楊舒芝 (Shu-Chih Yang)

Professor, Department of Atmospheric Sciences, National Central University, Taiwan

Data assimilation and meso-scale predictability Lab

About me

Dr. Shu-Chih Yang received her Ph.D degree from Department of Atmospheric and Oceanic Science in University of Maryland under Prof. Eugenia Kalnay. Her research interest is to study dynamical predictability through data assimilation methods and ensemble forecasting.

After she joined the department, she has been focusing on improving the severe weather prediction in Taiwan through the regional data assimilation. She coupled the Local Ensemble Transform Kalman Filter (LETKF) method with the Weather and Research Forecasting (WRF) model and established the NCU regional data assimilation system.

Under the framework of WRF-LETKF, she leads her research team to investigate the impact of observations on improving severe weather in Taiwan, such as the FORMOSAT-3 GPS radio occultation data (Yang et al. 2014) and radar data (TsaiYangLiou, 2014). Also, she also worked on the EnKF methodology for dealing with the limitations of data assimilation applications, such as the spin-up problem for tropical cyclone (TC) assimilation (Yang et al. 2012, 2013a), performing data assimilation under a TC centered framework for improving TC intensity prediction (Lin et al. 2018) and multi-scale data assimilation for heavy rainfall prediction (Yang et al. 2017). Recently, she worked with Prof. Shu-Hua Chen at Univ.. of California at Davis to propose bias correction method for improving the wind energy prediction (ChenYang et al. 2019).

重要研究成果簡述

1. 建立及發展應用於台灣區域之進階資料同化系統並用以改善劇烈天氣預報

楊舒芝教授自2008起在中央大學服務以來一直致力於建立及發展台灣區域資料同化系統。目前已利用區域氣象數值模式(Weather and Research Forecasting model)及局地卡爾曼濾波器(Local Ensemble Kalman Transform Filter)建立台灣劇烈天氣同化及預報系統(NCU WRF-LETKF),並用以探討影響台灣不同尺度天氣系統之可預報度及如何改進劇烈天氣預報。楊教授負責NCU-WRF-LETKF主要資料同化核心技術,並帶領其科學研究團隊與國內外不同領域學者共同合作加強WRF-LETKF的發展與應用。例如,本系統目前已結合衛星觀測及福衛3號掩星,獵風者反射風等資料,雷達資料等進行觀測同化,並用以評估其對梅雨或颱風等劇烈天氣預報的影響。

此部份主要研究貢獻分為同化系統技術改進與確立觀測影響:

a. 利用NCU WRF-LETKF系統同化福衛三號掩星偏折角資料並評估其對豪大雨預報的影響。本研究針對2008年SoWMEX期間6月15日強降水事件討論衛星掩星觀測對豪大雨預報的可能影響(Yang et al. 2014)。結果顯示同化掩星偏折角對於垂直濕度變化敏感,並可借此改善低層大氣水汽分布。同化掩星觀測後,由南海西南氣流的水汽傳輸量可明顯提昇。此外,透過局地風場調整可進一步改善強降水發生位置,進而能成功的預報台灣西南沿岸的強降水。此部分研究與美國加州大學Davis分校的陳淑華教授及本校大氣系黃清勇及陳景森教授及陳舒雅博士共同合作。本研究為第一篇利用區域進階資料同化系統證明福衛三號掩星資料對改進中低層水氣分析場及豪雨預報之重要性。

b. 以2008年SoWMEX期間6月16日強降水事件為例,楊副教授進一步探討高解析度模式網格對對流尺度預報的重要性,並進一步提升NCU WRF-LETKF至多尺度之資料同化系統(Yang et al. 2017),並為第一篇將多尺度系集資料同化修正法應用於劇烈天氣預報之研究。其結果顯示,對於梅雨其間之降水而言,需同時考慮大尺度濕度及中小尺度垂直運動之修正量。本研究證明了多重尺度之觀測同化修正量對於改善強對流豪大雨發展之時間變化極為重要。 本研究與美國加州大學Davis分校的陳淑華教授及本校大氣系廖宇慶老師之氣象雷達團隊共同合作。

c. 針對短時定量降水預報(QPF)發展WRF-LETKF對流尺度雷達資料同化。此部份研究與大氣系廖宇慶教授及颱風洪水中心蔡直謙博士(與廖教授共同指導)共同發展。本研究在理想觀測系統實驗下,測試雷達資料對QPF 的影響(Tsai et al. 2014, Tsai et al. 2016)。結果明確顯示,雷達資料在利用WRF-LETKF系統後可明顯改善極短時降雨預報,此效益可超過3小時。新版的WRF-LETKF雷達資料同化系統目前已在氣象局測試完成,並將於2019年作業上線逐步成為氣象局未來對流尺度資料同化中的一重要component。目前此系統已經進行一系列不同個案測試,藉以了解如何改善台灣區域豪大雨預報及更有效地利用雷達資料(Cheng et al. 2017, 2018, Chen et al. 2018, Wu et al. 2018)。目前此系統亦與中尺度WRF-LETKF系統結合,透過改善強對流系統環境場或同化台灣本島GPS全延遲量觀測,改善水氣場特性,進一步加強雷達資料之影響(Yang et al. 2018)。

