文章專區

Take Home Message
• 將AI 技術應用於天氣預報後，AI 預報模式在三至五天的颱風路徑預報上比傳統的物理預報模式準確，誤差比傳統模式最多可降低30%。
• 大尺度、長時間的預報中AI 模式較準確，但更短時間內物理模式與AI 模式則各有優劣，因此不能依賴單一預報模式，而是應綜合多種預報後輔以預報員的經驗與專業判斷。
• AI 模式在小尺度、地理條件複雜區域的預報表現較差，未來天氣預報趨勢將會是整合多種模式，綜合成「大系集預報系統」，並結合播報員智慧，提供更準確的氣象預報。

數位科技高度發展下，網路與通訊技術透過計算機及行動裝置逐步連結地球上每個居民，而數年前的新冠併發重症（COVID-19）阻隔了人們面對面溝通，同時卻也加速數位通訊與雲端對話的新常態――後疫情時代，地球的居民正經歷一場人工智慧（artificial intelligence, AI）科技的典範轉移。

2022 年底，美國人工智慧研究公司OpenAI 發表ChatGPT（chat generative pre-trained transformer）打響了第一槍，生成式AI 的大型語言模型（large language model, LLM）顛覆人們想像，機器從被動接收指令轉換成協助思考與彙整的工具。2023 年，首個人工智慧氣象預報模型也在氣象領域掀起了變革，資料驅動的機器學習模型悄悄誕生。

以物理為基礎的數值天氣預報發展史

在氣象領域上，由流體力學與偏微分方程求解數值天氣預報〔註1〕的歷史可以追溯到20 世紀初，1922 年，英國數學家理查遜（Lewis Fry Richardson）首次提出了使用流體力學求解未來天氣的概念，嘗試用計算機術語模擬大氣中的物理過程， 描繪天氣預報的未來。然而，受限於當時的人工計算能力，理查遜的天氣預報模型無法在實際中應用，直到二次世界大戰後，電子計算機的發展才使數值天氣預報逐漸成為可能。1940 年代後期，美國數學家諾依曼（John von Neumann）團隊在美國普林斯頓大學（Princeton University）進行了數值天氣預報實驗，將理查遜的理論應用於實際計算中，開創數值天氣預報的時代。20 世紀末，隨著計算能力持續增強，數值天氣預報獲得廣泛應用，透過融合新觀測技術和數據資料同化〔註2〕方法，包括衛星觀測和雷達數據，使物理基礎的數值天氣預報模型變得更準確。

21 世紀以來， 各國氣象中心使用先進數值天氣預報模式和先進資料同化技術，整合衛星觀測、地面測站、船舶和探空氣球等多種數據資料源， 提供氣溫、降水、風速、濕度和輻射等多種變量的全球覆蓋資料， 強化數十年來天氣預報的力量。尤其傳統數值天氣預報的龍頭歐洲中期天氣預報中心（ European Centre for Medium-Range Weather Forecasts, ECMWF）提供了從1979 年至今的第五代全球大氣再分析資料（ECMWF Reanalysis 5th Generation, EAR5），建構地球大氣、陸地及海洋歷史氣象的網格數位化資訊，長期提供高品質的四維時空氣象網格數據。

然而，受限於數據資料量與高速運算的限制，全球尺度的天氣預報模型很難無限制提升精細度，因此衍生出針對較小範圍的區域型數值天氣預報模式。這些模式通常具有1 ～ 10 公里的高精細空間解析能力，可以掌握更細緻的氣象細節，在面對更小區域的劇烈天氣變化和複雜地形下的天氣時，扮演了關鍵角色。其中，天氣研究和預報模式（Weather Research and Forecasting Model, WRF）是應用最廣泛的中尺度開源模式之一，例如氣象署發展的區域WRF 專門針對臺灣複雜地形進行最佳化，在豪大雨、颱風路徑與強度、局部的海陸風效應等天氣預測上取得了顯著成果。

〔註1〕利用流體力學原理描述大氣流動，以流體力學方程式為基礎，結合數學方法與大氣科學的天氣預報方式。

〔註2〕指透過數學演算法將來自地面測站、衛星、雷達、飛機、浮標等多種觀測數據融入數值模型初始預報場的均勻網格，讓它更接近真實環境，提升準確性。

資料驅動的氣象預報大模型興起

2023 年華為公司與ECMWF 合作推出AI 天氣模型「盤古模式」，以資料驅動的氣象預報模型震撼大氣科學界。這些模型利用數十年的EAR5 氣象數據訓練，以強大的深度學習技術成功提升千公里尺度綜觀天氣的準確性。接續而來的輝達（NVIDIA）、Google 與Microsoft 等大型商業公司陸續發表AI 天氣預報模型，傳統數值天氣預報龍頭的ECMWF 也很快公布他們的AI 天氣預報模型（Artificial Intelligence Forecasting System, AIFS）。根據ECMWF 針對2022 與2023 年全球熱帶氣旋路徑誤差的統計結果，AI 模型在三至五天的颱風路徑預報上，誤差比傳統模式低30%以上。在颱風24 小時路徑預報中，這個改善幅度相當於氣象署過去10 ～ 15 年技術進步的累積成果。然而ECMWF 也指出，AI 雖然在颱風路徑預報已取得重要成果，但在強度預報上仍無法有效應用，與現行的數值天氣預報有巨大的落差。

