歡迎來到演算法、軟體和硬體三位一體的未來世界論文書籍站
國立中央大學 土木工程學系在職專班 吳瑞賢所指導 林昱汶的 物理性即時修正運用於洪水預警之成效分析 （2021），提出QPE QPF關鍵因素是什麼，來自於水文模式、WASH123D、洪水預警、雷達雨量、即時校正。
而第二篇論文國立臺灣大學 大氣科學研究所 李清勝、陳柏孚所指導 張佳棟的 應用深度學習發展山區水文敏感區之雷達QPE方法 （2020），提出因為有 山區水文敏感區、定量降雨估計、深度學習、卷積神經網路的重點而找出了 QPE QPF的解答。
物理性即時修正運用於洪水預警之成效分析
為了解決QPE QPF 的問題，作者林昱汶 這樣論述：
台灣由於山勢陡峻以及颱風降雨雨勢急促，時常引發水災、山崩、土石流等嚴重災害，造成無數生命及財產的損失。而工程上的防洪方式則受到許多限制，因此最有效的方式莫過於有效的災害預警，及時的掌握豪雨及颱風動態，以期能達到及早防汛，降低災害的效果。本研究首先研究定量降水預報(Quantitative Precipitation Forecasting；QPF)之適用性，以鳳山溪流域為研究範圍，選取於2019~2020年間發生之7場降雨類型為春雨、梅雨及颱風之降雨事件，分析於有效降雨期間與實際降雨量之相關性。結果表示，QPF降雨資料對於洪水發生時序掌握度頗佳，使用於洪水預報為可行。並驗證模式之率定曲線與水
利署公告之率定曲線使用於RT即時校正(Real-Time Correction,RT)模式之適用性，結果顯示，於有效降雨延時，使用模式率定曲線模擬出之水位與測站水位之最低相關度為0.860，水利署公告率定曲線最低相關度為0.867，差異不大。此外評估RT系統使用於洪水預警系統之成效，發現經使用RT系統即時校正後，預估水位達到預警水位及水位退去能力為佳。
應用深度學習發展山區水文敏感區之雷達QPE方法
為了解決QPE QPF 的問題，作者張佳棟 這樣論述：
本研究利用卷積神經網路模型（convolutional neural network，CNN）、萃取雷達CFAD（Contoured frequency by altitude diagram）中對流垂直結構之特徵，建立該特徵和降雨量之間的非線性關係，並強調時雨量大於10 mm（大雨）之降雨估計準確度。主要目的係利用深度學習演算法能由複雜的多維度、多變數資料、自動分析資料中重要特徵的優點，並結合CFAD中、高層回波資訊，克服傳統定量降雨估計（quantitative precipitation estimation，QPE）技術在山區、最低可用仰角受地形遮蔽或偏高的問題。模型訓練過程中，嘗試
在輸出雨量值前，加入ReLU整流函數、量化大氣濕度；並針對降雨資料呈現不均勻分布的問題，為大雨事件加入權重、以平衡資料比例。此外，在模型損失函數加入「20 mm以上之降雨分類」，以提高模型對大雨的掌握能力。結果顯示，針對山區的大雨事件，CNN模型估計之時雨量的均方根誤差為10.15 mm，較Z-R關係式（Z=〖32.5R〗^1.65）者小0.93 mm；此CNN模型在30~40 mm大雨區間與Z-R關係式相比有最大進步幅度。針對獨立個案瑪利亞颱風（2018）的分析結果顯示，CNN模型在大屯山區域之降雨估計十分準確；而針對平等測站所觀測到的數個降雨峰值（30~35 mm），CNN模型皆能夠合理掌
握，誤差不超過10 mm；Z-R關係式則有較大誤差。整體而言，在山區、CNN模型和Z-R關係式對於小雨事件皆有不錯掌握能力，當雨量較大時，則CNN模型有較好的表現。然而，隨著雨量門檻值的增加，二者皆有低估降雨之情形，不過在時雨量小於40 mm 時，CNN模型的估計值仍有相當高的參考價值。意即CNN模型能有效利用對流特徵與降雨間的關係，改善山區QPE技術；但對於極端降雨（≥40 mm）事件的估計，CNN模型則尚有改進空間。