(3.236.122.9) 您好!臺灣時間:2021/05/14 06:17
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

: 
twitterline
研究生:林淵群
研究生(外文):Yuan-Chun Lin
論文名稱:應用雷達回波於雨區預報之實作及其資訊管理意涵之研究
論文名稱(外文):A study of implementation of rainfall area precipitation forecast using radar echo and its implications on information management
指導教授:林冠成林冠成引用關係
指導教授(外文):Kuan-Cheng Lin 林冠成
口試委員:許志義張保亮
口試委員(外文):Jyh-Yih Hsu 許志義Pao-Liang Chang 張保亮
口試日期:2016-06-29
學位類別:碩士
校院名稱:國立中興大學
系所名稱:資訊管理學系所
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2016
畢業學年度:104
語文別:中文
論文頁數:81
中文關鍵詞:時間序列雷達回波機器學習支援向量機(SVM)
外文關鍵詞:QPESUMSRadar echosupport vector machinetime series
相關次數:
  • 被引用被引用:3
  • 點閱點閱:348
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:28
  • 收藏至我的研究室書目清單書目收藏:0
近年來全球氣候變遷,在台灣短時間內的強降雨逐年增多,面對短時間內發生快且多的降雨量,如何能提早防範以減少災害的發生為重要的課題。在颱風、梅雨鋒面和弱綜觀環境下等氣候型態下皆有強降雨的案例發生,其中弱綜觀環境下的短時間內強降雨較難以預測。因此在弱綜觀環境下的短時間內的降雨為本研究的重點。

在目前降水預報上,主要以數值型天氣預報和外延法,數值型天氣預報針對大範圍上有較佳的效果且預報時間可以較長;而外延法方法為以目前時刻情況去做出外延推估,在短時間內相對效果較佳,但隨著預測時間越長,數值型天氣預報會較佳。使用外延法需要有密集且即時的觀測資料,而雷達回波俱有即時性和大範圍的性質。

本研究以劇烈天氣監測系統QPESUMS中的合成雷達回波資料為研究資料,透過對於雷達回波資料做預處理。從空間、時間、雷達回波擷取逐步篩選出做為建立模型的資料樣本,轉換為時間序列形式,同時探討時間序列視窗數建立最佳模型。目地在於建立最佳雨區預報,區分出弱綜觀環境下、颱風和鋒面三種氣候型態加上未區分的氣候型態分別建立四種模型。

在模型建立上,將雷達回波資料轉換為時間序列的格式,搭配支援向量機(SVM)建立預測雷達回波強度模型,再透過Z-R關係式判斷是否為降雨之可能。以過去60分鐘的雷達回波資料,做為支援向量機的輸入,預測為一小時和半小時後雷達回波強度。實驗結果在弱綜觀環境下預測一小時可達0.38-0.61,預測半小時有較佳的結果,可達0.52-0.73,因為在弱綜觀環境下雷達回波消散較快速且持續時間不長。


In recent years, global climate change, heavy rainfall within a short time has increased every year in Taiwan. Faced with heavy rainfall within a short time, how to prevent heavy rainfall to reduce disasters is an important issues. Heavy rains may come from typhoons, Mei-Yu frontal and weak synoptic condition which is hard to predict at the weak synoptic condition. Therefore, the prediction of heavy rainfall in a short time under the weak synoptic condition is a focus of the research.

Research data come from QPESUMS (Quantitative Precipitation Estimation and Segregation Using Multiple Sensor) radar echo data. Through the radar echo data preprocessing, from space, time, and fetch the radar echo data gradually as a data sample to build a model. Then build up typhoons, Mei-Yu frontal, weak synoptic condition and total days the case four kinds of weathers pattern model. This research mainly focuses on weak synoptic condition environment.

This study develops four weather model using support vector machine (SVM) with time series as model input to predict radar echo intensity. Then using Z-R relationship for radar echo to predict rainfall or not. The experimental find out using past 60-minute radar echo intensity a better feature number as model input to predict next an hour and 30 minute radar echo intensity. Under a weak synoptic condition, the experimental result shows CSI about 0.38-0.61 at 60-minutes prediction and CSI about 0.52-0.73 at 30-minutes prediction. Because radar echoes dissipated relatively quickly and do not last long under weak synoptic condition.


