目前各國對於颱風路徑預報的不確定性估計，主要使用近年官方預報資料進行預報誤差之累積機率分析，或採用蒙地卡羅法(Monte Carlo Method)進行誤差之隨機抽樣，藉以推估官方預報的可能誤差範圍。
本研究採用具遞迴式神經網路(Recurrent Neural Networks；RNN)架構之長短期記憶(Long Short-Term Memory；LSTM)，處理颱風路徑預報誤差在時間和空間的關聯性，以呈現不同情境(situation-dependent)的預報不確定性。研究資料採用中央氣象署(Central Weather Administration；CWA)於2018至2022年之官方颱風路徑預報資料，以及全球數值天氣預報模式，例如ECMWF及NCEP數值模式之決定性(deterministic)及系集(ensemble)預報。
研究結果顯示，經過LSTM修正之颱風路徑預報可較CWA官方預報更接近觀測值，但修正效果有限、預報路徑仍存在誤差。為了呈現路徑預報之不確定性，本研究進一步推估颱風路徑的預報區間(Prediction Interval；PI)。測試結果顯示，本研究推估之PI可合理反映颱風中心位置、移動速度、移動方向…等颱風路徑預報技術的可能影響因子，且PI可涵蓋合理比例的觀測資料，1(或2)倍標準偏差之PI可涵蓋約68±10% (或95±5%)的觀測資料。此外，在額外考慮數值天氣預報模式的颱風路徑預報資訊之後，PI之半徑縮小，且仍可提供合理的涵蓋率。綜合以上研究成果可知，使用本研究提出之方法可有效估計颱風路徑預報之不確定性範圍。

Currently, the uncertainty of typhoon track forecasts in various countries is mainly estimated using cumulative probability analysis based on recent official forecast errors, or by applying the Monte Carlo Method to randomly sample forecast errors in order to estimate the potential range of official forecast errors.
This study utilizes Long Short-Term Memory (LSTM), a type of Recurrent Neural Networks (RNN), to capture the spatiotemporal correlations of typhoon track forecast errors, thereby presenting situation-dependent forecast uncertainties. The datasets used in this study include the Central Weather Administration’s (CWA) official TC track forecasts from 2018 to 2022, as well as deterministic and ensemble track forecasts from global numerical weather prediction models, specifically the ECMWF and NCEP models.
The results show that typhoon track forecasts calibrated by the LSTM are generally better than the CWA official forecasts. However, the improvement is limited, and forecast errors still remain. To represent the uncertainty in track forecasts, this study further estimates the prediction interval (PI) of typhoon tracks. The results indicate that the estimated PIs can reflect the potential factors that influence typhoon track forecast skills, such as center position, movement speed, and direction. The PIs can reasonably cover the proportion of observed data, and the PIs of the one (two) standard deviation encompass approximately 68±10% (95±5%) of observed data. Moreover, if TC track forecast information from global numerical weather prediction models is considered, the radius of forecast uncertainty range becomes smaller while still maintaining reasonable coverage. Overall, the findings suggest that the proposed method can effectively estimate the uncertainty range of typhoon track forecasts.

