Spaces:

oceanicdayi
/

AIML_learning

Runtime error

timeline
    title 氣候預報技術演進（2014–2024）
    2014 : ENSO 預報指引
    2016 : 多模式整合預報指引
         : 綜整歐/美/日/韓多國模式
    2017 : 氣象署氣候模式（CWACFSv2）
    2018 : 多國模式圖集
    2019 : EC 模式預報導入
    2020 : 導入統計後處理技術（BMA）
         : 次季節預報指引（季風/MJO/BSISO）
         : 季節預報指引（副高/春雨/梅雨）
    2020-2024 : BMA 預報指引精進（含 EC）
    2023 : 臺灣區域氣候分析
    2024 : 高解析度展期統計後處理預報
         : 極端溫度及降雨預報指引
         : 開發降尺度及偏差修正技術

氣候預報的挑戰

預報誤差（可預報度限制）：氣候系統的混沌特性
降尺度誤差：全球模式解析度不足以描述台灣地形
需整合多國模式資料與多系集成員（含氣象署自身模式）

A3. 氣候預報產品流程

graph LR
    A[多模式原始預報<br/>Global/Regional] --> B[Statistical Post-Process<br/>降尺度/偏差修正]
    B --> C[縣市/鄉鎮<br/>三分類機率預報]
    C --> D[跨域預報產品]
    
    style B fill:#4a90d9,color:#fff

跨域服務需求

氣候預報需服務多個領域，每個領域關注不同的氣象變數：

應用領域	關注的氣象變數
水文 (Hydrology)	乾旱、極端降雨、颱風、暴雨
農業 (Agriculture)	低溫、高溫、強風
綠能 (Green Energy)	風速、風向、日照、雲量
漁業 (Fishery)	低溫

具體產品如：水庫集水區雨量預報等。

A4. 統計後處理方法——BMA（Bayesian Model Averaging）

客觀綜合後處理方法 (OCP) 降尺度預報流程

BMA 方法整合多個模式的預報結果，賦予每個模式基於歷史表現的權重：

graph TD
    A[EC 模式<br/>fields/indices] --> D[Statistical Post-Process<br/>BMA-based]
    B[CWACFSv2 模式<br/>fields/indices] --> D
    C[CFSv2 模式<br/>fields/indices] --> D
    D --> E[BMA-based MME<br/>多模式系集平均]
    E --> F[降尺度預報產品]

**BMA (Bayesian Model Averaging)**：基於貝葉斯統計的模式平均方法
每個模式根據其歷史預報技巧獲得不同權重
降水驗證 (RPSS) 顯示 BMA 整合後優於任何單一模式

A5. AI 降尺度方法——CorrDiff（Generative Correction Diffusion Model）

A5.1 CorrDiff 概述

CorrDiff 是 NVIDIA 與氣象署合作開發的生成式擴散模型降尺度方法：

項目	全球資料 (Input)	區域資料 (Target)
資料集	ERA5 再分析	CWA RWRF 分析
解析度	25 km	2 km
變數	850/500-hPa U, V, T, Height; U10, V10, T2, CWV	U10, V10, T2, 最大雷達回波

論文：Morteza Mardani et al. (2025). Residual corrective diffusion modeling for km-scale atmospheric downscaling. Nature Communications Earth & Environment. doi:10.1038/s43247-025-02042-5

亮點：於 COMPUTEX 2024 展示颱風凱米 (Gaemi) 的 CorrDiff 降尺度預報。

A5.2 最佳化 CorrDiff 模組

合作單位：氣象署 (CWA) × 台灣師範大學 (NTNU) × 台灣大學 (NTU) × NVIDIA

訓練資料	空間解析度	訓練期	測試期	地面變數	高空變數
ERA5 (Global)	25 km	1991–2015	2016–2023	降水, T2M, U10M, V10M	850/500-hPa U, V, T, Q, Z
TReAD (Regional)	2 km	1991–2015	2016–2023	降水, T2M, U10M, V10M	—
TaiSA (Regional)	1 km	1998–2015	2016–2023	降水, T2M	—

