Group3_Warning_Forecasting/knowledge.md

分組三：天氣預報與預警應用技術

講者：

• 預報中心：黃椿喜主任、劉品妍科長、蕭純珉、黃俊翰
• 科技發展組：張保亮組長、陳新淦科長、劉正欽、林宜霖
• 合作廠商：台大陳柏孚博士團隊、多采科技

時段：2026/04/20（下午）
來源：20260420_新進同仁AI教育訓練-天氣預報與預警應用技術.pptx（26 頁）

---

1. 分組任務總覽

本分組由預報中心與科技發展組共同負責，涵蓋五大任務：

#	任務
1	發展 AI/ML 應用於颱風分析及預報的作業技術
2	發展 AI/ML 應用於極短期天氣預警的作業技術
3	應用與作業化資料驅動天氣預報 (MLWP) 模型
4	發展 AI/ML 應用於數值模式預報的後處理加值技術及產品
5	評估資料驅動天氣預報 (MLWP) 模型及其後處理技術發展

---

2. AI 預報百問——六大核心問答

簡報以 Q&A 方式串聯，以下逐一整理：

---

Q1: AI 有多厲害？預報員現在都在用 AI 報天氣嗎？

結論：MLWP 模型與 AI 降尺度、後處理、颱風路徑預報等，已是不可或缺的客觀預報指引。預報員會參考所有預報指引（包含傳統 NWP 與 AI），發布最終預報。

颱風路徑預報成果

• 過去 25 年颱風路徑 24 小時預報誤差年平均改善率約 2.7%
• 2025 年：24、48 小時誤差較前一年降低 **12%、8%**，且優於美日 13–16%

---

Q2: AI 報颱風真的很厲害嗎？

2.1 颱風路徑預報系統架構

氣象署整合多來源模式達成早期預警，分為三大類：

graph LR
    subgraph NWP物理模式
    A1[ECMWF] 
    A2[NCEP-GFS]
    A3[WRFD / TWRF]
    end
    
    subgraph 系集預報
    B1[EC 系集]
    B2[GFS 系集]
    B3[ECES / ENES]
    B4[OBEST 先進系集]
    end
    
    subgraph AI模式預報
    C1[EC-AIFS]
    C2[Google GraphCast]
    C3[NVIDIA FourCastNet]
    C4[PANGU / FUXI / FENGWU]
    end
    
    subgraph 統計整合
    D1[BMA10 / TOP10 / BMAexp]
    end
    
    A1 --> D1
    B1 --> D1
    C1 --> D1
    D1 --> E[預報作業指引]

類別	模型/系統
全球 AI 模型	18 個（含 6 種開源模型：Google, NVIDIA, Microsoft 等）
初始輸入資料	3 個（美國 GFS、歐洲 ECMWF、氣象署全球模式）

2.2 颱風路徑案例分析

凱米颱風 (2024)

• AI 模式在更早的時間穩定預報出和實際相似的路徑
• 顯示颱風可能停滯或偏折
• 大幅精進颱風路徑預報準確度
• 限制：中心遇地形打轉現象仍須高解析區域模式方能掌握

山陀兒颱風 (2024秋)

• AI 預報較早掌握近台灣東部路徑
• 未能預測通過巴士海峽轉南部登陸路徑
• 秋颱特殊路徑 + 北方系統交互影響 → 基隆北海岸雨量預報難度極高
• 教訓：秋季颱風預測路徑仍難以掌握

2.3 AI 颱風預報優缺點

	優點 ✅	缺點 ⚠️
大尺度	大範圍天氣系統預測能力佳	模型可解釋性不足
速度	比傳統模型更快	訓練消耗大量計算資源
多變數	可同時處理多種氣象變數	全球模型 (0.25°) 解析能力不足
颱風	生成與路徑預測具優勢	強度仍不足，風雨預報能力待釐清

2.4 颱風結構分析及預報 AI 技術

技術	AI 方法	功能	開發單位
DLTC	GAN-CNN	利用衛星雲圖估計颱風強度	委託台大陳柏孚團隊
TCSA / DSAT-2D	GAN-CNN	輸出軸對稱颱風風速剖面 → 二維風場及四象限結構 → 非對稱地面風場	同上
Deep-Rainband	GAN	以同步衛星觀測產製 PMW 雲圖，擺脫繞極衛星依賴，1 小時頻率提供強度/結構估計	同上
TCRI / TCRE	GAN-CNN + convLSTM	颱風系集預報，提供未來 24 小時快速增強 (RI) 發生機率	同上

---

Q3: 前處理 & 後處理？那是什麼東西？

3.1 預報指引作業化流程

graph LR
    A[觀測/再分析資料] --> B[資料抓取/下載]
    B --> C[前處理<br/>資料整集]
    C --> D[模式預報<br/>NWP / AI 模型]
    D --> E[後處理<br/>降尺度/校正]
    E --> F[校驗]
    F --> G[預報決策與支援]
    
    style C fill:#e8a838,color:#fff
    style E fill:#4a90d9,color:#fff

加入 AI 後的變化：

• 前處理：+ AI 訓練模型（資料整集、品質篩選、正規化）
• 後處理：+ AI 模型（降尺度、偏差校正）
• 使用 DockerFlow 與格點倉儲 (GT) 管理作業流程

