朱心宇 張惠玲*

交通部中央氣象局

(中華民國 111 年 7 月 26 日收稿；中華民國 111 年 12 月 6 日定稿)

摘 要

　　透過統計後處理(statistical post-processing, SPP)方法將原始模式進行偏差修正，並降尺度到高解析格點或特定點位，可提供使用者更具參考價值的預報資訊；但偏差修正往往需要大量的訓練樣本以估算預報偏差。由於展期系集重預報(reforecast)需要大量計算資源，剛發展成熟之系集預報系統可能缺乏足夠之重(後)預報資料以進行偏差校正。本研究擬發展結合多變量貝氏系集處理器(Multi-Variate Bayesian Processor of Ensemble, BPE)與球面調和函數波段拆解(spherical harmonics decomposition, SHD)之先進 SPP 技術，目的在於探討以單一預報取代系集預報進行 SPP 之可行性，以解決上述系集預報系統缺乏大量訓練樣本，無法進行偏差校正之困境。
　　本研究將原始系集模式的控制模擬(Control Run)進行 SHD，以拆解後的不同波段作為 BPE 預報因子，進行 SPP 以得到臺灣測站點上之展期極端低溫機率預報。BPE 演算法利用預報因子及觀測值關聯結構產生的邊緣分布作為概似函數(likelihood)，並以觀測值的氣候分布作為先驗函數(prior)，再根據最新的預報資料予以結合成後驗函數(posterior, 即為預報機率函數)；因其完全貝氏的架構，BPE 在重預報資料較少的狀況下，依然可以充分利用觀測氣候資料建立先驗函數，得到可信的後驗分布函數。
　　本研究以美國國家環境預測中心第 12 版全球系集預報(NCEP GEFS v12)之 (1)2 公尺最低溫系集平均作為單變量 BPE 預報因子 (實驗 SP_BPE)、(2)控制模擬(Control Run)之標準化 2 公尺最低溫拆解後的波段作為多變量 BPE 預報因子(實驗 MP_BPE_SH)，進行 8 至 14 天之日極端低溫預報以及第三、四週之週極端溫度預報校正。多項指標顯示：SP_BPE 與 MP_BPE_SH 兩種校正方式皆顯著提升原始模式的預報品質，但 SP_BPE 校正效果略優於 MP_BPE_SH，特別是在第三、四週之週極端低溫預報。上述結果應與預報因子的可預報度有關，因此未來擬利用可預報度較高之大尺度指標做為多變量 BPE 的預報因子，以提升第三、四週預報之校正成效。

關鍵字: 貝氏系集處理器、球面調和函數、極端溫度、展期預報、統計後處理