• 學位論文

臺灣梅雨季降雨之物理-經驗預報模式分析

過去研究指出，能夠藉由多種影響臺灣梅雨季(5-6月)降雨的機制，選取預報因子，並建立出具有物理意義的預報方程式。Yim et al. (2015)以海表與兩米溫度變化趨勢作為預報因子，並且建立了三個預報領先時間(0-month lead、1-month lead和2-month lead)之預報方程式，其中以0-month lead所建立的預報方程式對於臺灣梅雨季降雨之年際預報結果最佳。之後，張等(2017)針對Yim et al. (2015)提出的物理-經驗預報方程式對臺灣梅雨季降雨預報能力進行改善。然而這些研究僅針對2015年前的資料進行分析，其對於2016-2020年臺灣梅雨季的降雨預報能力尚不可知。在本研究中，我們以中央氣象局(簡稱CWB) 測站資料作為臺灣梅雨季降雨資料，針對以下三個議題進行探討：(1) Yim et al. (2015)與張等(2017)所建立的物理-經驗預報方程式對於2016-2020年臺灣梅雨季降雨預報是否適用？ (2)以2008-2015年為訓練期，重新建立的預報方程式是否能改善對於2016-2020年臺灣梅雨季降雨預報結果？ (3)以風場相關的氣象參數做為預報因子，重新建立的預報方程式，是否能有效的掌握2016-2020年臺灣梅雨季降雨？ 針對上述議題，本研究發現前人所建立的預報方程式，對於2016-2020年臺灣梅雨季降雨的預報結果不盡理想。而我們以2008-2015年為訓練期或是調整預報因子選取範圍重新建立的預報方程式對於2016-2020年臺灣梅雨季降雨預報也無明顯改善。對於此結果，我們藉由改變預報因子參數，由原本的溫度趨勢改為與風場相關之參數趨勢，結果發現重新建立的預報方程式中以850hPa速度位趨勢作為預報因子最能夠有效的提升預報能力。此研究成果對「預報因子從溫度改為風場相關參數」的可能性提供了新的見解，有利於提高臺灣梅雨季降雨的物理-經驗預報模式的能力。

• 學位論文

深度學習於星系團成員之應用

星系團成員星系的判斷對於星系演化、星系團質量和宇宙學等研究至關重要。在過去的二十年裡，已經有好幾種星系團成員星系的判斷方法被開發了。一般來說，有三種方法，第一是基於星系顏色與亮度的方法，例如紅序列(red sequence)；第二是基於紅移的方法，研究人員透過直接測量星系的光度紅移(photometric redshift, photo-z)或光譜紅移(spectroscopic redshift, spec-z)來判斷我們與該星系的距離，第三則是基於機器學習(machine learning, ML)或深度學習(deep learning, DL)，直接進行星系團成員星系的判斷。 近年來，基於機器學習或深度學習的方法為光度紅移及星系團成員星系的判斷帶來更高效率且更好的結果。但是，這些研究都是基於大量的光譜能量分布(spectral energy distribution, SED)的資訊，也就是說，多波段，這些研究人員通常使用五個以上的波段。 在我們的研究當中，我們想要知道，利用兩個波段及非SED的資訊，例如星系的表面亮度或是形狀，是否能夠得到與其他紅移估計與星系團成員辨認相關研究相當，或是更好的結果，同時，我們也設置了一系列的深度學習實驗來了解怎樣的來源，前景或是背景星系，會對星系團成員星系的辨認造成影響。 我們的研究結果顯示，使用兩個波段及非SED的資訊在紅移估計上得到可與其他研究可相提並論之結果，我們模型的均方根誤差(root mean squared error)大約為0.08，而平均絕對誤差(mean absolute error)大約為0.06，且光學波段(V band)對於紅移的估計相對重要。在星系團成員星系的判斷上，我們得到70 %的ROC下面積(area under receiver operating characteristic curve, AUC)，前景星系對於星系團成員星系的判斷會造成問題，以及利用不同視線上速率(line-of-sight velocity)來限制星系團成員星系的範圍並不會對結果產生影響。除此之外，我們透過比較利用深度學習以及利用預測的紅移，這兩種方式在星系團成員星系的判斷上得知，利用預測的紅移來判斷星系團成員星系是不可能的，因為預測紅移的模型誤差比星系團的紅移範圍還要大。在深度學習模型方面，我們發現到利用適當數量的資料訓練多層感知器與卷積神經網路的混和模型(hybrid MLP-CNN model)，通常能夠得到較好且較穩定的結果，這樣的結果顯示讓深度學習模型同時學習物體的特徵數值及結構是較好的訓練策略。