請用此 Handle URI 來引用此文件：
http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82658完整後設資料紀錄
| DC 欄位 | 值 | 語言 |
|---|---|---|
| dc.contributor.advisor | 蕭朱杏(CHUHSING KATE HSIAO) | |
| dc.contributor.author | Joyce K. Juang | en |
| dc.contributor.author | 莊美誼 | zh_TW |
| dc.date.accessioned | 2022-11-25T07:48:47Z | - |
| dc.date.available | 2023-10-08 | |
| dc.date.copyright | 2021-11-08 | |
| dc.date.issued | 2021 | |
| dc.date.submitted | 2021-10-08 | |
| dc.identifier.citation | Arnekvist, I., Carvalho, J. F., Kragic, D., and Stork, J. A. (2020). The effect of target normalization and momentum on dying ReLU. arXiv:2005.06195. Bremnes, J. B. (2020). Ensemble postprocessing using quantile function regression based on neural networks and Bernstein polynomials. Mon. Weather Rev., 148(1), 403-414. Chang, H. L., Chen, K. J., Wu, C. J., Wang, T., Hong, J. S., and Yang, S. C. (2018). Evaluation, Calibration and Economic Value Analysis of the Probabilistic Precipitation Forecasts from WRF Ensemble Prediction System in Taiwan Area-Part 1: Forecast Evaluation. Atmospheric Sciences (Meteorological Society of the ROC), 46(1), 69-104. Chong, E. K. P., and Zak, S. H. (2013). An Introduction to Optimization (Fourth ed.), 'Gradient Methods'. Hoboken: Wiley, 131-160. ISBN 978-1-1182-7901-4. Ferro, C. A. T. (2013). Fair scores for ensemble forecasts. Q. J. R. Meteorol. Soc., 140(683), 1917-1923. Gneiting, T., Raftery, A. E., Westveld III, A. H., and Goldman T. (2005). Calibrated probabilistic forecasting using ensemble model output statistics and minimum CRPS estimation. Mon. Weather Rev., 133(5), 1098-1118. Grönquist, P., Yao, C., Ben-Nun, T., Dryden, N., Dueben, P., Li, S., and Hoefler, T. (2020). Deep learning for post-processing ensemble weather forecasts. arXiv preprint arXiv:2005.08748. Hamill, T. M., Whitaker, J. S., and Wei, X. (2004). Ensemble reforecasting: Improving medium-range forecast skill using retrospective forecasts. Mon. Weather Rev., 132(6), 1434-1447. Hersbach, H. (2000). Decomposition of the Continuous Ranked Probability Score for Ensemble Prediction Systems. Weather and Forecasting, 15(5), 559-570. Höhlein, K., Kern, M., Hewson, T., and Westermann, R. (2020). A comparative study of convolutional neural network models for wind field downscaling. Meteor. Appl., 27(6), e1961. Lauret, P., Diagne, M., and David, M. (2014). A neural network post-processing approach to improving NWP solar radiation forecasts. Energy Procedia, 57, 1044-1052. Lu, L., Shin, Y., Su, Y., and Karniadakis, G. E. (2019). Dying ReLU and Initialization: Theory and Numerical Examples. arXiv preprint arXiv:1903.06733. Massidda, L., and Marrocu, M. (2018). Quantile regression post-processing of weather forecast for short-term solar power probabilistic forecasting. Energies, 11(7), 1763, 1-20. Nwankpa, C., Ijomah, W., Gachagan, A., and Marshall, S. (2018). Activation functions: Comparison of trends in practice and research for deep learning. arXiv preprint arXiv:1811.03378. Raftery, A. E., Gneiting, T., Balabdaoui, F., and Polakowski, M. (2005). Using Bayesian model averaging to calibrate forecast ensembles. Mon. Weather Rev., 133(5), 1155-1174. Rasp, S., and Lerch, S. (2018). Neural networks for postprocessing ensemble weather forecasts. Mon. Weather Rev., 146(11), 3885-3900. Taillardat, M., Mestre, O., Zamo, M., and Naveau, P. (2016). Calibrated ensemble forecasts using quantile regression forests and ensemble model output statistics. Mon. Weather Rev., 144(6), 2375-2393. Thorarinsdottir, T. L., and Gneiting, T. (2010). Probabilistic forecasts of wind speed: ensemble model output statistics by using heteroscedastic censored regression. Journal