本研究分析西北太平洋地區大尺度環境因子與1-2週颱風生成關聯性，並進一步應用人工智慧（Artificial Intelligence；AI）方法，建立颱風生成機率預報指標。本研究考慮的大尺度環境因子包含西北太平洋季風指標（Western North Pacific Monsoon Index；WNPMI）、海表面溫度（Sea Surface Temperature；SST）、馬登-朱利安振盪（Madden-Julian Oscillation, MJO）與北半球夏季季內振盪（Boreal Summer Intraseasonal Oscillation；BSISO）。

本研究採用Encoder-Decoder架構的長短期記憶（Long Short-Term Memory；LSTM），建立颱風生成機率AI預報模型。此外，為了降低資料類別不平衡對於模型訓練的影響，本研究之損失函數採用Binary Focal Cross Entropy。分析結果顯示，相較於西北太平洋不分區之模式，考慮5個分區的颱風生成機率預報模式，可反映大尺度環境因子與颱風生成區域的關聯性。WNPMI之分析結果顯示，季風指標越高，颱風生成頻率增加，模式之可靠度分析曲線也越貼近對角線，顯示模式可掌握強季風條件下的颱風生成特性。SST之分析結果顯示，模式能有效反映聖嬰與反聖嬰期間之颱風生成區域差異。MJO與BSISO之分析結果顯示，相位5-6及7-8之預報能力通常較佳。此外，當預報時間延伸至未來2週時，模式仍可維持一定的預報技術及穩定性，尤其是菲律賓東方的颱風主要生成區。

整體而言，本研究考慮多種大尺度環境因子，並利用AI方法開發颱風生成機率預報模式，模式可提供未來2週之颱風生成及可能生成區域之預報資訊，並可反映不同環境條件的颱風生成狀況。

This study analyzes the relationship between large-scale environmental factors and tropical cyclone (TC) formation in the Western North Pacific (WNP) over a 1- to 2-week timescale. Furthermore, it applies Artificial Intelligence (AI) techniques to develop a probabilistic forecasting model for TC formation. The environmental factors considered include the Western North Pacific Monsoon Index (WNPMI), Sea Surface Temperature (SST), Madden–Julian Oscillation (MJO), and Boreal Summer Intraseasonal Oscillation (BSISO).

This study uses the Long Short-Term Memory (LSTM) based on the Encoder-Decoder architecture to develop an AI forecasting model for typhoon formation probability. Binary Focal Cross-Entropy is used to mitigate the impact of data imbalance on model training. Compared to the unpartitioned model for the western North Pacific, the results indicate that the TC formation probability forecasting model that considers five regions can better reflect the relationships between large-scale environmental factors and typhoon formation regions. For WNPMI, the results show that stronger monsoon conditions are associated with increased TC formation frequency, and the reliability diagram closely aligns with the diagonal line, indicating that the model effectively captures TC formation under strong monsoon conditions. For SST, the model successfully captures the spatial differences in TC formation between El Niño and La Niña periods. For MJO and BSISO, the model exhibits higher forecast skills during Phases 5-6 and 7-8. Moreover, extending the forecast lead time to two weeks can still maintain the model’s forecast skill and stability, especially in the main typhoon formation region east of the Philippines.

Overall, this study considers various large-scale environmental factors and develops a probabilistic typhoon formation forecasting model using AI techniques. The model provides forecasts of typhoon formation and potential formation regions up to two weeks in advance, and demonstrates forecasting skill under different environmental conditions.

