應用機器學習預報臺灣北部夏季午後對流之研究

Abstract

本研究以臺灣北部地區夏季午後對流降雨為研究對象，採用XGBoost機器學習模型(eXtreme Gradient Boosting)進行降雨分級預報，並結合SHAP方法（SHapley Additive exPlanations）分析模型輸出結果，以強化預報的可信度與可解釋性。研究使用2018至2024年5至9月間的中央氣象署觀測資料、探空資料及相關模式輸出進行模型訓練與驗證。結果顯示，XGBoost模型對於午後降雨事件具備良好的分級預報能力，其驗證資料的預兆得分（TS）達 0.76，誤報率（FAR）僅 0.11，較過去採用模糊邏輯方法之 TS = 0.594、FAR = 0.333明顯提升，展現 AI 方法在中小尺度降雨預報上的潛力與優勢。研究進一步指出，當預報目標越單純時，XGBoost所獲得的技術指標表現越佳，顯示明確界定預報任務能有效提升模型效能。透過SHAP分析，成功辨識影響午後對流降雨的多項關鍵特徵，包括低層水氣輸送、中高層大氣穩定度及近地面風場配置等；各特徵貢獻方向與過往研究所揭示的午後對流機制相符，驗證模型結果具備物理合理性與可解釋性。此外，分析也發現，當預報目標限定於弱綜觀環境下的午後對流降水時，模型對中高層動力與穩定度特徵的依賴性顯著增加，而針對所有降雨事件則以地面水氣與風場為主要依據，顯示不同尺度與條件下，AI 模型可捕捉不同的環境場訊號。研究同時討論了AI模型於中小尺度對流事件預報上的應用優勢與侷限，指出雖能突破傳統數值模式在解析度與即時性上的限制，但AI模型的黑箱過程仍是實務應用的重要挑戰。透過SHAP分析，本研究部分化解此問題，提升了預報結果的透明度。然而，本研究也坦承資料量有限及僅聚焦夏季弱綜觀條件，模型於不同區域及季節的泛化性尚待驗證。未來研究建議可擴增更長期與多樣化的觀測資料，並結合AI與數值模式之優勢，發展混合式預報系統，兼具物理完整性與AI高效能及可解釋性。同時，針對尚未完全明瞭的高層與近地面動力場特徵，未來亦應結合更高解析度的資料進一步探討。綜上所述，本研究展示了以XGBoost搭配SHAP方法進行午後降雨分級預報的可行性，成果可為短期降雨預報作業提供新的技術參考與方法支持，亦為未來相關應用提供可持續發展之基礎。none