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
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。