目錄
謝誌	i
中文摘要	ii
Abstract  iv
目錄	vi
圖目錄	viii
表目錄	xiv
第一章、緒論	1
  1.1、研究背景與動機	1
  1.2、文獻回顧	4
  1.3、研究目標與方法	18
  1.4、論文架構	18
第二章、研究資料	19
  2.1、資料選取	19
  2.2、大尺度環境因子	22
2.2.1、Nino3.4區域之海溫距平（NINO3.4_SSTA）	22
2.2.2、MJO（Madden-Julian Oscillation）	23
2.2.3、BSISO（Boreal Summer Intraseasonal Oscillation）	26
2.2.4、大尺度環境因子之直方圖	30
第三章、研究方法	31
  3.1、人工智慧預測模型	31
3.1.1、RNN（Recurrent Neural Network, RNN）	31
3.1.2、LSTM（Long Short-Term Memory, LSTM）	31
  3.2、羅吉斯迴歸分析（Logistic Regression Analysis, LR）	37
  3.3、機率式評估指標	38
3.3.1、可靠度分析圖（Reliability Diagram）	38
3.3.2、列聯表（Contingency Table）	39
3.3.3、ROC曲線（Receiver Operating Characteristic Curve）	40
3.3.4、PR曲線（Precision-Recall Curve）及F1-score	42
  3.4、大尺度環境因子之盒鬚圖	44
  3.5、變數關聯性分析	45
3.5.1、相關性分析	45
3.5.2、卡方檢定	46
第四章、結果分析	48
  4.1、參數測試	48
  4.2、模式預報技術評估與比較	49
  4.3、大尺度環境因子與模式預報技術之關聯性	64
第五章、結論	112
參考文獻	114
圖附錄	118
表附錄	126


