(Available at: https://doi.org/10.1016/j.atmosres.2024.107380 )
近年來因為氣候變遷加速,世界多處極端氣候發生之模式發生了改變,尤其可以觀察到在許多國家短延時、高強度之(強)降雨之發生頻率逐年上升,也帶來了許多淹水事件,造成大量人員、經濟及社會損失。面對越來越頻繁之極端降雨事件,除了需要更好地將氣候變遷效應考慮至基礎建設設計流程,也需要更準確的極端降雨、淹水預報系統,幫助都市防災之緊急應變。
隨著資訊技術進步,過去十年數值氣候模式之降雨預報能力已經大幅提升,然而於短預報延時區間(1-3小時),利用氣象雷達外延(extrapolation)之方式,目前還是提供較佳之預測能力,因此仍被許多國家氣象單位作為短延時降雨預報(nowcasting)之主要工具。然而外延法有其天然限制,主要是因為降雨隨時間之變化(variation)可以分成移動變化(advection)與降雨自身之強度演化(evolution)。單純之外延法通常較難考慮後者,因此對於午後雷陣雨型態之暴雨事件,其預報能力大幅下降,有效之預報延時通常少於一小時,甚至僅數分鐘。
本研究採用先進之雷雨胞追蹤(convective cell tracking)演算法來分析三維氣象雷達回波資料,並從中擷取出可以有效預測雷雨胞強度演化之因子,然後搭配深度學習技術(deep learning),開發出一套雷雨胞演化預測模型(如圖一所示)。本研究並進一步探索多種資料組合,對於不同雷雨胞幾何及強度特性(包含雨胞長短軸、二維及三維平均強度)演化之預測性。結果證實,由三維雷達回波資料萃取出之雨胞核心高度資訊(convective core altitude),可以提供精確之雷雨胞生命週期資訊、大幅提升雨胞強度演化之預測效果。相較於傳統忽略雨胞演化之外延法,本研究提出之方法,於15分鐘預測延時仍可以降低降雨強度預測誤差達百分之五十以上(如圖二所示)。此研究與英國氣象局合作,未來將透過分析更多資料、逐步提升預測延時,期待實際運作於英國氣象局之短延時對流雨預測系統。(土木系汪立本教授提供)

圖一、以雷雨胞追蹤技術、深度學習模型及三維氣象雷達資料為基礎,本研究所開發之雷雨胞演化預測模型流程示意圖。

圖二、多種方法、資料組合於預測不同雷雨胞特性之誤差隨預測延時之變化比較。由圖可見,相對於傳統未考慮雨胞演化之預測模型(黑色虛線),本研究提出之演化預測模型(藍色虛線:僅使用二維雷達資訊;綠色虛線:僅使用三維雷達資訊;紅色虛線:同時使用二、三維雷達資訊),可以大幅降低雷雨胞幾何及強度特性之預測誤差。