目錄
謝辭	i
摘要	ii
Abstract	iv
目錄	vi
圖目錄	ix
表目錄	xiv
第一章	緒論	1
1.1	前言	1
1.2	研究背景與目標	2
1.3	論文架構	7
第二章	文獻回顧	8
2.1	熱帶氣旋路徑預報分析	8
2.2	人工智慧在颱風路徑預報之應用	12
第三章	研究資料及方法	15
3.1	CWA 颱風路徑官方預報資料及數值天氣預報模式資料	15
3.2	距離誤差分析	16
3.3	蒙地卡羅法	20
3.3.1	概述	20
3.3.2	颱風預報之應用	20
3.4	ANN(Artificial Neural Network)	22
3.4.1	RNN	23
3.4.2	LSTM(Long Short-Term Memory)	24
3.4.3	Encoder-Decoder架構	26
3.5	資料前處理	27
3.6	模型架構	30
3.6.1	Encoder-Decoder模型架構	30
3.6.2	Many-to-Many之預測座標的模型	31
3.6.3	Many-to-Many之預測預報區間的模型	31
第四章	結果與討論	34
4.1	颱風路徑經緯度座標之推估	34
4.1.1	Encoder-Decoder模型	34
4.1.2	Many-to-Many模型	36
4.2	颱風路徑預報不確定性範圍之推估(0-72小時)	44
4.2.1	Many-to-Many模型架構：模型輸入CWA_OFCL	44
4.2.2	額外考慮數值天氣預報模式之颱風路徑預報資料	66
4.3	颱風路徑預報不確定性範圍之推估(0-120小時)	73
4.3.1	額外考慮數值天氣預報模式之颱風路徑預報	73
4.3.2	僅考慮數值天氣預報模式之颱風路徑預報	78
第五章	結論與建議	83
參考文獻	86
附錄1	模型參數的調適	89
附錄2	PI之詳細分析	102

圖目錄
圖1-1. 1958-2023西北太平洋區域之每月颱風生成數量。	1
圖1-2. 中央氣象署自1997至2024年之颱風路徑預報平均誤差。	2
圖 1-3. 2023年10月2日00:00 UTC小犬颱風CWA和JMA官方PTA圖。	4
圖1-4. NHC颶風路徑預報之不確定性範圍比較。	4
圖1-5. 2007年8月15日00:00 UTC之WSP估計產品示意圖。	5
圖1-6. 颱風路徑POS示意圖。	6
圖1-7. CWA官方預報之WSP產品示意圖：小犬颱風(2023年10月2日02:00 LST)。	6
圖2-1. 預測誤差(實際值-預測值)與實際值的對比圖。	8
圖2-2. 蒙地卡羅法估計之颶風預報路徑圖。	10
圖2-3. 颱風路徑預報平均誤差及累積不確定性範圍(cumulative uncertainty range)的關係圖。	11
圖2-4. IFS和5個AIWP模式颱風路徑預報平均誤差分析。	12
圖2-5. 模型示意圖。(摘自Fernandez et al., 2025)	14
圖2-6. 不確定性範圍涵蓋觀測值比例。(摘自Fernandez et al., 2025)	14
圖3-1. 2018-2022年之CWA颱風路徑官方預報樣本分布。	15
圖3-2. 2018-2022年之颱風路徑資料樣本分布。	16
圖3-3. 颱風路徑預報誤差(ATE、CTE、Dist)之計算示意圖。	17
圖3-4. 0-120小時ATE樣本分布直方圖。	18
圖3-5. 0-120小時CTE樣本分布直方圖。	19
圖3-6. 蒙地卡羅法抽樣之1000條路徑圖。	21
圖3-7. 1000條路徑的POS圖。	21
圖3-8. ANN示意圖。	22
圖3-9. RNN架構示意圖。	23
圖3-10. 不同RNN架構之比較圖。	24
圖3-11. RNN示意圖。	24
圖3-12. LSTM示意圖。	25
圖3-13. 雙向LSTM架構圖。	26
圖3-14. Encoder-Decoder架構圖。	27
圖3-15. 本研究採用之預報資料於0-72 h之預報樣本比較圖。	28
圖3-16. 本研究採用之預報資料空間分佈圖。	29
圖3-17. 本研究之颱風路徑預報修正之Encoder-Decoder架構圖。	30
圖3-18. 預測路徑的Many-to-Many架構圖。	31
圖3-19. 預測颱風路徑PI的Many-to-Many模型架構圖。	32
圖4-1. Encoder-Decoder模型之Loss收斂圖。	34
圖4-2. CWA_OFCL及Encoder-Decoder的距離誤差分佈比較圖：Training。	35
圖4-3. Model-0之Loss收斂圖。	36
圖4-4. CWA_OFCL及Model-0之相鄰預報時間誤差分析圖：Training。	37
圖4-5. CWA_OFCL及Model-0之相鄰預報時間誤差分析圖：Validation。	38
圖4-6. CWA_OFCL及Model-0之相鄰預報時間誤差分析圖：Testing。	38
圖4-7. CWA_OFCL及Model-0的距離誤差分佈比較圖：Training。	41
圖4-8. CWA_OFCL及Model-0的距離誤差分佈比較圖：Validation。	41
圖4-9. CWA_OFCL及Model-0的距離誤差分佈比較圖：Testing。	42
圖4-10. 颱風路徑比較圖。	43
圖4-11. Model-1之Loss收斂圖。	44