3.2 前處理重點

前處理是將原始資料「洗乾淨」給 AI，關鍵步驟：

步驟	說明
異質資料處理	理解各資料特性、異常值（NaN、-999.9、負值）、不同單位須正規化
資料庫建立	例：無現成颱風剖面資料，需用 best-track + 物理方程式 + ERA5 反推軸對稱風速剖面
訓練目標篩選	根據目標挑選合適資料，如剔除過多弱天氣系統資料
計算精度	選擇 float32 或 float64
正規化	不同資料量值差異過大需正規化處理

3.3 後處理——NWP 雨量預報 AI 降尺度

EC 降水預報降尺度 (ECDS)

項目	規格
方法	Nested-Unet + 遷移式學習
輸入	ECMWF 0.1° QPF + 高解析 0.0125° 地形
輸出	0.0125° QPF
預報範圍	240 hr / 3、6、12、24 hr 累積雨量
訓練硬體	RTX 6000（6–12 小時）
推論時間	CPU ~5 分鐘

特色：地形上降雨被增強，可提高強降雨可預報度，透過非線性方法提升解析度。

系集預報降尺度 (WEPS-AI)

項目	規格
方法	GAN + Swin-Transformer
輸入	WEPS mean 3 km QPF
輸出	1 km QPF
預報範圍	120 hr / 24 hr 累積雨量
訓練硬體	GeForce RTX 3090（2–4 小時）
推論時間	~2 分鐘

特色：學習 NWP 偏差後具有空間訂正能力，不同於傳統方法僅能改變雨量值但無法改變雨區。

案例成效

• **米塔颱風 (2019)**：AI 修正降水極值大小及範圍
• **利奇馬颱風 (2019)**：加入地形資訊提高雨量空間解析度

3.4 後處理——MLWP 雨量預報降尺度

• 將全球 MLWP 模式從 25 km → 5 km
• 修正系統性誤差、地形降雨效應
• 多模式可直接比較
• 預計部署至 iQPF 網頁

3.5 後處理——AI 模式溫度降尺度

• DCA (Downscaling Correction Approach) 校正 AI 模式原始輸出
• 產出 14 天逐時溫度預報時間序列
• 整合至圖形預報編輯系統 (GFE) 作為溫度格點預報的基本材料（smart init 技術）

---

Q4: AI 可以報午後雷陣雨嗎？

結論：自研模型在校驗指標上有所精進，但對流系統具高度不確定性，AI 預報目前僅具初步參考潛力，實務應用仍需長期且嚴謹地評估其穩定性。

極短期降雨預報 (QPN) 三套系統

系統	方法	輸入	輸出	推論時間
MIMQPN	Memory-In-Memory	QPESUMS 最近 6 張雷達 CV + 降雨率	未來 20–70 min 之 60 分鐘雨量（逐 10 min 更新）	CPU 3–5 min
DeepQPF	convGRU + discriminator + PONI + 異質資料	QPESUMS 6 張 + 地形/季節/舉升指數/位溫/風場	未來 3 小時內逐時時雨量	CPU 2–3 min
大台北強降雨預報	ConvNeXt / U-net++ / simVP / ViT	RWRF 模式資料	未來 2–6 小時時雨量 > 10mm 格點	—

DeepQPF 僅預報至 3 小時（3–6 小時可預報度較低）；大台北強降雨模型可報至 6 小時，但僅限初始時間 00–05Z。

閃電躍升與決策樹

利用 iREADs 系統，結合分區午後對流達大雨的閃電躍升資料建立決策樹：

判斷條件	門檻值
連續閃電躍升數	≥ 3
20 分鐘雨量門檻	18.35 mm
10 分鐘雨量門檻	6.75 mm

分類結果：

• 分類 1：機率 0.307（低風險）
• 分類 2：機率 0.559（中風險）
• 分類 3：機率 0.806（高風險）

---

Q5: AI 應用與傳統預報方法的長短處？

	AI 應用	傳統方法
運算時效	極快：數秒至數分鐘	計算時間明顯較長
物理邏輯	黑盒子，可解釋性低	空間連貫性與物理一致性高
主要長處	中長期 (3–14 天) 大尺度預報穩定；修正偏差/降尺度成效佳	物理結構完整；中小尺度/地形效應掌握較佳
主要短處	缺乏明確物理因果	運算成本高、延遲時間長

AI 應用策略（依預報時間尺度）

graph LR
    A[極短期即時監測<br/>< 1小時] --> B[AI 校正與降尺度<br/>1小時 ~ 6小時]
    B --> C[MLWP 短中期天氣預報<br/>1天 ~ 2週]

---

Q6: 預報員要被 AI 取代了嗎？

答案：不會！

角色	職責
AI	負責運算——大規模數據處理、模式優化與高效率結果推論，提供準確及快速的參考指引
預報員	負責核心價值——最後的物理診斷、面對民眾的風險溝通、災防決策制定，承擔最終決策責任

