香港天文台的預測經常令你失望？是你的心理作用，還是這台的預測真的有偏差？
我們會在有誤差的時候埋怨，但天文台也可以為自己辯解，聲稱其他日子其實也很準確，到最後雙方都好像不夠說服力。這一回，我決定利用 Web Scraping，配合 d3.js ，透過 Visualisation 和數據，讓大家都把誰是誰非一眼看通透！！！（如對程式沒有興趣，可直接拉到最後看結果）
十年不更新的格式
很多朋友初學 Web Scraping，多半都是到天文台抓取資料。而筆者則在十多年前已經開始嘗試抓取天文台的資料，為自己的桌面作一個小型「我的天文台」。
不過，每一位曾經抓取天文台資料的朋友，必然會發現，香港天文台的資料並不方便電腦處理。天文台在自己的網站 (https://rss.weather.gov.hk/rss_uc.html) 和政府的「資料一線通」網站 (https://data.gov.hk/) 都公開了讓程式讀取的資料位置，但你能夠拿到的東西，卻與「純文字版」沒太大分別。例子如下：
<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet href="flwc.xsl" type="text/xsl" ?><rss version="2.0"> <channel> <title>本港地區天氣預報</title> <link>http://www.weather.gov.hk/wxinfo/currwx/flwc.htm</link> <description>本港地區天氣預報</description> <language>zh-tw</language> <webMaster>[email protected]</webMaster> <copyright>本檔案的內容，包括但不限於所有文本、平面圖像、圖畫、圖片、照片以及數據或其他資料的匯編，均受版權保障。香港特別行政區政府是本檔案內所有版權作品的擁有人。</copyright> <image> <url>http://rss.weather.gov.hk/img/logo_dblue.gif</url> <title>本港地區天氣預報</title> <link>http://www.weather.gov.hk/</link> </image> <item> <guid isPermaLink="false"> http://rss.weather.gov.hk/rss/LocalWeatherForecast/20190503000000</guid> <pubDate>Thu, 02 May 2019 16:00:00 GMT</pubDate> <title>香港天文台於2019年05月03日00時00分發出之天氣報告</title> <category>F</category> <author>香港天文台</author> <link>http://www.weather.gov.hk/wxinfo/currwx/flwc.htm</link> <description><![CDATA[ 一股清勁至強風程度的偏東氣流昨日影響廣東沿岸。本港昨日多雲，早晚有幾陣驟雨，新界多處地區錄得超過5毫米雨量。預料該偏東氣流會在今明兩日繼續影響廣東沿岸。<br/><br/> 本港地區(五月三日，星期五)天氣預測:<br/>大致多雲，有幾陣驟雨。日間驟雨逐漸減少，短暫時間有陽光。氣溫介乎21至25度。吹和緩至清勁偏東風，離岸間中吹強風。<br/><br/> 展望: 星期六部分時間天色明朗，亦有一兩陣驟雨。隨後數天驟雨增多及有狂風雷暴。 ]]></description> </item> </channel> </rss>
這個模樣的報告，根本和電台的講稿一模一樣！我們用程式沒辦法輕易找得出會下雨或是不會下雨，還要用 XML 格式，對於某些初學者來說，可能比在純文字版本找東西更多了一重處理 XML 的障礙，尤其近年來，XML 在一般大眾中的應用越來越少。
幸好，天文台使用的字眼十年如一天，我發現每逢天文台預測下雨的時候，總會以「有…雨」來形容，或者提及最挑動大家情緒的「狂風雷暴」。例如「稍後時間有幾陣雨」、「早晚有一兩陣驟雨」或「有狂風雷暴」。於是，我們便可以利用 Regular Expression，把這些字眼，以一兩行程式碼便抽取出來：
let match = result.forecast.match(/本港地區今日天氣預測:<br\/>(.*?)<br\/>/); let heavyRain = match[1].match(/狂風雷暴/) let rain = match[1].match(/有[^有雨]*?雨/)