d. 在WRF-LETKF架構下,以局地加速就位法(Running-in-place, RIP, Kalnay and Yang, 2010) 建立同化系統之外循環步驟,並用以改進颱風同化時區域卡爾曼濾波器常出現的spin-up問題。此方法首度於Yang et al. (2012a)中應用於真實複雜模式,透過觀測模擬同化實驗確立此局地加速法可調整複雜同化系統所使用的背景誤差協方差矩陣,使其更具備與颱風動力相關的流場相依特性,因而可有效調整分析場的颱風結構。Yang et al. (2013a)更進一步成功地應用於真實個案(2008年辛樂克颱風)中。研究成果中顯示此法不僅可加速颱風同化效益,改善同化初期的路徑預報。更可有效提昇觀測貢獻,使得颱風發展初期的飛機投落送資料更有價值。

e. 針對颱風路徑預報提出系集重新定位法,借此改進高度不確定情況下的颱風路徑預報。此法主要是希望降低系統性偏差對系集發展的影響,並進而能改進整體系集動力發展。目前此法已成功的應用在颱風系集路徑預報及NCU-REAS中。結果顯示(Chang et al. 2013)重新定位法對於颱風系集路徑預報有極佳的改善。尤其在處於高度不確定的颱風發展條件下(如2011的南瑪都,2013年的潭美颱風),適時地調整系集對於後期系集發展極為重要。此外,此系集調整對於系集同化系統亦可產生正回饋影響。因以系集為準的背景誤差斜方差結構獲得改善,進而改善同化分析場準確度。此系集改善量更可透過同化分析循環傳遞至下個觀測更新時間,而對同化及後期預報有正回饋。

f. 針對颱風強度預報,楊教授與林冠任博士提出以颱風為中心之同化架構可更有效的表現颱風強度及結構的不確定性(Lin et al. 2018),避免因颱風中心在系集成員中的錯位造成強度不確定性的誤判或放大。結果顯示此同化架構能更正確地使用颱風環流內之觀測,並可有效降低使用高解析度模式進行颱風預報時在初期所產生的model shock。

2. 在系集卡爾曼濾波器架構下發展系集奇異向量並用以改善氣象預報

在此系列的研究中,楊副教授首先提出利用系集奇異向量加強系集資料同化系統中背景誤差特性,進而更能掌握預報誤差來源。在Yang et al. (2015)研究中首度嘗試在系集資料同化系統架構下建立系集奇異向量,並再與系集資料同化系統結合改進同化系統表現,進一步改進預報準確度。此部分研究與美國馬里蘭大學Eugenia Kalnay教授及日本京都大學Takemi Enomoto教授合作。目前此法亦已應用於台灣區域之颱風系集預報系統並用以改善颱風路徑預報。目前以成功建置於WRF模式及氣象局全球模式中(鄧等人, 2017)。此概念亦被韓國大氣預報系統研究中心(KIAPS)採用,已測試用系集奇異向量改善全球資料同化系統表現(Shin et al., 2019)。

3. 發展系集卡爾曼濾波器於實際非線性動力系統的使用策略

當流體處於不穩定階段,如轉換regime(例如,聖嬰年轉反聖嬰年)或動力現象劇烈發展(例如,熱對流雷雨胞快速發展)時,容易因強烈非線性動力特性而使系集卡門濾波器發散而增加預報困難度。 而觀測資訊也無法發揮影響力。針對此限制,Yang et al. (2012b) 簡化RIP法,並進一步提出準外循環法(Quasi outer-loop, QOL)改善系集平均場的非線性動力發展。而RIP法因同時改善系集平均場及擾動的非線性動力發展則可進一步定義為廣義的外循環步驟 。且RIP/QOL方法因透過多次疊代且小步的修正量,使其更適合在非線性動力系統應用上更有其優勢。藉由Lorenz 三變數簡單模式之研究結果顯示,QOL/RIP法皆能有效改善LETKF在非線性動力系統的表現,且減少系集出現高度非高斯(non-Gaussian)的情形。不同觀測密度的研究結果顯示,QOL的分析準確度皆介於RIP及標準LETKF之間。但,此新提出的方法可大幅降低RIP所需計算資源,適合作業單位使用 。研究結果也顯示,RIP或QOL法可提高低觀測區域之觀測影響程度,因而使低觀測區域的改善效果更為明顯。

Yang et al. (2013)利用NCU WRF-LETKF系統證明EnKF架構下若能適性地使用外循環策略,可進一步改進颱風路徑預報。

4. 劇烈天氣系集預報系統校驗及應用

a. 此研究工作主要與共同指導之張惠玲博士合作。主要為瞭解如何使用氣象局高解析度系集降雨預報系統來評估氣象預報可帶來之經濟價值。Chang et al. (2015) 研究成果顯示,在台灣降雨系集預報有嚴重的濕偏差,且其特性會隨平地或山區有所不同。但透過機率預報偏差校正可有效改善此濕偏差預報及可靠度,但無法改變預報系統可得之最大經濟價值。而預報系統的相對操作特性(relative operating characteristic)及經濟價值則與預報系統本身的解析度有關。此外,與決定性預報相比,系集預報的優勢在於強降水門檻。不同使用者應能選取自己的適當機率門檻值採取行動以獲得最大經濟價值。

b. 楊副教授進一步提出可將機率預報校驗方法應用於改善風速預報偏差及風能預報上,以減少因風速高(低)報造成風能高(低)估及相關經費損失。此研究與加州大學戴維斯分校陳淑華教授合作(Chen et al. 2019)。研究顯示利用高解析度區域模式所得Tehachapi 風能場域(Wind Resource Area)風速預報有嚴重的日變化偏差。透過系集風速預報結果,我們發展兩種風速預報校正方法,包含可隨風速及預報時間變化之迴歸法已修正風速預報及利用風速機率預報及機率校正迴歸法進一步修正單一風速預報。兩種方法皆可有效改善風速預報偏差。尤其在高風速時,風能預報的改進可達到20%。