局屬氣象站的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列懶人包和總整理

帶你回花蓮：穿梭街市百年

為了解決局屬氣象站的問題，作者葉柏強,黃家榮 這樣論述：

　　花蓮市歷經時代的演變，成為東臺灣重要的城市，而不同時期更有不同的移民，包括尋找安身立命的土地，或協助其殖民母國統治、征伐、教育周遭族群……，而來到此地奉獻青春甚至生命；有些則「日久他鄉變故鄉」，成為花蓮市民的一部分。自古以來，這座城市承載著市民美麗與哀愁的記憶。至今，花蓮市仍是花蓮縣境內的首善之區。 　　每張老照片背後都有一段歷史，它可以補充文獻的不足，或覆按記錄資料的正誤。現代由於科技發達，透過手機、平板電腦、數位相機，拍照或錄影成為既方便又廉價記錄周遭事物的工具與方式，但在過去照相卻是相當昂貴且不容易進行的事。 　　老照片可以將過去的影像保存下來，使我們得以依據

它們來瞭解、還原當時的歷史。有些老照片的擁有者，為了將來能容易喚起記憶，或是記一份屬於自己的榮耀、悲傷，往往會在相片上留下文字，說明拍攝目的與日期，或在相片背後書寫相關的記事，而這也使得我們更容易瞭解這張照片背後的故事。 　　葉柏強與黃家榮不只關懷花蓮，於撰寫專著之外也經常在臉書社團、部落格等跟閱讀者分享新的發現，他們的文字充滿溫度與熱忱，且深入淺出，對於瞭解東臺灣的歷史與文化有很大的助益。 　　國立東華大學臺灣文化學系 潘繼道教授 專文導讀 本書特色 　　《帶你回花蓮——穿梭街市百年》一書，以照片爬梳花蓮市建市的歷程，回顧百餘年來市民生活的足跡，借詩人楊牧先生名作〈帶你回花蓮〉之題，

於書頁之間與花蓮人以及喜愛花蓮、關心花蓮的朋友，一同「穿梭街市百年」。

局屬氣象站進入發燒排行的影片

評估西北太平洋季風指數與臺北及高雄夏季氣溫之關聯性

為了解決局屬氣象站的問題，作者林尚農 這樣論述：

大氣環境溫度變化對於人體健康是關鍵的指標，近年隨都市化程度發展，探討季風盛行區域下都市中溫度為重要研究課題之一。本研究為探討西北太平洋季風 (western north pacific monsoon, WNPM)作用下，臺北與高雄測站的氣象因子之變化，並以機器學習建模進行溫度預測評估。本研究蒐集並彙整交通部中央氣象局局屬氣象測站 (Central Weather Bureau, MOTC) 以及國際太平洋研究中心 (International Pacific Research Center, IPRC) 1980年至2015年間的局屬氣象測站資料，以及西北太平洋季風指數資料，使用氣象參數包

含臺北站 (編號：466920) 及高雄站 (編號：467440) 的平均溫度、最高溫度、最低溫度、日較差溫度、相對濕度、降雨量、降雨時數和季風指數。首先進行資料彙整與勘誤，接續透過敘述性統計 (descriptive statistics) 了解氣象參數基本特性與長期趨勢，再以主成分分析 (principal component analysis, PCA) 將多氣象變數之間的關聯性聚合成一個特徵特性，以觀察數據之相關性。建立1980年至2015年氣象因子與西北太平洋季風指數夏季 (6月至9月) 的歷史資料非延遲天數的A (自變數：每日平均溫)、B (自變數：每日平均溫與每日西北太平洋季風指

數)、C (自變數：每日西北太平洋季風指數與每日其他氣象因子)、D (每日其他氣象因子) 組合之模型並進行成效評估；建立1980年至2015年氣象因子與西北太平洋季風指數夏季的歷史資料延遲一天至三十天 (延遲為兩個相關事件或現象在發生時的時間點有所不同，如前置時間的概念，夏季延遲約為25-35天，因此本研究設定最大延遲天數為30天) 的E (自變數：每日平均溫)、F (自變數：每日最高溫與最低溫)、G (自變數：每日西北太平洋季風指數) 組合之模型並進行成效評估；為了更深入了解季風指數的影響，從A、B、C、D之組合篩選出季風指數具有最高變數重要性 (對此模型貢獻度最大的參數) 之模型並進行成效