我們把這四個月的資料整合，發現天文台只有四種形容方法：「有微雨」，「有驟雨」，「有雨」和「狂風雷暴」。
玩更多 Regular Expression： https://regexr.com/
歷史預測
既然有了方法拆解預測，那麼過往的預測又能怎樣拿到呢？
一般來說，如果沒有在過去的時間把資料儲存下來，那麼過去的資料就找不回來了。也是說，若然沒有其他來源之下，你希望找回過去每一天的天文台早上預報，是沒有可能的，你唯有從今天開始每一日妥善儲存到自己的電腦或雲端上。
那麼我們要不要等數個月才有結果？！不用怕，原來政府自 2017 年開始在 data.gov.hk 提供歷史數據，其實就是政府幫我們一直儲存著這些資訊，可以按每小時抓取過往四個月的天文台的天氣預報。
話說回來，政府的開放數據一直都是為人詬病，這次也不會令大家「失望」！在我們查找的過程中，發現兩個問題
- 縱然看起來數據是每小時記錄一次，但這個「每小時」的間距並不保證準確！正常時候是整點 (07:00, 08:00, 09:00…)，偶然會失常早一分鐘遲一分鐘甚至誤差十數分鐘！（07:01, 07:47, 08:30…）
- 在找天文台數據時，2018-12-07 09:00 至 2019-01-01 08:00 的歷史記錄不見了，難道是那數十天負責的同事放假去了旅行⋯⋯？
所以，我們這次的調查只能覆蓋一至四月了。
實際的降雨量: 降雨量竟然有 API
來到這裡，我們手頭上已經拿到足夠的「天氣預報資料」，而實際降雨量方面，原本打算在「每小時降雨量」配合傳統的 HTML 拆解方法 (利用 cheerio 或 BeautifulSoup) 把每小時不同地區的降雨量抓下來。
不過，偶然發現原來天文台有一個「每日數據摘錄」，完整收集了自 1884 年起計的每一日的總雨量記錄。而且，這個頁面更是以 Client-side Rendering 的方式顯示，換句話說，即是資料來源是有 API 可攝取，大大方便了我們作分析工作。
只可惜預報方面缺少了部份歷史數據，更沒有以往年代的預報，否則我們更可以比較古今天文台的準繩度！（照道理應該是越來越準確吧！）
調查結果
萬事俱備，這次我們用 d3.js 把降雨和預測資料，用月曆的方式顯示出來。
從上表中可以看到，一月二月未踏入香港的雨季，實際上有雨的日子並不多。不過，苦口婆心的天文台，幾乎不間斷地提醒大家有微雨或驟雨，二月份更加只有七日沒有預報有雨。在「狂風雷暴」的警示下，只有 4 月 19 日達 75 毫米，其他日子的降雨量並不多，最極端的「狂風雷暴日」 4 月 26 日只有 0.9 毫米降雨量。似乎這結果和我們的想法都符合————天文台預測下雨但其實都不大機會下雨！
反過來看，雖然天文台經常令我們白白帶了傘外出，但在天文台預測沒雨時日子，幾乎全部都真的是沒雨和極微雨（只有 0.2 毫米）！即是說，如果你當天發現天文台的預測沒有提及任何「雨」的字眼，你可以十分放心把雨傘放在家中。
然而，只是數日子好像不夠科學。其實我們更可運用 Confusion Matrix 和統計數據，更清晰看得出以上的結論。
單單是看 Accuracy，我們能指出天文台的準繩度是 70%，但這樣的說法並不夠仔細。因為
Precision 的計算的方法是 (True Positive) / (True Positive + False Positive)，即計算天文台預測有雨的日子中，有多少天是真的有下雨，而得出的數字是 0.57，換句話說即是 當天文台話有雨，只有 57% 機會真的下雨！
而 Recall 則是 (True Positive) / (True Positive + False Negative)，即計算實際有雨的日子中，有多少天是天文台有成功預測到的，這次運算達到 94%，代表實際很少情況下，會在天文台沒有預測的時候下雨起來， 當天文台說沒雨，很少機會是真的下雨 。要留意的是，如果每天都說會下雨，其實 Recall 可以達到 100% 的。所以縱然有 94% Recall，配合 57% Precision 來分析，其實就是代表天文台總是偏向預測會下雨，讓大家「有備無患」。
後記：還有更多改良空間
今次為了簡化起見，把降雨量的資料依賴了「每日數據摘錄」，不過，假若降雨記錄只是發生在淩晨 00:00 至早上 08:00 這個時段，其餘時段沒有雨，而天文台又預計當天會下雨的話，其實也算是錯誤的預計！既然我們這次的調查，看得出天文台總是常常預測有雨（Precision 的比率十分低），假若剛才的情況（清晨有雨，日間沒雨）經常發生的話，這個統計是錯誤地推高了天文台的準確率呢！
還有，我們把 0.1 毫米或以上的雨量也當作是有下雨（幾乎是幾滴雨！），我相信帶了雨傘的大家一定不會認為天文台是預測準確。
所以，其實這次對天文台是手鬆了很多呢。
