在對海氣象進行預報的過程中，模式的結果往往與實際情況存在著部份的出入，例如：對於海水位高、流速、溫度、鹽度等等的模式預測與實測資料的相互比對，兩者間必然存在著某種程度的偏差，這些隱含在模式中的誤差值會使得下一次的預報結果更加地不甚理想，隨著時間以滾雪球般地累積著更大的誤差，因此如何自動化地降低預報值與觀測值間差距的研究分析方法也是現今各國間致力研究的方向。
在進行台灣鄰近海域潮汐預報模式結合資料同化運作之前，將先行使用淺水波方程式建立一維理想渠道、二維矩形海峽及二維簡化開放海域的潮汐預報模式進行理想案例的測試，並以多變量最佳插值法運作資料同化系統，在此小規模的預報模式經資料同化修正之後，均達到一定程度的改良效果。
本研究將以多變量最佳插值資料同化方法(Muti-Variate Optimum Interpolation, MVOI)運用於台灣鄰近海域潮汐預報模式，輸入的觀測資料為鄰近海域潮位站位置水位資料，將同化結果與正確預報模式結果作比對，並在RMSE的比對有改良的成效。

In the process of ocean and atmosphere prediction, the model results always have some gaps from reality. For example, the model prediction and real data which involves elevation, velocity, temperature and salinity, there must have some differences between them. These error inside of the model will make the prediction worse and worse as the prediction model working. Nevertheless, the solution of decreasing error from prediction and adjusting error data automatically are the trends which are being developed by all over the world.
Before combining the tidal prediction and data assimilation, use shallow water equation, 2-D triangular strait and 2-D simplified open sea tidal prediction models to conduct ideal case. Subsequently, use muti-variate optimum interpolation to conduct data assimilation. After data assimilation for small area model prediction, the result of it arrives good effect.
The study will use muti-variate optimum interpolation to predict the tidal water level which close to Taiwan and will enter measured data to compare result of data assimilation and true model prediction. Finally, it will have positive effect for RMSE comparison.

論文審定書 i
致謝 ii
摘要 iii
Abstract iv
圖目錄 vii
表目錄 xiii
第一章　緒論 1
1.1 前言 1
1.2 研究目的 2
1.3 本文架構 3
第二章　文獻回顧 4
2.1資料同化之發展進程 4
2.2資料同化於海洋研究上的應用 6
第三章　研究方法 7
3.1潮汐預報模式介紹 7
3.1.1 淺水波控制方程式 7
3.1.2 模式建置 10
3.2資料同化系統介紹 12
一、Multivariate Optimum Interpolation (MVOI)： 12
二、價值殘值法 14
3.3資料同化系統架構與分析校驗 15
第四章　理想案例 16
4.1一維渠道模式加載資料同化系統結果 16
4.1.1 模式背景網格設定 16
4.1.2基礎模式數值設定 17
4.1.3 模式資料同化結果 19
4.2 二維海峽模式加載資料同化系統結果 22
4.2.1 模式背景與網格設定 22
4.2.2基礎模式數值設定 23
4.1.3 模式資料同化結果 26
4.3 二維簡化開放海域模式加載資料同化系統結果 34
4.3.1模式背景與網格設定 34
4.3.2 基礎模式數值設定 35
4.3.3模式邊界案例設定 39
4.3.4 模式資料同化結果 41
第五章　擬真案例 53
5.1二維台灣鄰近海域模式加載資料同化系統結果 53
5.1.1 模式背景與網格設定 53
5.1.2 基礎模式數值設定 54
5.1.3 模式資料同化結果 59
5.2 模式資料同化系統分析 72
5.2.1模式邊界案例設定 72
5.2.2模式邊界案例結果 73
第六章　結論與建議 79
6.1結論 79
6.2建議 80
參考文獻 81