摘要 i
Abstract ii
目次 iii
第一章 緒論 1
1.1 研究背景與動機 1
1.2 論文架構 3
第二章 相關文獻 4
2.1 雷達回波 4
2.1.1 氣象雷達 4
2.1.2 雷達回波外延法 6
2.2 時間序列 7
2.3 支援向量機 9
第三章 研究方法 12
3.1資料預處理 12
3.2雷達回波預測模型之建立 19
3.3雷達回波預測模型之驗證 20
第四章 實驗結果 22
4.1 弱綜觀下持續式模型與間隔式模型實驗結果 22
4.1.1弱綜觀下持續式模型預測一小時和半小時結果 22
4.1.2弱綜觀下間隔式模型預測一小時和半小時結果 24
4.1.3小結 27
4.2 鋒面、颱風和184天持續式和間隔式模型實驗結果 28
4.2.1颱風下持續式和間隔式模型預測1小時和半小時結果 28
4.2.2鋒面下持續式和間隔式模型預測1小時和半小時結果 29
4.2.3 184天下持續式和間隔式模型預測1小時和半小時結果 30
4.3 模型運算時間估計 31
4.4 驗證 34
4.4.1弱綜觀下、颱風、鋒面和184天 35
4.4.2颱風 40
4.4.3鋒面 41
4.4.4 184天 42
4.4.5小結 43
第五章 結論與未來方向 45
參考文獻 46
附錄一:弱綜觀下持續型預測一小時實驗數據 49
附錄二:弱綜觀下持續型預測半小時實驗數據 54
附錄三:弱綜觀下間隔型預測一小時實驗數據 59
附錄四:弱綜觀下間隔型預測半小時實驗數據 64
附錄五:颱風預測一小時和半小時實驗數據 69
附錄六:鋒面預測一小時和半小時實驗數據 72
附錄七:184天預測一小時和半小時實驗數據 75
附錄八:建立模型和預測運算時間數據 78

