利 用機器學習修正QPESUMS雷達估計降雨                

                                    劉 鑌 鋈

本研究利用中央氣象局QPESUMS (quantitative precipitation estimation and segregation using multiple sensors)系統所提供之雷達估計雨量，以支撐向量回歸(support vector regression, SVR)及輻狀基底函數類神經網路(radial basis function neural network, RBFNN)兩種模式，結合地面觀測雨量及地理空間因子進行修正雷達估計雨量，其目的為期望提昇雷達估計降雨之準確性，並保有雷達雨量具高解析度及涵蓋完整區域之優點。本研究選取七場颱風事件作為模式率定與驗證，其中前四場事件作為模式之率定，後三場事件為驗證，以地面雨量站對應上方九個雷達估計雨量、地面雨量站位置之X坐標與Y坐標、地面雨量站高程以及地面雨量站與七股雷達站的直線距離為四種輸入因子，依不同因子的組合分別建立五種輸入向量，並討論不同的輸入向量對於模式建立之影響程度。經由分析結果可知隨著影響降雨特性之輸入因子資訊量增加，兩種模式的率定結果越好；本文以2007年三場颱風事件進行台灣西南部之時雨量修正，初步結果顯示兩種模式表現在總雨量方面，能將原雷達估計雨量之均方根誤差減少將近一半，且其相關係數能由0.7提昇至0.8以上，顯示SVR模式以及RBFNN模式能夠有效利用地面觀測雨量訊息結合雷達估計雨量，尤其在山谷地區及靠近中央山脈之雷達估計降雨之修正結果，支撐向量回歸(SVR)比輻狀基底函數類神經網路(RBFNN)能有效地掌握雷達雨量於地理空間因子之相關訊息。

關鍵詞：QPESUMS、雷達估計雨量、地面雨量站、支撐向量回歸(SVR)、輻狀基底函數類神經網路(RBFNN)