評估。A至G組合輸出的參數皆為平均氣溫。先將氣象因子與西北太平洋季風指數依照時間排序分為訓練資料與測試資料 (以資料總量之7:3分配)，並採用隨機森林 (random forest, RF) 與 XBGoost (extreme gradient boosting)模擬氣象資料研究的機器學習算法，隨機森林與XGBoost皆使用迴歸作為預測進行建模，並調控機器學習中的最大深度，使機器學習找出最佳模型與最高變數重要性之參數。最後，藉由平均絕對誤差(mean absolute error, MAE)、均方誤差(mean square error, MSE)、平均絕對百分比誤差(mean absolu

te percentage error, MAPE) 和對稱性平均絕對百分比誤差 (symmetric mean absolute percentage error, SMAPE) 評估隨機森林與XGBoost的成效。1980至2015年氣象參數敘述性統計結果顯示，整體溫度呈現上升之趨勢，測站之最低溫度中上升趨勢最為顯著的測站為高雄測站。臺北與高雄測站的相對濕度皆呈現下降趨勢，此結果是因為夜晚最低溫度的上升導致相對濕度的下降。透過主成分分析結果，高雄測站其平均溫度、最高溫度、最低溫度皆與季風指數呈現正相關，而臺北其平均溫度、最高溫度、最低溫度皆與季風指數呈現負相關，由此可知在臺北與高雄測站季風

指數對溫度變化影響較其他氣象因子大。 使用隨機森林迴歸進行預測時，臺北與高雄測站從A、B、C、D之組合篩選出季風指數具有最高變數重要性之組合位於C，最佳模型之參數依序為季風指數、日較差、降雨量最後是降雨時數；臺北測站非延遲天數預測在C與D組合成效較好，延遲天數預測則在E組合較好；高雄測站非延遲天數預測在A與B組合成效較好，延遲天數預測則在E組合較好。使用XGBoost迴歸進行預測時，臺北與高雄測站從A、B、C、D之組合篩選出季風指數具有最高變數重要性之組合位於C，最佳模型之參數依序為季風指數、日較差、降雨量最後是降雨時數；臺北測站非延遲天數預測在A與B組合成效較好，延遲天數預測則在E組合較好；

高雄測站非延遲天數預測在A與B組合成效較好，延遲天數預測則在E組合較好。本研究透過敘述性統計分析結果發現近年來平均溫度以及最低溫度呈上升趨勢，而相對濕度則呈下降趨勢，此結果代表都市高溫伴隨都市化程度的上升而有更顯著的提升；主成分分析結果發現溫度相關因子與季風指數呈現正相關，並在夏季時兩者的關聯會更強烈，此結果代表西北太平洋季風槽加深會對臺灣都市的溫度上升產生影響；機器學習法評估A、B、C與D組合結果發現，溫度相關因子皆有最高變數重要性，此結果代表溫度預測溫度在非延遲天數預測上具有更好的成效，且XGBoost的成效評估相較隨機森林來的更加精準；機器學習法評估E、F與G組合結果發現，雖然E與F組合

的精準度較高但與G組合相比不超過2%，而又因E、F組合的延遲天數 (皆為一天) 較低，G組合的延遲天數 (十二天以上) 較高，此結果代表在應用於提前預警夏季高溫之情況下，季風指數可以獲得比溫度相關因子更前期的成效。建議後續研究可新增2015年後的氣象資料以及納入其他類型的氣象資料進行預測，並可使用延遲天數三十天以上的參數進行預測以觀測，亦可使用不同地區的季風指數資料，或是使用更適合研究地區之機器學習算法以更貼近研究地區特性。

十年一講，為夢想

為了解決局屬氣象站的問題，作者’江秀真 這樣論述：

繼生命首部曲《挑戰，巔峰之後》， 台灣登山女傑為推廣登山教育奔走的生命二部曲全紀錄！   從登頂世界七頂峰的雲端轉身，她選擇走一條沒人走過的路， 再登一座沒人攀過的「教育聖母峰」！   ***************************************     如果，生命首部曲《挑戰，巔峰之後》，是我攀登「具象聖母峰」的完整紀錄。那麼，生命二部曲《十年一講，為夢想》，則是我熱情投入「教育聖母峰」的謙卑述說與分享！                                ——江秀真       江秀真為創辦臺灣第一所登山學校，建置完善的登山教育制度，     ——她行腳全