從凱米颱風看物理模式及 AI 模式落差

在這波 AI 天氣預測浪潮 ， 氣象署從 2023 年起初步導入開源 AI 氣象預報模型，同時透過颱風追蹤技術應用於颱風路徑上。經過一連串測試與國際上的成功案例評估，氣象署從去（2024）年颱風季開始，透過科技發展能量資源整合，依據臺灣全球預報系統（Taiwan Global Forecast System, TGFS ） 、 美國全球預報系統（Global Forecast System , GFS）與歐洲中期預報中心（Integrated Forecasting System, IFS）， 總共三組氣象分析初始數據，再結合 Google、輝達等五種開源 AI 預報模型進行預報，取得至少16組 AI 颱風路徑分析預報，正式落實應用於颱風分析預報系統（Typhoon Aanlysis and Forecast Integration System, TAFIS）。

2024 年 7 月的凱米颱風是自莫拉克颱風以來降雨量最大的一次，造成嚴重災情。颱風季來臨之前，氣象署其實已加速將 AI 颱風路徑整合至颱風預報系統中，以趕上凱米颱風的路徑預測。而這一次的預報作業也證實了 AI 預測模型的重要性：凱米颱風於 7 月 25 日登陸臺灣東部陸地，在此之前，物理模式（即美國、歐洲與氣象署颱風模式）大多認為颱風將由臺灣東方海面離開，並不會直接侵臺；但包含ECMWF、輝達及Google的 AI 模型，早在 7 月 20 日就已經預測凱米可能登陸臺灣北部或東北部陸地（圖一）。因此從凱米颱風生命期的檢驗可以看出，在三日之內的路徑預測上，物理模式與 AI 預報模式互有優劣，然而一旦超過三日，AI 預報就有顯著優勢（圖二）。

圖二｜凱米颱風路徑預報誤差（資料來源：作者提供）
氣象署颱風預報使用的物理模式及 AI 模式下，凱米颱風路徑預報誤差比較。

AI 模式還是物理模式？無可替代的「工人」智慧

這麼說來，AI 模式果然比物理模式更準確嗎？其實不一定 。 例如 2024 年 10 月底的康芮颱風預報，相較歐洲的物理模式與 AI 模式都有路徑持續向西修正的趨勢，同為物理模式的美國 GFS 與臺灣颱風模式（typhoon WRF）明顯有更好的預報能力（圖三）。

歐洲 AI 模式 (EC-AIFS)                                          美國物理模式 (GFS)
 
歐洲物理模式 (EC-IFS)                                   氣象署颱風模式 (TWRF)

圖三｜康瑞颱風路徑預報比較（資料來源：作者提供）
康芮颱風路徑。AI 模式與歐洲物理模式皆有向西修正的趨勢，美國物理模式與氣象署颱風模式則較為準確。

因此，颱風路徑預報從來都不會也不應該依賴單一模式的預測結果，而是必須結合系統性的統計誤差、最近誤差與預報員的「工人」智慧進行綜合評估。在歐洲中長期預報中心的統計評估中我們已經知道，三日以上的路徑預報，AI 預報模型比起以物理為基礎的數值天氣預報模型，通常具有更高的參考性，但在更短時間的預報路徑上，物理與 AI 模式之間仍沒有絕對性的領先。在複雜的地形或小範圍地區內的精細預報，物理模型目前則具有無法取代的優勢。

颱風路徑預報應用的各式技術

預報作業上，統計檢驗雖然是重要的參考因子，但每個颱風都是獨特且稀少的案例，依據個案會有很大的差異，預報員必須按經驗，透過天氣分析討論研判，考慮逐次預報的穩定性之後做出最佳路徑預報。康芮颱風就是最佳案例，統計表現相對沒那麼好的美國GFS可能在某些個案預測上格外準確 。 也因為各種模型間沒有絕對優勢，所以預報時都必須參考使用，統計基礎加上最近誤差檢驗，以及預報員考量風險評估後，才會進行最後的預報決策。

現行的颱風路徑預報是進一步綜合研判各國多個決定性的單一數值天氣預報模式、數個系集天氣預報系統，再加上 20 組左右的的AI預報，拓展為「大系集預報系統」〔註〕。同時間需考慮數百組颱風路徑預報，彼此相輔相成，只選擇單一模式而忽略整體的風險才是下下之策（圖四）。完整的颱風路徑預報作業大系集預報的架構下，除了給定官方單一的路徑預報外，會同時考慮大量路徑預報的不確定性，給出不同情境的推估，並提供機率型的預報資訊。而隨著時間愈近，預報指引隨時間收斂的程度也將會提供預報員逐報調整的方向與信心度。