參考文獻
[1]交通部中央氣象局,新雨量分級Q&A
http://www.cwb.gov.tw/V7/knowledge/faq/rainfaq.htm
[2]中央氣象局,2015,氣象遙測觀測-氣象衛星與氣象雷達
[3]顏亦堅,2010,都會效應對台北夏季午後降水的影響,中國文化大學大氣科學研究所碩士論文。
[4]Turner, J. B., Zawadzki, I., and Germann, U, 2004, Predictability of Precipitation from Continental Radar Images. Part III: Operational Nowcasting Implementation (MAPLE). J. Appl. Meteor.(43), 231-248.
[5]DuFran, M. Z., R. L. Carpenter, Jr. and B. L. Shaw, 2009,Improved
precipitation nowcasting algorithm using a high-resolution NWP
model and national radar mosaic, AMS 3
[6]洪國展、馮智勇、陳姿瑾、李天浩、黃椿喜,2015,利用ABLER法發展臺灣地區雷達回波外延估計,104年天氣分析與預報研討會。
[7]陳新淦、黃椿喜、呂國臣、洪景山、張博雄,2014,發展模式與觀測雷達回波影像比對技術及改善極短期降水預報之研究,103年天氣分析與預報研討會。
[8]Xin, L., G. Recuter, and B. Larochelle, 1997, Reflectivity-rain rate relationship for convective rain showers in Edmonton. Atmos. Ocean, 35, 513-521.
[9]中央氣象局網站 http://www.cwb.gov.tw/
[10]丘台光、陳嘉榮、張保亮、林品芳,2007,劇烈天氣監測系統QPESUMS之服務與應用國土資訊系統通訊,61,15-26。
[11]E. Toth, A. Brath and A. Montanari, 2000,Comparison of short-time rainfall prediction models for real-time flood forecasting, Journal of the Hydrology , 239, 132-147。
[12]黃智顯,1996,水文時間序列類神經網絡之研究及其應用於流量之預測,國立台灣大學農業工程學系碩士學位論文。
[13]葉天降、滕春慈、黃麗玫、馮欽賜、張庭槐,2012,「中央氣象局數值天氣預報作業系統(一)歷史演進」,氣象學報,48,53-68。
[14]Rinehart, R. E. and Garvey, E. T. ,1978, Three-dimensional storm motion detection by conventional weather radar. Nature, 273:287-289.
[15]Takasao, T. and M. Shiiba, 1984,Development of techniques for on-line forecasting of rainfall and flood runoff., Natural Disaster Science, 6 , 83.
[16]DuFran, M Z., R. L. Carpenter, Jr. and B. L. Shaw 2009, Improved precipitation nowcasting algorithm using a high-resolution NWP model and national radar mosaic”, AMS 34th Conference on Radar Meteorology, Williamsburg, VA, 3B.6.
[17]張保亮,2014,氣象雷達與應用,大氣科學,50。
[18]黃葳芃,2004,多雷達資料合成技術開發-0至1小時定量降水預報,交通部中央氣象局,出國考察報告。
[19]丘台光、張保亮、林品芳、梁信廣、周政弘,2005,發展利用多重觀測資料進行降水估計與預報之應用研究(I),行政院國家科學委員會專題研究計畫。
[20]張亞萍、程明虎、夏文梅、崔哲虎、楊洪平,2006,天氣雷達回波運動場估測及在降水臨近預報中的應用,氣象學報,64,631-646。
[21]李建通、高守亭、郭林,2011,基於雷達回波最大重疊率的一種臨近降水預報方法,大氣科學,35,519-530。
[22]李孟軒、葉世瑄、陳建安、朱美霖、黃椿喜,2015,豪大雨個案之定量降水預報校驗。104年天氣分析與預報研討會。
[23]王改利、趙翠光、劉黎平、王紅艷,2013,雷達回波外推預報的誤差分析,高
原氣象,32,874-883。
[24]Kuligowski, R.J., Barros, A.P., 1998. Experiments in short-term precipitation forecasting using artificial neural networks. Mon. Weather Rev. 126, 470–482.
[25]T.M. Cover, P.E. Hart,1967,Nearest Neighbor Pattern Classification, IEEE Transactions on Information Theory, vol. IT-IS, no. 1, pp.21-27.
[26]Kin C. Luk, J.E. Ball, A. Sharma, 2001, An application of artificial neural networks for rainfall forecasting. Journal of Hydrology, Vol. 33, Issues. 6-7, Pages 683-693.
[27]Rumelhart, D. E., and J. L. McClelland ,1986 , Learning internal representation by error propagation ,Parallel Distributed Processing,1, 318-362, MA: MIT Press.
[28]陳士杰,最近鄰居分類法(KNN),國立聯合大學,資訊管理學系 http://sjchen.im.nuu.edu.tw/MachineLearning/final/CLS_Nearest-neighbor.pdf
[29]Cortes, C., & Vapnik, V. , 1995, Support-vector networks. Machine learning,20(3), 273-297.
[30]陳士杰,支持向量機基礎,國立聯合大學,資訊管理學系http://sjchen.im.nuu.edu.tw/MachineLearning/final/CLS_SVM.pdf
[31]Chih-Chung Chang and Chih-Jen Lin, 2011 , LIBSVM : a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, Vol. 2, No. 3, pp. 1-27
[32]R.-E. Fan, P.-H. Chen, and C.-J. Lin. 2005, Working set selection using second order information for training SVM. Journal of Machine Learning Research 6, 1889-1918,
[33]Fattah, Mohamed Abdel. , 2012 ,The use of MSVM and HMM for sentence alignment. Journal of Information Processing Systems 8.2: 301-314.
[34]Zhang, J., K. Howard and J. J. Gourley, 2005, Constructing three-dimenstional multiple radar reflectivity mosaics: examples of convective storms and stratiform rain echoes. J. Atmos.Ocean. Tech., 22, 30-42.
[35]王堅紅、黃維、王群,2015,雷達回波預測極端暴雨概率方法構建原理與應用研究。高原氣象,575 - 585。
[36]交通部中央氣象局,2015,103氣象年報,71-85。
[37]莊璧瑜,2014,雲解析模式對臺灣梅雨季豪大雨定量降水預報技術之評估研究,國立臺灣師範大學地球科學系碩士學位論文。
[38]Schaefer, Joseph T., 1990, The critical success index as an indicator of warning skill. Weather And Forecasting, 5, 570-575.
[39]Introduction of weka tool, http://www.cs.waikato.ac.nz/ml/weka/
[40]吳蕙如,張庭槐,林宗翰,李淑玲,2014,中央氣象局數值天氣預報作業控制系統現況介紹。103年天氣分析與預報研討會。
[41]林品芳、張保亮、周仲島,2012,弱綜觀環境下台灣午後對流特徵及其客觀預報。大氣科學,40,77–107。


QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