圖目錄
圖1-1、CWA TC Tracker系統畫面示意圖	2
圖1-2、次季節尺度之熱帶氣旋潛勢預報示意圖	3
圖1-3、西北太平洋季風指標之計算及範圍定義	4
圖1-4、WNPMI 較強與較弱時期之風場型態差異（850 hPa）	5
圖1-5、西北太平洋夏季季風強（a）與弱（b）年之850 hPa平均風場流線圖與熱帶氣旋生成位置分布 5
圖1-6、熱帶風暴於六個最強聖嬰年與反聖嬰年之9-11月期間的生成位置與路徑分布	7
圖1-7、熱帶風暴於4-6月之生成位置與海溫距平圖（以等高線表示，單位為°C）在（a）強聖嬰年和（b）強反聖嬰年的分布情形	7
圖1-8、如同圖1-7，此圖為7-9月之熱帶風暴生成與海溫距平圖	8
圖1-9、5月至11月期間之CPC合成MJO指數	10
圖1-10、高值年與低值年期間颱風生成位置之空間分布	10
圖1-11、第一與第二主導MV EOF模態（BSISO1）之空間分布與主成分時間序列	12
圖1-12、第三與第四主導MV EOF模態（BSISO2）之空間分布與主成分時間序列	12
圖1-13、1981–2010年JASO期間之季內振盪（MJO、BSISO1、BSISO2）在1–8相位下之降雨與颱風統計特徵	13
圖1-14、LSTM模型架構示意圖	16
圖1-15、LSTM模型之可靠度分析圖	17
圖1-16、LSTM模型之Performance Diagram圖	17
圖2-1、西北太平洋五區位置圖	20
圖2-2、2002-2021年之颱風生成比例圖	21
圖2-3、聖嬰現象指標示意圖	22
圖2-4、MJO相位示意圖	24
圖2-5、MJO相位示意圖（本研究自行繪製）	24
圖2-6、MJO相位區域劃分圖。	25
圖2-7、BSISO1示意圖	27
圖2-8、BSISO1相位示意圖（本研究自行繪製）	27
圖2-9、BSISO2示意圖	28
圖2-10、BSISO2相位示意圖（本研究自行繪製）	28
圖2-11、BSISO1相位區域示意圖	29
圖2-12、BSISO2相位區域示意圖	29
圖2-13、大尺度環境因子的數值分布直方圖	30
圖3-1、LSTM之單元架構示意圖	32
圖3-2、LSTM單元於示意圖	33
圖3-3、LSTM之Encoder-Decoder雙向模型示意圖	34
圖3-4、模型訓練中應用早停法以防過擬合之示意圖	36
圖3-5、羅吉斯迴歸函數	37
圖3-6、RD曲線示意圖	38
圖3-7、ROC曲線示意圖	41
圖3-8、PR曲線示意圖	42
圖3-9、F1-Score示意圖	43
圖3-10、WNPMI在不分區與分區兩種實驗設定之盒鬚圖	44
圖3-11、特徵相關性分析圖	45
圖3-12、特徵卡方檢定（chi2-score）	47
圖4-1、LR模型可靠度分析圖	50
圖4-2、Model-1之可靠度分析圖	50
圖4-3、Model-1之預測機率與實際生成數	51
圖4-4、Model-2之可靠度分析圖	52
圖4-5、Model-2之預報技術評估	53
圖4-6、Model-3之可靠度分析圖	54
圖4-7、Model-3之PR圖	55
圖4-8、Model-3之F1-score圖	55
圖4-9、Model-3之預測機率與實際生成數（訓練集Fold-1）	56
圖4-10、Model-3之預測機率與實際生成數（驗證集及測試集Fold-1）	57
圖4-11、Model-4之可靠度分析圖：Current	58
圖4-12、Model-4之PR圖：Current	59
圖4-13、Model-4之F1-score圖：Current	59
圖4-14、Model-4之可靠度分析圖：Week-1	60
圖4-15、Model-4之PR圖：Week-1	60
圖4-16、Model-4之F1-score圖：Week-1	61
圖4-17、Model-4之可靠度分析圖：Week-2	61
圖4-18、Model-4之PR圖：Week-2	62
圖4-19、Model-4之F1-score圖：Week-2	62
圖4-20、Model-1在5種WNPMI類別之可靠度分析圖	64
圖4-21、Model-1在5種WNPMI類別之預測機率分布圖	65
圖4-22、Model-1之預報技術評估：WNPMI	65
圖4-23、Model-3在5種WNPMI類別之可靠度分析圖	66
圖4-24、Model-3在5種WNPMI類別之預測機率分布圖：Region-2	67
圖4-25、Model-3在Region-2之預報技術評估：WNPMI	67
圖4-26、西北太平洋5區示意圖	68
圖4-27、2002-2021年之熱帶氣旋路徑圖	68
圖4-28、西北太平洋颱風路徑與生成圖（El Niño）	70
圖4-29、西北太平洋颱風路徑與生成圖（La Niña）	71
圖4-30、聖嬰年（El Niño）之預測可靠度分析結果	72
圖4-31、反聖嬰年（La Niña）之預測可靠度分析結果	73
圖4-32、聖嬰年（El Niño）之預測可靠度分析結果：Week-1、Week-2	74
圖4-33、反聖嬰年（La Niña）之預測可靠度分析結果：Week-1、Week-2	75
圖4-34、Model-3於不同MJO相位之可靠度分析圖	76
圖4-35、Model-3於不同MJO相位之預測機率分布圖	77
圖4-36、Model-3於不同MJO相位之PR圖	78
圖4-37、Model-3於不同MJO相位之F1-score圖	78
圖4-38、Model-4於不同MJO相位之可靠度分析圖：Current	79
圖4-39、Model-4於不同MJO相位之預測機率分布圖：Current	80
圖4-40、Model-4於不同MJO相位之PR圖：Current	81
圖4-41、Model-4於不同MJO相位之F1-score圖：Current	81
圖4-42、Model-4於不同MJO相位之可靠度分析圖：Week-1	82
圖4-43、Model-4於不同MJO相位之預測機率分布圖：Week-1	83
圖4-44、Model-4於不同MJO相位之PR圖：Week-1	84
圖4-45、Model-4於不同MJO相位之F1-score圖：Week-1	84
圖4-46、Model-4於不同MJO相位之可靠度分析圖：Week-2	85
圖4-47、Model-4於不同MJO相位之預測機率分布圖：Week-2	86
圖4-48、Model-4於不同MJO相位之PR圖：Week-2	87
圖4-49、Model-4於不同MJO相位之F1-score圖：Week-2	87
圖4-50、Model-3於不同BSISO1相位之可靠度分析圖	88
圖4-51、Model-3於不同BSISO1相位之預測機率分布圖	89
圖4-52、Model-3於不同BSISO1相位之PR圖	90
圖4-53、Model-3於不同BSISO1相位之F1-score圖	90
圖4-54、Model-4於不同BSISO1相位之可靠度分析圖：Current	91
圖4-55、Model-4於不同BSISO1相位之預測機率分布圖：Current	92
圖4-56、Model-4於不同BSISO1相位之PR圖：Current	93
圖4-57、Model-4於不同BSISO1相位之F1-score圖：Current	93
圖4-58、Model-4於不同BSISO1相位之可靠度分析圖：Week-1	94
圖4-59、Model-4於不同BSISO1相位之預測機率分布圖：Week-1	95
圖4-60、Model-4於不同BSISO1相位之PR圖：Week-1	96
圖4-61、Model-4於不同BSISO1相位之F1-score圖：Week-1	96
圖4-62、Model-4於不同BSISO1相位之可靠度分析圖：Week-2	97
圖4-63、Model-4於不同BSISO1相位之預測機率分布圖：Week-2	98
圖4-64、Model-4於不同BSISO1相位之PR圖：Week-2	99
圖4-65、Model-4於不同BSISO1相位之F1-score圖：Week-2	99
圖4-66、Model-3於不同BSISO2相位之可靠度分析圖	100
圖4-67、Model-3於不同BSISO2相位之預測機率分布圖	101
圖4-68、Model-3於不同BSISO2相位之PR圖	102
圖4-69、Model-3於不同BSISO2相位之F1-score圖	102
圖4-70、Model-4於不同BSISO2相位之可靠度分析圖：Current	103
圖4-71、Model-4於不同BSISO2相位之預測機率分布圖：Current	104
圖4-72、Model-4於不同BSISO2相位之PR圖：Current	105
圖4-73、Model-4於不同BSISO2相位之F1-score圖：Current	105
圖4-74、Model-4於不同BSISO2相位之可靠度分析圖：Week-1	106
圖4-75、Model-4於不同BSISO2相位之預測機率分布圖：Week-1	107
圖4-76、Model-4於不同BSISO2相位之PR圖：Week-1	108
圖4-77、Model-4於不同BSISO2相位之F1-score圖：Week-1	108
圖4-78、Model-4於不同BSISO2相位之可靠度分析圖：Week-2	109
圖4-79、Model-4於不同BSISO2相位之預測機率分布圖：Week-2	110
圖4-80、Model-4於不同BSISO2相位之PR圖：Week-2	111
圖4-81、Model-4於不同BSISO2相位之F1-score圖：Week-2	111