圖4-12. CWA_OFCL及Model-1之相鄰預報時間誤差分析圖：Training。	45
圖4-13. CWA_OFCL及Model-1的距離誤差分佈比較圖：Training。	47
圖4-14. Model-1之移動速度分布圖：平均值。	50
圖4-15. Model-1之移動速度分布圖：中位數。	51
圖4-16. Model-1之移動速度誤差(預測值-觀測值)分布圖：平均值。	52
圖4-17. Model-1之移動速度誤差(預測值-觀測值)分布圖：中位數。	53
圖4-18. Model-1之移動角度分布圖：平均值。	55
圖4-19. Model-1之移動角度分布圖：中位數。	56
圖4-20. Model-1之移動角度誤差(預測值-觀測值)區域分布圖：平均值。	57
圖4-21. Model-1之移動角度誤差(預測值-觀測值)區域分布圖：中位數。	58
圖4-22. Model-1之移動速度觀測值與距離誤差盒狀圖。	60
圖4-23. Model-1之移動角度觀測值與距離誤差盒狀圖。	61
圖4-24. Model-1之移動速度觀測值與1STD盒狀圖。	62
圖4-25. Model-1之移動角度觀測值與1STD盒狀圖。	63
圖4-26. Model-1預報不確定性半徑範圍(1 STD)與預報時間之分析圖。	64
圖4-27. Model-1預報不確定性範圍之觀測資料涵蓋比例圖。	64
圖4-28. Model-1颱風路徑預報與不確定性範圍估計圖。	65
圖4-29. Model-2之Loss收斂圖。	66
圖4-30. Model-1及Model-2之距離誤差、1STD比較。	69
圖4-31. Model-1及Model-2之颱風路徑預報與不確定性範圍估計比較圖。	69
圖4-32. Model-1及Model-2之預報不確定性範圍之觀測資料涵蓋比例圖。	70
圖4-33. 12-72小時之颱風路徑分布圖。	72
圖4-34. Model-1及Model-2之預報不確定性範圍涵蓋比例：去除南修颱風。	72
圖4-35. Many-to-Many模型延長至120小時架構圖。	73
圖4-36. Model-3之Loss收斂圖。	74
圖4-37. Model-2及Model-3之距離誤差、1STD比較。	76
圖4-38. Model-2及Model-3之颱風路徑預報與不確定性範圍估計比較圖。	76
圖4-39. Model-2及Model-3預報不確定性範圍之觀測資料涵蓋比例圖。	77
圖4-40. Model-4之Loss收斂圖。	78
圖4-41. Model-3及Model-4之距離誤差、1STD比較。	80
圖4-42. Model-3及Model-4之颱風路徑預報與不確定性範圍估計比較圖。	81
圖4-43. Model-3及Model-4預報不確定性範圍之觀測資料涵蓋比例圖。	82
 
表目錄
表3-1. ATE、CTE前後時間相關性分析。	17
表4-1. Encoder-Decoder預測值與OBS之距離誤差比較(單位：公里)。	36
表4-2. CWA_OFCL及Model-0於相鄰預報時間之誤差相關係數。	39
表4-3. CWA_OFCL及Model-0之距離誤差之成對樣本t檢定。	40
表4-4. CWA_OFCL與Model-0之距離誤差比較(單位：公里)。	42
表4-5. CWA_OFCL及Model-1於相鄰預報時間之誤差相關係數。	45
表4-6. CWA_OFCL及Model-1之距離誤差之成對樣本t檢定。	46
表4-7. CWA_OFCL與 Model-1之距離誤差比較(單位：公里)。	48
表4-8. 本研究之模型測試統整表。	67
表4-9. Model-1及Model-2的距離誤差及PI半徑之成對樣本t檢定。	68
表4-10. 颱風預報距離誤差之平均值及中位數(單位：公里)。	71
表4-11. Model-2及Model-3的距離誤差及PI半徑之成對樣本t檢定。	75
表4-12. Model-3及Model-4的距離誤差及PI半徑之成對樣本t檢定。	79

1.中央氣象署，颱風資料庫。網址：https://rdc28.cwa.gov.tw/TDB/。
2.中央氣象署，颱風百問。網址：https://www.cwa.gov.tw/V8/C/K/Encyclopedia/typhoon/index.html。
3.中央氣象署，2025，颱風機率產品說明。網址：https://www.cwa.gov.tw/V8/assets/pdf/know/typhoon/TY_NEWS_QA_ZHTW.pdf?v=20250110。
4.蔡孝忠、呂國臣、許乃寧、賈愛玫，2011，蒙地卡羅法在颱風侵襲機率估計的應用。大氣科學，269-288。
5. DeMaria, M., J. A. Knaff, R. Knabb, C. Lauer, C. R. Sampson, and R. T. DeMaria, 2009: A new method for estimating tropical cyclone wind speed probabilities. Wea. Forecasting, 24, 1573–1591.