A5.3 台灣高解析網格資料

資料集	說明	解析度	時間範圍
TReAD (Taiwan Re-Analysis Downscaling)	使用 WRF 模式從 ERA5 動力降尺度	2 km, 逐時	1979–2023 (45 年)
TaiSA (Taiwan Station-based Analysis)	使用統計方法將測站資料轉為網格資料	1 km, 逐時	1998–2023 (25 年)

	TReAD	TaiSA
優勢	動力一致性，包含模式狀態變數，涵蓋 45 年	網格化觀測資料，氣候一致性（地面真值）
限制	WRF 動力降尺度，非地面真值	僅地面變數、僅陸地

TReAD 資料下載：https://data.depositar.io/en/dataset/tread

A5.4 CorrDiff 敏感度實驗

測試不同輸入變數組合對降尺度品質的影響：

實驗	Global 輸入	Regional 輸出	結果
P2P	僅降水	降水	基線
SF2P	降水+地面變數	降水	改善
3D2P	降水+地面+高空	降水	更佳
3D2All	降水+地面+高空	降水+地面全變數	最佳（RMSE 最小）

結論：3D2All 配置的空間降尺度正確性最高。CorrDiff 模型有潛力改善相對於 ERA5 原始輸入的空間降雨準確度。

A5.5 CorrDiff 應用於預報降尺度

結合展期模式 (GEPSv2)

CorrDiff 降尺度後的 GEPS 預報在東部地區強化了降水信號（4 天、8 天前置時間）
但 12 天前置時間無降水信號
需要偏差修正（GEPSv2 → ERA5）

結合氣候模式 (SEAS5)

一個月前置時間的 CorrDiff 預報能指出東台灣的強降水
問題：山區有濕偏差 (wet bias)
需要偏差修正（SEAS5 → ERA5）

A5.6 現行 CorrDiff 的待解決問題

僅使用 4 年資料訓練（不足）
沒有雨量變數場直接輸出
無高解析地形資料

A6. 統計後處理的下一步：偏差修正

graph LR
    A[多模式原始預報<br/>多系集成員] --> B[偏差修正<br/>Bias Correction]
    B --> C[CorrDiff 降尺度]
    C --> D[縣市/鄉鎮<br/>三分類機率預報]
    D --> E[跨域預報產品]

未來目標是將統計後處理方法與 AI 降尺度（CorrDiff）整合，達成氣候預報精緻化：

以屏東縣為例：溫度機率預報可細化至「偏低 0% / 正常 30% / 偏高 70%」，並標示氣候正常範圍（如 20.6~21.4°C）

Part B：海岸異常波浪（瘋狗浪）預報系統

講者：朱啓豪科長（海象氣候組/海象發展科）
來源：新人訓練-海岸異常波浪-20260323.pptx（20 頁）

B1. 什麼是海岸異常波浪（瘋狗浪）？

定義：海岸邊突然出現的巨大浪花，是波浪與地形、礁岩、防波堤等結構物交互作用的結果，常將人車沖入海中造成傷亡。

統計：民國 89–114 年 11 月間，共蒐集 445 件海岸瘋狗浪事件，778 人落海
核心困難：截至目前，瘋狗浪的發生尚無法以理論公式預測何時、何地會發生 → 需利用 AI

B2. 系統架構

graph LR
    A[影像監測站] --> B[影像辨識<br/>二值化法 / YOLO]
    B --> C[異常浪案例庫]
    C --> D[AI 模型訓練]
    E[實測海氣象資料] --> D
    F[波浪模式預報資料] --> D
    D --> G[瘋狗浪機率預報]
    G --> H[風險等級產品]

運作規格

項目	規格
執行頻率	每日 4 次（UTC 00, 06, 12, 18）
預警時距	未來 12、18、24 小時
風險等級	< 50%（低）/ 50–70%（中）/ > 70%（高）
預報系統數	16 套
監測站數	21 站