表目錄
表2-1、不分區與分區實驗設計比較表	20
表2-2、四種模式下之實驗設計比較表	21
表3-1、列聯表	39
表4-1、模型參數設定範圍	48

1.劉品誼、黃婉如、張雅惠、黃柏翰、陳建河, 2018。中央氣象局全球預報模式對不同BSISO相位下臺灣 
  梅雨季降雨特徵之預報能力評析：以2016－2017年為例。大氣科學，46(4)，372-405。
  https://doi.org/10.3966/025400022018124604002

2.Bröcker, J., and Smith, L. A., 2007. Increasing the reliability of reliability     
  diagrams.Weather and Forecasting, 22(3), 651-661.

3.Camargo, S. J., and Sobel, A. H., 2005. Western North Pacific tropical cyclone 
  intensity and ENSO. Journal of Climate, 18(15), 2996–3006.

4.Cinco, T. A., de Guzman, R. G., Ortiz, A. M. D., Delfino, R. J. P., Lasco, R. D., 
  Hilario, F. D., Juanillo, E. L., Barba, R., and Ares, E. D., 2016. Observed trends 
  and impacts of tropical cyclones in the Philippines. International Journal of 
  Climatology, 36(14), 4638–4650.

5.Dahlke, J., 2024. A.I. go by many names: towards a sociotechnical definition of 
  artificial intelligence.arXiv preprint arXiv:2410.13452

6.Davis, J., and Goadrich, M., 2006. The relationship between Precision-Recall and  
  ROC curves. Proceedings of the 23rd International Conference on Machine Learning 
  (ICML), 233–240.

7.Elman, J. L., 1990.Finding structure in time.Cognitive Science, 14(2), 179–211.

8.Gers, F. A., Schmidhuber, J., and Cummins, F., 2000. Learning to forget: Continual 
  prediction with LSTM. Neural Computation, 12(10), 2451–2471.

9.Hochreiter, S. and Schmidhuber, J., 1997.Long short-term memory.Neural Computation, 
  9(8), 1735–1780.

10.Hajian-Tilaki, K., 2013. Receiver Operating Characteristic (ROC) Curve Analysis 
   for Medical Diagnostic Test Evaluation. Caspian Journal of Internal Medicine, 
   4(2), 627–635.

11.Huang, C., Li, Y., Loy, C. C., and Tang, X., 2016. Learning deep representation 
   for imbalanced classification. In Proceedings of the IEEE Conference on Computer 
   Vision and Pattern Recognition (CVPR) (pp. 5375–5384).