臺各地演講，分享個人生命體悟，戮力推廣登山安全教育的理念，累積近三千場講座的感動與回饋！     ——她遠赴法國、波蘭、日本、西藏等世界知名登山學校參訪取經！     ——她持續學習、精進各領域知識，完成嘉義大學森林系碩士學位後，又跨領域辛勤取得臺灣大學大氣科學系碩士學位，再考進中正大學成人及繼續教育學系博士班鑽研專業智能！       這十年來，為了登山學校系統化教案教材的建置，秀真四處奔走，請益專業人士，進行更深入且完備的規劃，盡力為臺灣的登山教育撒播種籽、用心扎根！   一顆永不說累的歡喜願心！ 一部推廣登山安全教育全紀錄！ 各界齊聲共感強推   ◆《十年一講，為夢想》勾起我心中往事，相

信也能帶給大家一次又一次圓夢之路的感動！                                                                           ——國立臺灣大學 林博雄教授 ◆這位出現在教科書中的女豪傑，引領我們創造自己生命中的第一與唯一！                                            ——國立中正大學李藹慈教授 ◆繼續攀登人生的教育高峰，為台灣打造一個登山的根！                                        ——國立臺灣師範大學 謝智謀教授 ◆佈道般的全臺行腳演講精神，啟發我

們學習如何攀爬自己生命的聖山。                                                    ——藝術工作者 石鈴 ◆《十年一講，為夢想》寫她創辦台灣登山學校，並以赴各地演講，為創校之行前訓練。                                                                                     ——「上尚講堂」策畫人 胡慧玲 ◆她胸中懷抱的登山學校，是屬於全台灣的登山學校。                                    ——遠真家族台北基地營指揮官 林世煜  

【本書特色】 ★全球首位完攀世界七頂峰的華人女性登山家——江秀真「生命二部曲」 ★為創建台灣第一所登山學校，行腳全台各地演講暨推廣登山安全教育全紀錄！精華呈現近三千場次講座的感動與回饋！ ★遠赴法國霞慕尼、波蘭、西藏登山學校&日本登山研修所，參訪世界知名、制度完善之登山教育機構，將親身見聞與台灣讀者分享。

基於強化深層卷積神經網路用於颱風期間多測站風力估計

為了解決局屬氣象站的問題，作者戴燝景 這樣論述：

　　台灣夏秋兩季常有颱風侵襲台灣，颱風是一種生成於熱帶海洋上，其近中心最大風速達每秒18公尺以上的強烈低氣壓。颱風所挾帶的強風豪雨，常造成台灣許多災情。豪雨常造成淹水、山洪暴發，土石流等災害。而帶來的強風，則會造成路樹倒塌、招牌掉落或吹斷電線桿破壞電力設備等，導致電力中斷或甚至危害路上行人的生命安全。台灣西半部沿海，未來也即將興建許多離岸發電設備，這些發電設備發電需仰賴風力。但颱風所帶來的強勁風勢是造成發電設備損壞的威脅之一。為降低發電設備的損害機率，管理人員須依靠中央氣象局所發布風力預報來關閉發電設施，以保護這些設備。綜合以上，颱風期間的準確的風力預報，無論是對於政府決策或是災害管理，都有

著相當大的意義。隨著大數據與深度學習蓬勃發展，近年來深度學習在各個領域的應用可說是相當熱門，例如：醫學影像辨識、人臉辨識、網路流量預測與自然語言處理等。深度學習具有大量的函數與參數，其包含輸入層、隱藏層與輸出層，藉由非線性函數來模擬人類神經元被激發的過程，相關研究指出，深度學習對於非線性特徵能有更高的掌握度。　　本研究將使用多輸入的卷積神經網路(Convolutional Neural Networks)搭配結合卷積神經網路的增強式學習機制，開發一套颱風風力估計模型TempestWind-CNN。考量到颱風強度、大小與相對位置對特定地區的影響，本研究利用中央氣象局1970年~2017年颱風個案

，颱風近中心最大風速、颱風七級風暴風半徑與定位經緯度，與中央氣象局氣象局局屬氣象站的平均風、瞬間陣風與氣象站位置，來整合颱風與氣象站的相對關係，將這些資料透過TempestWind-CNN來進行訓練，藉此來讓模型學習颱風與氣象站風速間的相對特徵。希望透過本研究，可提升未來颱風警報期間各縣市之風雨預報，在風力預報方面的準確度。