B3. 影像辨識技術

B3.1 二值化法（傳統物理方法）

原始影像 → 二值轉換 + 影像銳化 → 邊緣偵測 + 去雜訊 → 浪花邊界 → 浪花參數計算

浪花參數與危害判定

參數	定義
浪花高度 (H_CFW)	自浪花邊緣偵測獲得
浪花單位寬度瞬時流量 (Q_CFW)	對瞬時浪花水量微分
浪花平均速度 (u_CFW)	瞬時流量 ÷ 浪花高度

危害度判定公式 (Penning-Rowsell et al., 2005)：

$FH = h \times (v + 0.5) + DF$

其中 $h$ 為水深、$v$ 為流速、$DF$ 為其他影響因子。

Flood Hazard (FH)	危害程度
FH < 0.75	低危害
FH > 1.5	具危害性
FH > 2.5	非常危險

系統採用 FH > 1.5 作為瘋狗浪判定準則（Ramsbottom, 2006）

B3.2 YOLO 物件偵測（AI 方法）

從傳統影像分析轉進至 YOLO 智慧 AI 判識：

特性	說明
架構	單一卷積神經網路 (CNN)，將影像切成多個網格
版本	YOLOv7（測試更新版本後發現無顯著加速且增加標記成本）
速度	比二值化法快 10–100 倍
能力	已具備即時辨識動態影片能力

流程：二值法找案例 (FH > 1.5) → 案例訓練 YOLO 模型 → 完成訓練開始使用

B4. 案例蒐集成果

全台 18 個監測站累積的異常波浪案例數：

測站	所屬區域	累積案例數
龍洞	新北市東	20,086
野柳	新北市西	8,578
富岡	台東縣	7,314
碧砂	基隆市	5,790
石梯	花蓮縣	3,931
和平島	基隆市	2,268
西子灣	高雄市	1,574
永安	桃園市	1,243
安平	台南市	740
台中港	台中市	399
內埤	宜蘭縣	259
烏石	宜蘭縣	173
箔子寮	雲林縣	172
海興	屏東縣	161
布袋	嘉義縣	82
新竹港	新竹縣	71
外埔	苗栗縣	62
彰濱	彰化縣	49

B5. AI 預報方法

系統使用四種 AI 方法進行機率預報：

方法	英文	核心特性
類神經網路	ANN (Artificial Neural Network)	多層互連神經元，強大的非線性擬合能力，黑箱模型
隨機森林	RF (Random Forest)	基於決策樹的集成學習，自助抽樣+隨機特徵，抗過擬合
支撐向量機	SVM (Support Vector Machine)	核函數技巧將低維映射至高維，找最優超平面
長短期記憶網路	LSTM (Long Short-Term Memory)	門控機制控制訊息保留/遺忘，捕捉長時序依賴關係

B6. 預報驗證成果

114 年 1–10 月各子系統預報驗證結果：

子系統	正確率
台南安平	88.2%
台中台中港	86.4%
高雄西子灣	85.8%
花蓮石梯	85.1%
桃園永安	83.2%
基隆碧砂	82.8%
台東富岡	82.8%
屏東興海	82.6%
雲林萡子寮	81.4%
嘉義布袋	81.1%
新北龍洞	79.7%
新北野柳	77.3%
宜蘭內埤	69.2%

各子系統整體預報正確率皆有約 7 成以上，顯示預警資訊具可信度。

實際案例驗證

事件	預報機率
2024/11/16 基隆嶼瘋狗浪	88.3%
2025/01/15 花蓮石梯坪瘋狗浪	91.2%

發布高風險警戒時段 90% 有瘋狗浪影像紀錄；中風險時段 58% 有記錄。

B7. 產品推廣與合作

推廣方式	合作單位
LINE 推播	新北市政府消防局
官網置入	東北角及宜蘭海岸國家風景區管理處
電子看板	北海岸及觀音山國家風景區管理處
合作建站	臺灣港務股份有限公司

