以機器學習方法結合氣象水文與衛星微波頻道資料提升颱風降雨量預測能力之研究

Abstract

台灣位於西北太平洋颱風之主要路徑上。每當颱風侵襲時，流域上游集水區短且急之強降雨量導致山崩、土石流發生，也在下游低窪地區造成淹水，對人民生命財產造成極大損失。因此，各防洪單位莫不期盼氣象及水利單位能提供有效用之颱風時期定量降雨強度相關資訊，以便及早進行防洪抗災相關作業。本計畫目的為結合氣象水文與衛星微波頻道資料，採用機器學習模式進行颱風小時降雨量之預測（1-6小時），期望達成強化雨量預報之技術和能力。本計畫為求實用性，在資料取得之即時與便利考量上，將採用中央氣象局在颱風期間所發布之海上陸上颱風警報單氣象資料與研究區域雨量站即時降雨量，再結合NOAA (National Oceanic and Atmospheric Administration)即時衛星微波頻道資料。 本計畫將以一年為期完成研究工作。本計畫使用之主要方法流程包括：近期颱風氣象與水文資料收集、近期颱風微波頻道資料收集、屬性選擇與定義、訓練與驗證資料集分類、各方案擬訂、三種機器學習模式建立、散射指數法(Scattering index, SI)建立、降雨預測模式建立、各方案預測結果產生、技術得分計算與評估以及預測降雨強度模擬與討論。上述中，三種機器學習模式包括貝氏網路模式(Bayesian networks, BN)、決策樹(Decision trees, C5.0)與多元線性回歸(Multiple linear regressions, MLR)。本計畫所引進之新近貝氏網路模式又稱信任網路或有向非循環圖形(Directed acyclic graphs)模型。貝氏網路模式是一種包含貝氏網路的結構以及條件機率分布之機率圖型模式。本計畫所提出之方法論將應用於石門水庫集水區，研究期間將收集近15年(1997-2011)間侵台之颱風水文、氣象及衛星資料以及集水區內13個雨量站雨量資料。本計畫預期所發展之降雨預測模式將獲致不錯之結果，以此資料取得簡易、迅速方式提供給預測地區一即時颱風雨量預報之資訊。