of the Royal Statistical Society: Series A (Statistics in Society), 173(2), 371-388. Vannitsem, S., Bremnes, J. B., Demaeyer, J., Evans, G. R., Flowerdew, J., Hemri, S., Lerch, S., Roberts, N., Theis, S., Atencia, A., Bouallègue, Z. B., Bhend, J., Dabernig, M., De Cruz, L., Hieta, L., Mestre, O., Moret, L., Plenković, I. O., Schmeits, M., Taillardat, M., Van den Bergh, J., Van Schaeybroeck, B., Whan, K., and Ylhaisi, J. (2020). Statistical postprocessing for weather forecasts—review, challenges and avenues in a big data world. arXiv preprint arXiv:2004.06582. Vannitsem, S., Wilks, D., and Messner, J. (2018). Statistical Postprocessing of Ensemble Forecasts. Elsevier. eBook ISBN 978-012-812-248-8. Williams, R. M., Ferro, C. A. T., and Kwasniok, F. (2013). A comparison of ensemble post-processing methods for extreme events. Q. J. R. Meteorol. Soc., 140(680), 1112-1120. Zheng, H., Yang, Z., Liu, W., Liang, J., and Li, Y. (2015). Improving deep neural networks using softplus units. In Proc. IEEE Int. Joint Conf. Neural Networks (IJCNN), 1-4. doi: 10.1109/IJCNN.2015.7280459. | |
| dc.identifier.uri | http://tdr.lib.ntu.edu.tw/jspui/handle/123456789/82658 | - |
| dc.description.abstract | 近期，多項研究開始嘗試使用類神經網路於系集預報後處理，由於大部分的研究的預測因子為溫度或風速等，尚未嘗試颱風雨量之預測，本研究期望能暸解類神經網路的方法是否適用於台灣颱風雨量的預測，以及在不同的颱風情境之下，觀察類神經網路後處理方法的預測表現，特別是在雨量極大時，經過後處理是否能提升預測表現。在本研究中，使用的資料為來自台灣中央氣象局2013年至2015年間12個颱風個案台灣周邊雨量系集預報成員資料，主要觀察2015年蘇迪勒颱風的後處理預測結果，並配合颱風的特性建立四個類神經網路模型來進行颱風雨量的預測，其中使用之模型為三個淺層類神經網路與一個深層類神經網路，比較不同類型的類神經網路後處理的預測表現。除上述的類神經後處理之外，本研究同時利用颱風快速變化的特性，使用非均等權重方法來提升預測表現，比較未經調整的資料與經調整的資料（即非均等權重方法）所建立之模型的預測表現。 | zh_TW |
| dc.description.provenance | Made available in DSpace on 2022-11-25T07:48:47Z (GMT). No. of bitstreams: 1 U0001-0610202119194700.pdf: 12050863 bytes, checksum: 2db4e9c2affeb10f3ab55f3d9481c80a (MD5) Previous issue date: 2021 | en |
| dc.description.tableofcontents | 口試委員會審定書 I 致謝 II 摘要 III ABSTRACT IV 第一章 背景與動機 1 第一節 統計後處理與系集預報 (ENSEMBLE WEATHER FORECAST) 1 第二節 文獻回顧 2 第二章 研究方法與模型 5 第一節 FULLY CONNECTED NEURAL NETWORK (FCN) 7 第二節 NEURAL NETWORK WITH 2 NODES (NN2N) 7 第三節 NEURAL NETWORK WITH 4 NODES (NN4N) 7 第四節 NEURAL NETWORK WITH 3 HIDDEN LAYERS AND 4 NODES FOR EACH HIDDEN LAYER (NN3H4N) 8 第五節 UNEQUAL WEIGHT TRAINING DATA 8 第三章 台灣颱風資料應用 9 第一節 資料 9 第二節 應用結果 10 第四章 討論 17 第一節 四種類神經網路之比較 17 第二節 非均等資料權重 18 第三節 類神經網路後處理內部架構 18 參考文獻 22 附錄 24 第一節 TY10 CRPSS數值盒鬚圖 24 第一項 全部格點 24 第二項 海洋 25 第三項 陸地 25 第四項 平地 26 第五項 山地 26 第二節 TY10 機率預報圖（預測第三報至預測第六報） 27 第三節 TY12 預測結果I. CRPSS數值盒鬚圖 31 第一項 全部格點 32 第二項 海洋 32 第三項 陸地 33 第四項 平地 33 第五項 山地 34 第四節 TY12 預測結果II. 模型預測表現CRPSS盒鬚圖分佈 35 第五節 TY12 預測結果III. 最佳模型佔比圖 36 第六節 TY10預測第一至六報之雨量真實觀測的分佈地圖及大小 37 | |
| dc.language.iso | zh-TW | |
| dc.title | 應用類神經網路後處理於台灣颱風雨量系集預報 | zh_TW |
| dc.title | Ensemble typhoon precipitation forecasting with neural network post-processing | en |
| dc.date.schoolyear | 109-2 | |
| dc.description.degree | 碩士 | |
| dc.contributor.coadvisor | 王彥雯(CHARLOTTE WANG) | |
| dc.contributor.oralexamcommittee | 洪景山(Hsin-Tsai Liu),張惠玲(Chih-Yang Tseng),李美賢 | |
| dc.subject.keyword | 系集預報,後處理,類神經網路,颱風雨量, | zh_TW |
| dc.subject.keyword | ensemble forecast,post-processing,neural network,typhoon precipitation, | en |
| dc.relation.page | 37 | |
| dc.identifier.doi | 10.6342/NTU202103592 | |
| dc.rights.note | 同意授權(限校園內公開) | |
| dc.date.accepted | 2021-10-09 | |
| dc.contributor.author-college | 公共衛生學院 | zh_TW |
| dc.contributor.author-dept | 流行病學與預防醫學研究所 | zh_TW |
| dc.date.embargo-lift | 2023-10-08 | - |
| 顯示於系所單位： | 流行病學與預防醫學研究所 | |
文件中的檔案：
| 檔案 | 大小 | 格式 | |
|---|---|---|---|
| U0001-0610202119194700.pdf 授權僅限NTU校內IP使用（校園外請利用VPN校外連線服務） | 11.77 MB | Adobe PDF | 檢視/開啟 |
系統中的文件，除了特別指名其著作權條款之外，均受到著作權保護，並且保留所有的權利。