陳鑫澔 王重傑*
國立臺灣師範大學 地球科學系
(中華民國 110 年 6 月 11 日收稿;中華民國 111 年 6 月 17 日定稿)

摘要

颱風降雨是臺灣重要的水資源，卻也是主要的致災因素。因此，颱風預報的良莠與改善都 十分重要。自發展數值天氣預報以來，不論是單一決定性預報或多成員系集預報，一個難解的 問題，是個別預報均有其不確定性，因此該預報情境發生的機率高低，在事前無法得知、或至 少無從確定。因此，隨著人工智慧的發展，本研究建構與測試一機器學習模型，在事前提供客 觀預報指引，以幫助吾人判別每個颱風預報降水情境的可信度，藉以改善預報。確切而言，本 研究使用 2.5-km 雲解析風暴模式，對 10 個西行準侵臺颱風每 6 h 的八天差時系集預報結果，選 取共 105 個預報參數，以機器學習模型針對預報颱風在影響期間 (中心距離臺灣陸地在 300 km 以內) 總累積降雨的相似性技術得分 (Similarity Skill Score，簡稱 SSS) 進行預估。此得分由本 文定義與使用，其值的高低與該雨量預報的可信度 (即參考價值) 成正比。所有評估的預報，其 初始時間的颱風中心均尚未靠近臺灣到 300 km 以內，因此期限多在短期預報以外 (>72 h)。

由此 10 個颱風個案的評估結果顯示，在大多數的情況下，機器學習對逐次預報所預估的 SSS 值，的確可以適當掌握未來真實 SSS 的上升下降趨勢，亦即提早告訴吾人，那些預報的可 信度較高、那些可信度較低，而在事前提供有效的客觀預報指引。在本研究裡，當預估 SSS 的 50 百分位數達 0.6 以上時，其實際 SSS 有 71%也大於 0.6，而颱風行進方向的修正也有 71%是 正確的。特別對在前置時間長、不確定性高的預報初期，提高其參考價值。但是，因機器學習可 視為複雜的統計方法，當某個颱風的行為與大部分輸入訓練的資料相左時，其效果也會受到限 制，對此，本文提出了幾個可能的改進方向。

*通訊作者:王重傑，E-mail:cwang@ntnu.edu.tw