6.DeMaria, M., J. A. Knaff, C. R. Sampson, and K. D. Musgrave, 2013: Improvements to the operational tropical cyclone wind speed probability model. Wea. Forecasting, 28, 586–602.
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.Elsberry, R. L., 2014: Advances in research and forecasting of tropical cyclones from 1963–2013. Asia-Pac. J. Atmos. Sci., 50, 3–16, https://doi.org/10.1007/s13143-014-0001-1.
9.Fukuda, J., and M. Yamaguchi, 2019: Determining 70 percent probability-circle radii of tropical cyclone track forecasts with multiple ensembles. SOLA, 15, 250–256, https://doi.org/10.2151/sola.2019-045.
10.Fernandez, M. A., E. A. Barnes, R. J. Barnes, M. DeMaria, M. McGraw, G. Chirokova, and L. Lu, 2025: Predicting tropical cyclone track forecast errors using a probabilistic neural network. Artif. Intell. Earth Syst., 4, e240066, https://doi.org/10.1175/AIES-D-24-0066.1.
11.Hochreiter, S., and J. Schmidhuber, 1997: Long short-term memory. Neural Comput., 9, 1735–1780, https://doi.org/10.1162/neco.1997.9.8.1735.
12.Liu, C. C., K. Hsu, M. S. Peng, and Coauthors, 2024: Evaluation of five global AI models for predicting weather in Eastern Asia and Western Pacific. npj Clim. Atmos. Sci., 7, 221, https://doi.org/10.1038/s41612-024-00769-0.
13.McCulloch, W. S., and W. Pitts, 1943: A logical calculus of the ideas immanent in nervous activity. Bull. Math. Biophys., 5, 115–133, https://doi.org/10.1007/BF02478259.
14.Molina, R., and I. Rudik, 2024: The social value of hurricane forecasts. NBER Working Paper, No. 32548, National Bureau of Economic Research, https://doi.org/10.3386/w32548.
15.Schuster, M., and K. K. Paliwal, 1997: Bidirectional recurrent neural networks. IEEE Trans. Signal Process., 45, 2673–2681, https://doi.org/10.1109/78.650093.
16.Sutskever, I., O. Vinyals, and Q. V. Le, 2014: Sequence to sequence learning with neural networks. arXiv preprint, arXiv:1409.3215, https://doi.org/10.48550/arXiv.1409.3215.
17.Rosenblatt, F., 1958: The perceptron: A probabilistic model for information storage and organization in the brain. Psychol. Rev., 65, 386–408, https://doi.org/10.1037/h0042519.
18.Rumelhart, D. E., and J. L. McClelland, 1987: Learning internal representations by error propagation. Parallel Distributed Processing: Explorations in the Microstructure of Cognition: Foundations, MIT Press, 318–362.