、三種模式在三種門檻下之性能圖 76
圖58、個案Soudelor路徑圖 79
圖59、個案Soudelor預報機率對實際強度變化之比較 79
圖60、個案Champi路徑圖 82
圖61、個案Champi預報機率對實際強度變化之比較 82
---------------------------------------------------
表目錄
表1、三種強度變化狀況間的顯著差異程度 8
表2、WAIP歷史路徑篩選指標 14
表3、AUC值判別指標 19
表4、二元式列聯表 21
表5、各變數組合中樣本數量差異 42
表6、各模式中訓練集資料機率調整後之AUC值 61
表7、各模式中驗證集資料機率調整後之AUC值 62
表8、各模式中測試集資料機率調整後之AUC值 62
表9、建模資料與測試組於各模式之校驗指標(最佳機率門檻) 72
表10、建模資料與測試組於各模式之校驗指標(保守機率門檻) 73
表11、建模資料與測試組於各模式之校驗指標(積極機率門檻) 74

參考文獻
1.張有元. (2016). 熱帶氣旋快速增強之大尺度環境特徵分析與預報。淡江大學水資源及環境工程研究所碩士論文
2.Carrasco, C. A., C. W. Landsea, and Y.-L. Lin, (2014). The Influence of Tropical Cyclone Size on Its Intensification., pp. 582-590.
3.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, pp. 531-543.
4.Elsberry, R. L., and H.-C. Tsai, (2014). Situation-Dependent Intensity Skill Metric and Intensity Spread Guidance for Western North Pacific Tropical Cyclones. Asia-Pac. J. Atmos. Sci, pp. 297-306.
5.Hajian-Tilaki , K. (2013, 4). Receiver Operating Characteristic (ROC) Curve Analysis for Medical Diagnostic Test Evaluation. Caspian J Intern Med, pp. 627-635.
6.Ito, K. (2016). Errors in Tropical Cyclone Intensity Forecast by RSMC Tokyo and Statistical Correction Using Environmental Parameters. SOLA, pp. 247-252.
7.Kalpan, J., M. DeMaria, and J. A. Knaff, (2010). A Revised Tropical Cyclone Rapid Intensification Index for the Atlantic and Eastern North Pacific Basins. Wea. Forecasting, pp. 220-241.
8.Lyu, X., X. Wang, and L. M. Leslie, (2019). The Dependence of Northwest Pacific Tropical Cyclone. Advances in Meteorology.
9.Shimada, U., H. Owadav, M. Yamaguchi, T. Iriguchi, M. Sawadav, K. Aonashi, . . ., and K. D. Musgrave, (2018). Further Improvements to the Statistical Hurricane Intensity Prediction Scheme Using Tropical Cyclone Rainfall and Structural Features. Wea. Forecasting, pp. 1587-1603.
10.Shu, S., M. Jie, and P. Chi, (2012). Large-Scale Characteristics and Probability of Rapidly Intensifying Tropical Cyclones in the Western North Pacific Basin. Wea. Forecasting, pp. 411-423.
11.Song, J., and P. J. Klotzbach, (2016). Wind Structure Discrepancies between Two Best Track Datasets for Western North Pacific Tropical Cyclones. Monthly Weather Review, pp. 4533-4551.
12.Su, H., L. Wu, J. H. Jiang, R. Pai, A. Liu, A. J. Zhai, . . ., and M. DeMaria, (2020). Applying Satellite Observations of Tropical Cyclone Internal Structures to Rapid Intensification Forecast With Machine Learning. AGU. 
13.Tsai, H.-C., and R. L. Elsberry, (2014). Applications of Situation-Dependent Intensity and Intensity Spread Predictions Based on a Weighted Analog Technique. Asia-Pac. J. Atmos. Sci, pp. 507-518.
14.Tsai, H.-C., and R. L. Elsberry, (2017). Ending Storm Version of the 7-day Weighted Analog Intensity Prediction Technique for Western North Pacific Tropical Cyclones. Wea. Forecasting, 32, 2229-2235. 
15.Xu, J., and YuQing. W, (2018). Dependence of Tropical Cyclone Intensification Rate on Sea Surface Temperature, Storm Intensity, and Size in the Western North Pacific. Weather and Forecasting, pp. 523-537.
16.Yang, Q., C.-Y. Lee, and M. K. Tippett, (2020). A Long Short-Term Memory Model for Global Rapid Intensification Prediction. Wea. Forecasting, pp. 1203-1220.