---

3. AI 技術導入時間軸（2022–2026）

gantt
    title AI 技術作業化時程
    dateFormat YYYY-MM
    axisFormat %Y

    section 颱風
    颱風強度估計 (DLTC)           :done, 2022-07, 2023-01
    颱風不對稱結構分析 (TCSA)     :done, 2023-01, 2023-06
    颱風路徑 盤古NCEP              :done, 2023-06, 2024-01
    颱風路徑 盤古EC                :done, 2024-01, 2024-06
    颱風路徑 科發組18條            :done, 2024-06, 2025-01
    颱風路徑 AIFS/GenCast/GraphCast/FGN :done, 2025-01, 2026-01
    颱風強度預報/結構預報/對流分析  :active, 2025-06, 2026-06

    section 降水QPF
    MIMQPN                         :done, 2023-01, 2024-01
    DeepQPF v1/v2/v3               :done, 2023-06, 2025-06
    EC QPF 降尺度 (ECDS)           :done, 2024-01, 2025-01
    WEPS-GAN 校正                  :done, 2024-06, 2025-06
    Diffusion 10min                :active, 2025-06, 2026-06

    section 溫度
    盤古NCEP DCA                   :done, 2024-01, 2024-06
    盤古EC DCA / AIFS DCA          :done, 2024-06, 2025-06

---

4. 關鍵術語表 (Glossary)

術語	英文	說明
MLWP	Machine Learning Weather Prediction	機器學習天氣預報（資料驅動模型）
NWP	Numerical Weather Prediction	數值天氣預報（物理方程驅動）
OBEST	Observation-Based Ensemble Subsetting Technique	基於觀測的系集子集選擇技術 (Dong & Zhang, 2016)
BMA	Bayesian Model Averaging	貝葉斯模式平均，以歷史表現加權 (Chen et al., 2017)
GAN	Generative Adversarial Network	生成式對抗網路
CNN	Convolutional Neural Network	卷積神經網路
convLSTM	Convolutional LSTM	卷積長短期記憶網路（時空序列）
convGRU	Convolutional GRU	卷積門控循環單元
Swin-Transformer	Shifted Window Transformer	滑動視窗 Transformer（用於降尺度）
ViT	Vision Transformer	視覺 Transformer
U-net++	Nested U-Net	巢狀 U-Net 架構
ConvNeXt	Convolutional Next	現代化 CNN 架構
simVP	Simple Video Prediction	簡單影片預測架構
PONI	—	DeepQPF 中的降水校正模組
YOLO	You Only Look Once	物件偵測演算法
DCA	Downscaling Correction Approach	降尺度校正方法
GFE	Graphic Forecast Editor	圖形預報編輯系統
GT	Grid Toolbox	格點倉儲（搭配 DockerFlow）
iQPF	—	定量降水預報網頁平台
iREADs	—	即時分析診斷系統（閃電躍升預警）
QPESUMS	Quantitative Precipitation Estimation and Segregation Using Multiple Sensors	多元感測器定量降水估計系統
QPF	Quantitative Precipitation Forecast	定量降水預報
QPE	Quantitative Precipitation Estimation	定量降水估計
QPN	Quantitative Precipitation Nowcasting	極短期定量降水預報
DLTC	Deep Learning Typhoon Center	深度學習颱風強度估計
TCSA	Typhoon Complete Structure Analysis	颱風完整結構分析（二維風場）
DSAT-2D	—	颱風非對稱地面風場分析
TCRI / TCRE	Typhoon Rapid Intensification / Ensemble	颱風快速增強機率預報
PMW	Passive Microwave	被動微波（衛星觀測）
RI	Rapid Intensification	颱風快速增強（24h 風速增加 ≥ 30 kt）
WEPS	Weather Ensemble Prediction System	天氣系集預報系統
ECDS	EC Downscaling System	EC 降水預報降尺度系統（預報中心自研）
RMW	Radius of Maximum Wind	最大風速半徑
R34	Radius of 34-kt Wind	34 節風速半徑
Vmax	Maximum Sustained Wind	最大持續風速

---

5. 參考文獻

• Dong, L. and Zhang, F. (2016). OBEST: An observation-based ensemble subsetting technique for tropical cyclone track prediction.
• Chen, B.-F. et al. (2017). Bayesian model averaging for tropical cyclone track forecasting.
• ECMWF AIFS 相關文獻

---

6. 學習重點總結

三大核心要點

1. AI 已是預報作業不可或缺的指引——颱風路徑預報 24h 誤差年改善率 2.7%，2025 年更較前年降低 12%，整合 18 個全球 AI 模型 + 3 種初始場。

2. 前處理與後處理是 AI 落地的關鍵——前處理將原始資料「洗乾淨」（異質資料處理、正規化、品質篩選）；後處理將預報「精緻化」（降尺度 25km→5km、偏差校正、GAN/Transformer 空間訂正）。

3. AI 不取代預報員，而是分工合作——AI 負責運算與參考指引，預報員負責物理診斷、風險溝通與最終決策責任。極短期對流預報（午後雷陣雨）AI 仍僅具初步參考潛力。