B8. 系統總結

graph TB
    subgraph 監測端
    A[21站光學監測系統] --> B[YOLO 影像辨識]
    B --> C[異常波浪案例庫]
    end
    
    subgraph AI核心
    C --> D[ANN / RF / SVM / LSTM]
    E[波浪模式預報] --> D
    F[實測海氣象資料] --> D
    end
    
    subgraph 產品端
    D --> G[16套預報系統]
    G --> H[LINE 主動預警]
    G --> I[官網/電子看板]
    end
    
    style D fill:#4a90d9,color:#fff

未來工作

精進預報準確度
建立整合監控系統
跨域合作：觀光署、新北市政府、臺灣港務、海巡署
科普教育：海象百問、報氣候短知識影片、YouTube 觀測直播

關鍵術語表 (Glossary)

術語	英文	說明
BMA	Bayesian Model Averaging	貝葉斯模式平均，依歷史表現加權整合多模式預報
OCP	Objective Comprehensive Post-processing	客觀綜合後處理方法
CorrDiff	Corrective Diffusion Model	生成式修正擴散模型，用於空間降尺度
RPSS	Ranked Probability Skill Score	評估分類機率預報的技巧分數
ERA5	ECMWF Reanalysis v5	ECMWF 第五代全球再分析資料（25 km）
TReAD	Taiwan Re-Analysis Downscaling	台灣再分析降尺度資料（WRF, 2 km, 1979–2023）
TaiSA	Taiwan Station-based Analysis	台灣測站分析網格資料（1 km, 1998–2023）
SEAS5	Seasonal Forecast System 5	ECMWF 第五代季節預報系統
GEPSv2	Global Ensemble Prediction System v2	全球系集預報系統第二版
CWACFSv2	CWA Climate Forecast System v2	氣象署氣候預報系統第二版（海氣耦合模式）
MJO	Madden-Julian Oscillation	乃赤道地區 30–60 天振盪，影響次季節預報
BSISO	Boreal Summer Intraseasonal Oscillation	北半球夏季季內振盪
ENSO	El Niño–Southern Oscillation	聖嬰–南方振盪，最重要的季節氣候預報因子
FH	Flood Hazard	洪水危害指標（判定瘋狗浪危害度）
YOLO	You Only Look Once	單次推論物件偵測演算法（目前使用 v7）
ANN	Artificial Neural Network	人工類神經網路
RF	Random Forest	隨機森林（集成學習）
SVM	Support Vector Machine	支撐向量機
LSTM	Long Short-Term Memory	長短期記憶神經網路（時序預測）
WRF	Weather Research and Forecasting	天氣研究與預報模式（動力降尺度使用）

參考文獻

Morteza Mardani et al. (2025). Residual corrective diffusion modeling for km-scale atmospheric downscaling. Nature Communications Earth & Environment. doi:10.1038/s43247-025-02042-5
Penning-Rowsell, E. C. et al. (2005). The benefits of flood and coastal risk management: a handbook of assessment techniques.
Ramsbottom, D. et al. (2006). Flood risks to people: Phase 2 — guidance document.
TCCIP Newsletter NO.019：颱風與農業損失之跨年代變遷趨勢研究

學習重點總結

Part A 氣候預報三個核心要點

氣候預報靠多模式整合——BMA 將歐美日韓+氣象署模式的預報加權平均，優於任何單一模式
AI 降尺度 (CorrDiff) 是下一代方向——將 25 km 全球資料降至 2 km，但目前仍需偏差修正
台灣有獨特的高解析資料優勢——TReAD（45 年 2 km）與 TaiSA（25 年 1 km）是訓練 AI 的寶貴資產

Part B 海岸異常波浪三個核心要點

瘋狗浪無法用物理公式預測——必須仰賴 AI 方法（ANN/RF/SVM/LSTM）從歷史案例學習
YOLO 影像辨識是關鍵突破——比傳統二值化法快 10–100 倍，已能即時辨識動態影片
系統已實際運作並具高準確度——16 套系統、21 站監測，平均正確率 > 77%，高風險準確率達 90%