(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。