楊舒芝 教授(國立中央大學大氣科學學系)
本計畫研究目標為發展獵風者衛星GNSS-R資料加值與應用，主要分為GNSS-R資料反演法精進與發展資料應用。針對GNSS-R資料反演部分，本期研究成果發展三種不同架構之風速反演法。
(1)利用深度學習模型CNN-LSTM提取時空特性，並透過加入衛星ID和Feature-wise Linear Modulation機制作為輔助參數來提升模型的預測穩定性和準確性。利用模型進行獵風者風速反演的均方根誤差可達到1.65 m/s。
(2)利用ResNet高精度的圖像分類能力建立DDM與風速的關係，所反演的風速可達2m/s。
(3)透過額外加入GPS衛星Block類型以及GPS與LEO衛星的速度方位角等更細緻的分類改進地球物理模型函數可進一步改進風速反演準確度。
就資料驗證而言，獵風者觀測在弱風速區間傾向高估（正偏差約為0.8-0.9 m/s），而在強風速區間則明顯低估（負偏差約為-5.4 m/s），造成較大的RMSE。（約6m/s）。此外，研究結果也顯示風速、海面平均傾度或波齡倒數愈大的情況下，訊號散射程度越高。，初步驗證在風速反演模型中引入影響海面散射特性因子的必要性。
在資料應用方面，本計畫利用包含GNSS-R的多元衛星風速資料建立熱帶氣旋的海表面風速剖線。，透過種種資料輔輔輔成提升GNSS-R資料影響。此方法以2018-2020年颶風個案進行測試，結果顯示衛星風所重建的風速剖線可有效調整颶風暴風半徑。利用Michael颶風個案測試風暴潮模擬可知掌握颶風暴風半徑對於風暴潮模擬有正面效益。
本期也針對台灣近岸降雨個案評估獵風者資料對降雨預報的影響。結果顯示同化台灣海峽範圍的獵風者海表面風速有助改進海洋上大氣邊界層的動熱力結構，進而可改善降雨預報。
針對2024年Gaemi颱風，利用三維混成同化系統，在有同化GNSS-RO的條件下同化GNSS-R資料有助改善對流層低層溫度和水氣誤差，並透過早期氣旋生成關鍵的熱力學場改進熱帶氣旋生成預報。
在陸地水文應用上，本研究結合GNSS-R資料與機器學習技術，開發台灣區域土壤含水量估算模型。，並納入了濕度、氣溫、降水、氣壓與風速等環境因子。研究結果顯示XGBoost 模型表現比LSTM，且無明顯系統性偏差，在較無法掌握極端濕度條件時的變異性。輔較而言LSTM在台灣西部等資料量較充足的地
區仍有良好的準確度，展現了其在建模時間序列趨勢方面的潛力。研究結 證實了GNSS-R搭配機器學習方法為土壤濕度監測提供了有效、可擴展且不受天氣影響的解決方案。
此外，本期研究也利用福衛七號無線電掩星（RO）所估算的可降水水氣量（RO-PWV）探討其在ENSO。（嬰 /反嬰 ）現象監測上之應用。研究結果顯示RO-PWV與Nino種區指數具有高度正輔關性，其中與Nino 4的輔關係數高達 0.92。而RO-PWV的時空變化趨勢與區域的地表氣溫變化一致。研究證實，過過高度與最低點修正後的RO-PWV具備良好精度與穩定性，可作為天氣預報模式的補充資料，並作為ENSO的早期預警與動態追蹤工具 。
