計畫成果
本團隊自2016年起承接「臺菲(PH)國合計畫－臺菲VOTE計畫：改進劇烈天氣、海洋氣象、以及短期氣候預報能力-第一期計畫(2016-2020)」，VOTE第二期計畫則自2020年12月開始，為期3年(2020-2023)。各項研究工作皆按計畫順利執行。主要成果如下：
1. 本研究在「臺菲雙邊合作研究計畫」第一期(VOTE I)所發展之模糊邏輯分類演算法架構上，改進原有干擾回波模糊邏輯演算法並擴大應用至海面回波上，以建構更全面之雷達觀測資料品質控制技術。所發展之濾除海面回波模糊邏輯演算法能有效移除位於沿岸區域雷達之低仰角觀測中常見的海面回波，並可保留天氣回波不被移除。
2. CWB協助PAGASA數值預報小組發展數值資料同化系統，並著手建置PAGASA-WRF之背景誤差協方差矩陣(BEC)，背景誤差統計特性選用CV5，CWB亦提供較新版本BEC模組與程式于PAGASA使用，並提供資料同化模組中BEC參數設定之建議。
3. PAGASA對前期VOTE技轉之WAIP颱風強度預報指引有高度興趣，並逐步發展應用於預報作業(PISTON)。菲方已於實際作業使用PISTON，但由於遭遇資料導入問題，無法將觀測及預報指引接入PISTON。氣象局將安排技術型會議，協助PAGASA排除資料導入問題。
4. 比較不同風場資料的波浪模擬與衛星觀測，大氣風場輸入分別為CFSR、NCEP結合氣象局預報風場及WRF，計算BIAS、RMSE及NRMSE。在臺灣與菲律賓海域，主要誤差在台灣海峽、蘇祿海(SULU sea)及東經130度、北緯20至40度之海域，誤差以WRF風場模擬結果較佳，然而三者均在蘇祿海呈現高誤差，應和衛星在島嶼間之觀測資料較易受到陸地的影響，造成菲律賓群島間的水域之計算結果差異較大。
5. 利用雨滴譜儀的觀測資料，通過電磁波散射模擬，評估以X與K波段的雙波長雷達回波資料，在估計液態水含量的誤差量，並進一步分析誤差與雨滴粒徑分布的中值體積直徑之間的關係。結果顯示，四種回波組合在LWC估計的平均方均根誤差介於0.11至0.17 g/m3之間，中值體積直徑越大的區域，估計誤差值也越大，部分原因來自於X波段的衰減效應，並可以透過衰減校正來降低估計誤差。
6. 用雲解析差時系集預報對侵襲菲律賓的三個颱風：山竹 (2018)、巨爵(2015) 及茉莉 (2015) 進行定量降水預報之評估、校驗，結果顯示，差時系集預報在颱風路徑、最大風速及最低氣壓之預報上皆有當預報初始時間越接近實際觀測時，其誤差變小的趨勢，並且離目標降水時段兩天前之內開始的預報路徑誤差都在150公里以下。在降雨方面，強度與位置分布也會隨預報時間越接近目標降水時段而趨近於觀測結果。
7. 本研究釐清6-10月侵(近)北菲律賓(15°N-19°N)不同路徑之颱風與30-60天ISO之對應關係，以北菲律賓與ISO相位對應關係為主軸，探討侵(近)北菲律賓颱風之主要路徑與發生頻率及其造成該結果的影響機制。歸納ISO相位與侵(近)北菲律賓颱風之統計結果，得知在6-10月主要可以分為西北行與北轉之颱風路徑，所對應的ISO相位可歸分為相位3-5、與相位6-8。
8. 測試西北太平洋季風指標(WNPMI)與颱風預報技術之關聯性，每年開始出現較明顯季風槽的日期並不規律，WNPMI的強弱變化無明顯規律的年際變化，故依照WNPMI指標數值的累積百分位，將WNPMI分為5個區間。使用GEFSv12歷史再預報之WNPMI與颱風實際生成數量之分析可知，WNPMI越高時，颱風生成數量也確實愈多；WNPMI若低於平均，則颱風生成數量偏少。
綜合而言，本計畫順利完成研究目標，達成多項成果，未來將基於本計畫之研究基礎，進一步加強臺菲雙方密切交流。持續由我方學研作業界人員對菲方進行教育訓練，每年進行雙邊合作研討會以再次提升雙方颱風預報技術，進而達到臺菲兩國減災防災之目標。
圖1. 菲律賓Aparri雷達於2018年9月14日1800 UTC觀測山竹颱風經Z-R降雨估計式(Z = 32.5 R1.65)所得之1小時降雨估計場，(a)為未經模糊邏輯演算法濾除海面回波而得之1小時降雨估計場；(b)為經模糊邏輯演算法濾除海面回波而得之1小時降雨估計場。Aparri雷達位置如圖中紅點所示。
圖2. PAGASA-WRF網域。左圖為作業模式，右圖為資料同化實驗架構。
圖3. TAFIS API如何輔助PISTON之架構
圖4. 波浪受流影響之波高變化(2018/08/15 00:00) (上左:未受流作用之波高及波向 上右:受流作用之波高及波向 下左:海流模式流場 下右:受流作用之波場及波向變化)。
圖5-1、實驗流程
圖5-2、依D0排列後的 (a)D0場與 (b)X波段回波場
圖5-3、液態水含量場(a)經gamma擬合後計算出的真值 (b)~(e)估計值
圖6. The schematic diagram summarizes the forecast data evaluated in this study. The seasonal forecast products include the NMME seasonal predictions and WMO Global Seasonal Climate Update (maps not shown). The S2S forecast products include ECMWF and NCEP models that generate the forecast at least once a week. The forecast frequency and ensemble members of each model are noted.