因此在預報作業上，目前不管是 AI、物理模式或系集，用處大多還是在於增加更多參考指引，彼此間還沒有決定性的技術領先 ， 必須交互使用（圖五）。 預報作業的本質暫時沒有很大的轉變，但可預期未來將面臨更大量的數據與指引，大數據與 AI 預報決策也會變得更重要。

〔註〕採用多種模式的預報結果，以降低單一模式下的不確定性。

 
圖四｜山陀兒颱風 9 月 29 日 14 時預測超過 150 組的大系集颱風路徑預報。（資料來源：作者提供）

---

  
歐洲 AI 模式 (EC-AIFS)     歐洲物理模式 (EC-IFS)     氣象署高精細模式 (WRFD)
10 月 30 日 8 時預測 31 日 8 ～ 20 時風力
   
歐洲 AI 模式 (EC-AIFS)     歐洲物理模式 (EC-IFS)     氣象署高精細模式 (WRFD)
10 月 30 日 20 時預測 31 日 8 時至 1 日 8 時雨量

---

圖五｜康芮颱風風力預報
康芮颱風影響期間，歐洲 AI 模式（28 公里）、歐洲物理模式 （10公里）與氣象署（三公里）高精細模式預測康芮颱風通過臺灣陸地前後的定量風力與雨量比較，後者顯然提供了更準確的預報細節。

小區域預報的困境與解方

雖然 AI 天氣預報在颱風路徑等全球範圍的大尺度天氣系統中，預測能力已迎頭趕上數值天氣預報模式，然而針對更小區域定點、定量的預測，如局部地區的強降雨與強風等，預測能力仍明顯不足。尤其中尺度對流天氣系統，最劇烈的影響範圍可能僅有數百公尺至數十公里範圍；另外有許多天氣現象與複雜細緻的地理條件息息相關，例如易造成短時強降雨或局部強風的劇烈對流系統，具有突發、隨機與小區域等特性，從發展、迅速增強到減弱的持續時間通常只在數小時內，可預警時間僅有數分鐘到數十分鐘 。 這類天氣現象常是造成嚴重災害的最重要因子，早期預報能力卻仍相當有限。而現行的 AI 模式解析能力僅達 28公里，仍遠不足以模擬這些現象。

過去處理這些問題時，會透過降尺度技術來提升預測精細度 ， 廣義而言包含內插、誤差分析訂正、進階統計降尺度技術，或應用區域型的數值天氣預報模式進行動力降尺度。近年來，我們也透過低解析模式輸出搭配高精細觀測分析資料，針對溫度、降雨、風力等重要氣象參數，發展單一變量的 AI 降尺度預報技術。而透過與輝達合作發展的新型 AI 天氣降尺度技術──生成式擴散 AI 模型（Correction Diffusion Model, CorrDiff ），可進一步同時針對多變量進行降尺度分析預報。另一個解決的方式則是透過區域型、一至三公里的高精細數值天氣預報模式進行模擬，因此我們也將全力針對臺灣鄰近區域發展區域型的 AI 預報模型。

易造成短時強降雨的對流系統，則因具有突發、隨機與小區域的特性，可預警時間及降雨持續時間通常只在數小時內，甚至只有數分鐘到數十分鐘，因此目前對短時強降雨的預報能力相當有限，無論平地或山區皆同，此為世界各國天氣預測現今面對的共同難題。

 
全世界主要作業中心：如美國、日本、韓國、中國等地的官方颱風路徑預報。

數值天氣預報系統
我國、歐洲與美國等全球尺度的數值天氣預報模式（全球預報系統），以及針對臺灣鄰近區域的高精細數值天氣預報模式（區域預報系統）。

系集天氣預報系統
美國、歐洲全球尺度的系集天氣預報系統，及臺灣鄰近區域高精細的區域尺度系集天氣預報系統：每次可各提供50、100 與16 組預報路徑。

統計與最佳化路徑預報
依據前述多種路徑的統計成效或最近的位置預報，透過統計或大數據資料探勘方法提供新的預報建議路徑。

多組AI颱風路徑預報
包含至少 20 組以上的AI颱風單一或整合路徑預報。

人類智慧與人工智慧結合的未來

AI 興起為氣象預報帶來了嶄新可能性，然而目前它仍非萬能解決方案，AI模式與傳統模式的並行與整合將是未來發展趨勢。短期內，我們將嘗試發展 AI 模式在高時空解析環境的模擬能力，處理臺灣複雜地形與中尺度天氣系統的預測；同時應用更多元的數據資料，發展即時監測預報技術，確保預測結果更貼近短時劇烈的氣象要素。

氣象署也會持續結合 AI 與物理模式的優勢，導入混合預報的最佳應用方式，提升整體預測準確性。而這些多元的監測預報資料，將進一步建構預報作業上的「大系集預報系統」，因此必須建置大數據AI預報決策輔助系統，協助預報員在短時間內分析大量數據，快速生成最具參考價值的預測結果與產品。AI 的快速發展將為氣象科學注入新的活力，而氣象預報的未來將會是人類智慧與AI人工智慧相輔相成的結果，我們期待扮演更為重要的橋梁。