12.Kikuchi, K., and Wang, B., 2010. Formation of tropical cyclones in the Northern 
   Indian Ocean associated with two types of tropical intraseasonal oscillation 
   modes. Journal of the Meteorological Society of Japan, 88(3), 475–496.

13.Lin, C.-q., Fan, L.-l., Chen, X.-z., Li, J.-H., and Xu, J.-j., 2024. Modulation of 
   the Madden–Julian Oscillation Center Stagnation on Typhoon Genesis over the 
   Western North Pacific. Atmosphere, 15(3), 373.

14.Lee, J.-Y., Wang, B., Wheeler, M. C., Fu, X., Waliser, D. E., and Kang, I.-S., et 
   al., 2013. Real‑time multivariate indices for the boreal summer intraseasonal 
   oscillation over the Asian summer monsoon region. Climate Dynamics, 40(2), 493-
   509.

15.Li, R. C. Y., and Zhou, W., 2013. Modulation of western North Pacific tropical 
   cyclone activity by the Madden–Julian Oscillation. Journal of Climate, 26(8), 
   2904–2918.

16.Lin, T. Y., Goyal, P., Girshick, R., He, K., and Dollár, P., 2017. Focal loss for 
   dense object detection. In Proceedings of the IEEE International Conference on 
   Computer Vision (ICCV) (pp. 2980–2988).

17.Lee, J.-Y., Wang, B., Wheeler, M. C., Fu, X., Waliser, D. E., and Kang, I.-S., 
   2013. Real-time multivariate indices for the boreal summer intraseasonal 
   oscillation over the Asian summer monsoon region. Climate Dynamics, 40(3–4), 493–
   50.

18.Saito, T., and Rehmsmeier, M., 2015. The precision-recall plot is more informative 
   than the ROC plot when evaluating binary classifiers on imbalanced datasets. PLOS 
   ONE, 10(3), e0118432.

19.Wang, B., Wu, R., and Lau, K. M., 2001.Interannual variability of the Asian summer 
   monsoon: Contrasts between the Indian and the western North Pacific–East Asian 
   monsoons.Journal of Climate, 14(20), 4073–4090.

20.Wang, B., and Chan, J. C. L., 2002.How Strong ENSO Events Affect Tropical Storm 
   Activity over the Western North Pacific.Journal of Climate, 15(13), 1643–1658.

21.Wang, B., and Chan, J. C. L., 2002. How strong ENSO events affect tropical storm 
   activity over the western North Pacific. Journal of Climate, 15(13), 1643–1658.

22.Werbos, P. J., 1990.Backpropagation through time: what it does and how to do 
   it.Proceedings of the IEEE, 78(10), 1550–1560.

23.Wheeler, M. C., and Hendon, H. H., 2004. An All-Season Real-Time Multivariate MJO 
   Index: Development of an Index for Monitoring and Prediction. Monthly Weather 
   Review, 132(8), 1917–1932.

24.Wu, C.C., and Kuo, Y.H., 1999. Typhoons Affecting Taiwan: Current Understanding 
   and Future Challenges. Weather and Forecasting, 14(5), 597–616.

25.Wang, B., and Chan, J. C. L., 2002. How strong ENSO events affect tropical storm 
   activity over the western North Pacific. Journal of Climate, 15(13), 1643–1658.

26.Yang, Q., Lee, C.-Y., Tippett, M. K., 2020. A long short-term memory model for 
   global rapid‑intensification prediction. Weather and Forecasting, 35(4), 1203–
   1220.

27.Youden, W. J., 1950. Index for rating diagnostic tests. Cancer, 3(1), 32–35.

28.Zhao, H., Wu, L., and Zhou, W., 2019. Recent strengthening of the relationship 
   between the western North Pacific monsoon and western North Pacific tropical 
   cyclone frequency. Journal of Climate, 32(14), 4387–4403. 

29.Zhang, C., 2005. Madden–Julian Oscillation. Reviews of Geophysics, 43(2), RG2003.

30.Zhao, I. D., Swart, T. G., and Obaido, G., 2024. Recurrent Neural Networks: A 
   Comprehensive Review of Architectures, Variants, and Applications.Information, 
   15(9), 517.