1. Barker, D. M., Huang, W., Guo, Y. R., and Bourgeois, A. (2003). A three-dimensional variational (3DVAR) data assimilation system for use with MM5. NCAR Tech Note, 68.
2. Barker, D. M., Huang, W., Guo, Y. R., Bourgeois, A. J., and Xiao, Q. N. (2004). A three-dimensional variational data assimilation system for MM5: Implementation and initial results. Monthly Weather Review, 132(4), 897-914.
3. Bergthórsson, P., and Döös, B. R. (1955). Numerical Weather Map Analysis. Tellus, 7(3), 329-340.
4. Bjornsson, H., and Venegas, S. A. (1997). A manual for EOF and SVD analyses of climatic data. CCGCR Report, 97(1), 112-134.
5. Charney, J. G., Fjörtoft, R., and Neumann, J. V. (1950). Numerical integration of the barotropic vorticity equation. Tellus, 2(4), 237-254.
6. Courtier, P. (1997). Dual formulation of four‐dimensional variational assimilation.Quarterly Journal of the Royal Meteorological Society, 123(544), 2449-2461.
7. Cressman, G. P. (1959). An operational objective analysis system. Monthly Weather Review, 87(10), 367-374.
8. Cummings, J. A. (2005). Operational multivariate ocean data assimilation. Quarterly Journal of the Royal Meteorological Society, 131(613), 3583-3604.
9. Cummings, J. A., and Smedstad, O. M. (2013). Variational data assimilation for the global ocean. Data Assimilation for Atmospheric, Oceanic and Hydrologic Applications (Vol. II), 303-343. Springer Berlin Heidelberg.
10. Daley, R. (1991). Atmospheric data analysis, Cambridge atmospheric and space science series. Cambridge University Press, 6966, 25.
11. Daley, R. (1993). Atmospheric data analysis (No. 2). Cambridge university press.
12. Derber, J., and Bouttier, F. (1999). A reformulation of the background error covariance in the ECMWF global data assimilation system. Tellus A, 51(2), 195-221.
13. Derber, J., and Rosati, A. (1989). A global oceanic data assimilation system. Journal of Physical Oceanography, 19(9), 1333-1347.
14. Emanuel, K. (2010). Tropical cyclone activity downscaled from NOAA‐CIRES reanalysis, 1908–1958. Journal of Advances in Modeling Earth Systems, 2(1).
15. Gandin, L. S. (1965). Objective Analysis of Meteorological Fields. Israel Program for Scientific Translation.
16. Huang, X. Y., Xiao, Q., Barker, D. M., Zhang, X., Michalakes, J., Huang, W., and Dudhia, J. (2009). Four-dimensional variational data assimilation for WRF: formulation and preliminary results. Monthly Weather Review, 137(1), 299-314.
17. Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of basic Engineering, 82(1), 35-45.
18. Lewis, J. M., and Derber, J. C. (1985). The use of adjoint equations to solve a variational adjustment problem with advective constraints. Tellus A, 37(4), 309-322.
19. Li, Y., Wang, X., and Xue, M. (2012). Assimilation of radar radial velocity data with the WRF hybrid ensemble–3DVAR system for the prediction of Hurricane Ike (2008). Monthly Weather Review, 140(11), 3507-3524.
20. Li, Z., Chao, Y., McWilliams, J. C., and Ide, K. (2008). A three-dimensional variational data assimilation scheme for the regional ocean modeling system. Journal of Atmospheric and Oceanic Technology, 25(11), 2074-2090.
21. Li, Z., Chao, Y., McWilliams, J. C., and Ide, K. (2008). A three‐dimensional variational data assimilation scheme for the Regional Ocean Modeling System: Implementation and basic experiments. Journal of Geophysical Research: Oceans, 113(C5).
22. Lorenc, A. C. (1986). Analysis methods for numerical weather prediction. Quarterly Journal of the Royal Meteorological Society, 112(474), 1177-1194.
23. Parrish, D. F., and Derber, J. C. (1992). The National Meteorological Center's spectral statistical-interpolation analysis system. Monthly Weather Review, 120(8), 1747-1763.
24. Ravela, S., Emanuel, K., and McLaughlin, D. (2007). Data assimilation by field alignment. Physica D: Nonlinear Phenomena, 230(1), 127-145.
25. Sasaki, Y. (1970). Some basic formalisms in numerical variational analysis. Monthly Weather Review, 98(12), 875-883.
26. Sasaki, Y. K. (1958). An objective analysis based on the variational method.
27. Talagrand, O., and Courtier, P. (1987). Variational assimilation of meteorological observations with the adjoint vorticity equation. I: Theory. Quarterly Journal of the Royal Meteorological Society, 113(478), 1311-1328.
28. Terpstra, F. P. (2008). Scientific workflow design: theoretical and practical issues.
29. Tyndall, D. P. (2010). An investigation of strong and weak constraints to improve variational surface analyses. (Doctoral dissertation, The University of Utah).
30. Vandenberghe, F., and Kuo, Y. H. (1999). Introduction to the MM5 3D-VAR data assimilation system: Theoretical basis. NCAR/MMM Tech. Doc.
31. 方長芳、張翔、尹建平 (2013) 21 世纪初海洋預報系統發展現狀和趨勢，海洋預報，第30卷，第4期，頁93-102。
32. 王桂芝，吳誠鷗，朱克云，秦偉良，王順風 (2002) 關於四維變分同化方法目標函數的權矩陣，氣象科學，第22卷，第4期，頁444-449。
33. 王曼、李華宏、段旭、劉建宇、符睿、陳新梅 (2011) WRF模式三維變分中背景誤差協方差估計，應用氣象學報，第22卷，第4期，頁482-492。
34. 王躍山 (1999) 數據同化－它的緣起、含意和主要方法，海洋預報，第16卷，第1期，頁11~20。
35. 朱立娟 (2005) 背景場誤差協方差估计技術的應用研究，南京信息工程大學大氣物理與大氣環境，碩士論文。
36. 林肯迪 (2012) 潮汐預報模式資料同化可行性研究，國立中山大學海洋環境及工程學系碩士論文。
37. 馬寨璞、井愛芹 (2005) 海洋科學中的數據同化方法—意義，結構與發展現狀，海岸工程，第24卷，第4期，頁83-99。
38. 屠偉銘，張躍堂 (1995) 全球最優插值客觀分析，氣象學報，第53卷，第2期，頁148-156。
39. 張華、薛紀善、庄世宇、朱國富、朱宗申 (2004) GRAPeS 三維變分同化系統的理想試驗，氣象學報，第62卷，第1期，頁31-41。
40. 曾忠一 (2006) 大氣科學中的反問題－反演、分析與同化(上)，臺北市：國立編譯館。
41. 曾腊梅 (2014) 背景場誤差協方差模擬對資料同化及數值預報效果的影響，南京信息工程大學大氣科學學院氣象學專業，碩士論文。
42. 鄒曉蕾 (2009) 資料同化理論與應用(上冊)，北京：氣象出版社。
43. 熊春暉、張立鳳、關吉平、陶恒銳、蘇佳佳 (2013) 集合—變分數據同化方法的發展與應用，地球科学進展，第28卷，第6期，頁648-656。
44. 趙延來、黄思訓、章维峰、杜華棟 (2013) 三維變分同化中多變量平衡約束設計，大氣科學學報，第36卷，第3期，頁277-285。
45. 龔建東，邱崇踐，王強，陳偉民 (1999) 區域四維變分資料同化的數值試驗，氣象學報，第57卷，第2期，頁131-142。