本專案旨在匯整與展示台灣中央氣象署（CWA）地震測報中心在強震即時警報系統（EEW）效能、大規模地震觀測網架構、以及引領次世代地震觀測發展的最新技術。本平台彙整了四大關鍵技術簡報的精華知識，涵蓋從基礎開源框架（Earthworm、Seiscomp、Grafana）到前沿人工智慧技術（大型地震模型 LEM、SeisWav2Vec 2.0 自監督預訓練、以及 AI Agent 協作群組），幫助您全方位、多維度地理解次世代地震測報核心架構。
+
+
+ 知識庫總覽
+展示台灣中央氣象署強震即時警報與 AI 技術整合之演進
+
+
+ 系統狀態：運作中
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ 中央氣象署次世代地震測報技術專案
+
+
+
+
+
+
+ 請選擇欲查看的專題簡報：
+
+
+
+
+ 即時監測與架構
+
+ Real-Time Seismic Data Processing and Monitoring at CWA
+探討中央氣象署的全面性地震監測基礎設施，說明如何利用開源監測軟體 Earthworm 與 Seiscomp 進行即時波形處理，並展示結合 Grafana 建構的即時系統狀態、數據延遲與 availability 儀表板。
+
+ 投影片數量：26 張
+
+
+
+
+
+
+ 效能統計與案例
+
+ 2026年5月 地震預警系統報告
+詳細整理 2026 年 5 月 CWA 強震即時警報系統（EEW）的效能，透過 5/1 東部海域地震、5/12 東部海域地震、5/17 埔里地震等三大案例，探討幾何中心定位法誤差、應變盲區、測站觸發率及預估震度準確度。
+
+ 投影片數量：17 張
+
+
+
+
+
+
+ AI 代理與大模型
+
+ AI 代理群與大型語言模型在次世代地震測報之整合與應用
+重磅展示 CWA 最先進的科學研究：將語音處理領域 (Wav2Vec 2.0) 遷移至地震波形分析的自監督模型 SeisWav2Vec 2.0 (大型地震模型 LEM)，以及由四大 Agent（預警總管、整合工程師、地震學助教、科學研究員）組成的自動化協作群組架構。
+
+ 投影片數量：71 張
+
+
+
+
+
+
+ 預警演進與宣導
+
+ 臺灣地震預警系統的演進與發展 (嘉義災防宣導)
+回顧台灣強震即時警報的發展歷程與原理，說明 P 波（傳播快、振幅小）與 S 波（傳播慢、震幅大）在預警上的幾何學，展示災防預警發布條件、推播管道（PWS、電視、中小學軟體）及花蓮 M7.2 地震案例。
+
+ 投影片數量：50 張
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ ![Slide View]()
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ 物理物理參數控制
+ +
+
+
+
+ 震源深度 (Depth)
+ 15 km
+
+
+
+
+
+
+ 震央距離 (Epicenter Distance)
+ 40 km
+
+
+
+
+
+
+ S波平均波速 (S-Wave Velocity)
+ 3.5 km/s
+
+
+
+
+
+
+ 預警解算時效 (Processing Time)
+ 10.0 s
+
+
+
+
+ 預估警報黃金時間 (Lead Time)
+1.4秒
+ 警報覆蓋安全區
+
+
+
+ 盲區半徑 (Blind Zone Radius)： 35.0 km
+震源距離 (Hypocenter Distance)： 42.7 km
+
+
+
+
+
+
+ 地震預警波前傳播幾何示意圖 (下半球立體與剖面)
+ 動態向量演算視窗
+
+
+
+
+
+
+ 學術原理說明： 預警系統解算地震參數需要一定時間（簡稱「預警解算時效」）。在預警解算完畢前，S波（破壞性切變波）已經從震源向外傳播了一定半徑，這塊無法提早收到警報的圓形區域即為應變盲區。盲區半徑等於 解算時間 × S波波速。若測站或城市位於盲區外（震央距大於盲區半徑），將獲得寶貴的警報黃金前置時間。
+
+
+
+
+
+
+
+
+
+ EEW 多代理群組 (Swarm) 協作網絡圖
+ 互動點選可查看代理職責
+
+
+
+
+
+
+
+
+
+
+
+
+
+ EEW 自動化閉環工作流
+
+
+ 在 PPT 3 報告（第 48-66 頁）中，展示了 CWA 引進的 AI Agent 多代理協作系統。這是一套整合了地震監控、自動化派遣與科研分析的閉環系統：
+ +
+
+
+ 01
+
+
+
+
+ 事件偵測與觸發
+seismo 偵測 CWA 預警系統目錄下的新 `.rep` (Earthquake Report) 報告產出。
+
+ 02
+
+
+
+
+ 跨節點調度派遣
+secondary_agent 透過 conducter 自動化路由派遣訊息，指派科學計算任務。
+
+ 03
+
+
+
+
+ 科研分析與繪圖
+seismo_agent 負責資料轉換成 CSV/JSON，分析時效與延遲，並輸出統計圖表。
+
+ 04
+
+
+
+ 異常通報與日報發布
+my_agent 整合報告，產出每日摘要，若有異常（如解算時效過慢）則推播 Telegram 告警。
+
+
+
+
+
+
+
+
+ SeisWav2Vec 2.0 大型地震模型架構
+
+
+ 大型地震模型 (Large Earthquake Model, LEM) 是地震監測的新紀元。在 PPT 3 簡報（第 32-47 頁）中，展示了基於 Wav2Vec 2.0 語音對比學習概念的地震學創新應用。透過特徵編碼器 (CNN)、Transformer、遮罩與離散量化編碼器，系統能從無標記的海量連續波形中提取通用的地震波相特徵，並進行微調。
+ +
+
+
+
+
+
+ 原始地震波形資料輸入 (Seismic Waveform Input)
+
+
+ ▼
+
+
+ 特徵編碼器 Feature Encoder (多層一維 CNN)
+
+
+ ▼
+
+
+
+
+
+ 遮罩預測 (Masking)
+
+
+ 離散向量量化器 (Quantization)
+
+ ▼
+
+
+ 上下文編碼器 Context Encoder (12層 Transformer 全局自注意力)
+
+
+ ▼
+
+
+ 任務解碼器與分類任務微調 (P/S 波相辨識、震央距與規模預估)
+
+
+
+
+
+
+ 自監督學習的核心優勢
+
+
+ -
+
- + ✔ + 無標註學習 (Self-Supervised) + 無需人工標記正確答案，直接利用數據本身的時序特徵進行學習，極大地解決了「深度學習需要海量標註數據」的傳統瓶頸。 + +
- + ✔ + 學習通用表示 (General Representations) + CNN 特徵編碼器捕獲局部波形，而 12 層 Transformer 捕捉波形全局上下文，提取出地震特有的資訊 Embedding。 + +
- + ✔ + 高效任務微調 (Task Fine-Tuning) + 在預訓練的 Wav2Vec 模型上外接 CNN 解碼器，僅需極少量的標記事件（如 P/S 波相精準到時），即可達到領先（SOTA）的辨識效能。 + +
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ 簡報核心重點與圖表擷取
+本單元為您從 4 份簡報中，挑選出最關鍵的圖表與重要原理說明。每個重點皆附有簡報的重點截圖與文字摘要，您可以點選「定位簡報」來查看該投影片的完整脈絡。
+ + +
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+ 原始檔案資訊與下載
+以下為您在本地電腦中儲存的 4 份簡報，點選即可下載或查閱對應檔案大小與內容說明。這些簡報已重構為網頁展示。
+ +
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+