新聞

AI近年快速改變全球天氣預報技術發展方向，從過去主要依靠物理方程式與超級電腦強大運算能力的數值模式，逐步加入機器學習天氣預報（Machine Learning Weather Prediction, MLWP）的新技術。氣象署數值資訊組長沈里音在近期在2026數位政府高峰會分享指出，AI與傳統數值模式並非取代關係，而是透過兩種技術互補，提高對颱風路徑、降雨及劇烈天氣變化的預測能力。

凱米颱風顯示AI掌握路徑優勢，降雨預測仍需數值模式補強

他以2024年7月的凱米颱風為例，說明AI與傳統數值模式各自的優勢。

當時氣象署比較臺灣區域數值預報模式TWRF與歐洲中期天氣預報中心（ECMWF）的AI預報系統(AIFS)，在凱米颱風侵臺前約4至5天，歐洲預報中心已預測颱風將會朝向臺灣接近；相較之下，包括臺灣在內的多個傳統數值預報模式，當時傾向預測颱風往臺灣北方海域移動，直到颱風接近後才逐步修正路徑。最後凱米颱風登陸，並穿過臺灣北部。

這顯示AI模型在掌握大尺度天氣系統演變及颱風路徑預測上具備優勢。不過，沈里音指出，AI模型對臺灣局部天氣的掌握仍有限，尤其臺灣受到中央山脈等複雜地形影響，各地降雨分布差異大，在凱米颱風案例中，接近登陸階段時，臺灣的傳統數值預報對於降雨量與雨區分布的預測反而較為準確。

沈里音表示，AI像是掌握方向的「導航者」，能快速判斷颱風系統發展趨勢；傳統數值模式則像熟悉臺灣環境的「在地專家」，能利用物理模式與高解析度計算，呈現地形對風雨造成的影響。

楊柳颱風驗證AI＋TWRF融合，發展區域AI融合預報能力

經過凱米颱風的驗證，氣象署後續進一步發展結合AI與TWRF的混合式預報架構。

到了2025年8月楊柳颱風，氣象署進一步結合AI與TWRF的AITWRF，驗證在颱風路徑動態及雨量預測上均有較好的表現，顯示AI負責掌握大尺度環境、數值模式補足區域細節的融合方式，可改善單一AI模型在局部天氣預測上的限制。

氣象署目前希望建立具臺灣特色的AI天氣預報能力。沈里音指出，氣象署的MLWP分為全球模式與區域模式，其中全球模式採用國際技術，氣象署聚焦發展符合臺灣本地需求的區域模式，希望能提升對本地天氣系統的預測能力。

目前氣象署已布局多項區域性AI預報技術，包括與臺灣大學合作發展的DLAMP、與美國國家大氣研究中心（NCAR）合作的CREDIT，以及參考國際框架發展的Anemoi。

從AI黑盒走向可理解模型，加入物理限制提升可靠性

沈里音強調，AI模型過去常被視為「黑盒子」，也就是輸入大量資料後產生預測結果，但難以理解模型內部如何運作。未來AI天氣預報發展的重要方向，是讓模型更符合氣象科學原理。

以NCAR發展的CREDIT為例，其作法是在AI模型中加入物理限制，例如物理一致性與能量守恆，以避免AI產生不符合自然規律的預測結果。

而Anemoi為歐洲中期天氣預報中心主導的國際AI預報合作平臺，目標是建立開放合作環境，讓不同國家的氣象單位介接資料，共同發展AI天氣預報技術。沈里音表示，雖然臺灣不是世界氣象組織（WMO）會員國，但仍希望透過其他合作方式參與相關生態系。

氣象署目前在區域MLWP的設計概念是，比較有限區域（Limited Area）、延伸／可變網格（Stretched Grid），在天氣尺度預測能力、小尺度天氣細節呈現能力、模型訓練速度、時間泛化能力、邊界處理能力等各方面的優劣。

沈里音表示，目前氣象署已完成DLAMP、CREDIT及Anemoi等框架建置與驗證，並利用A100 GPU建立訓練與推論環境，逐步建立自主發展區域AI天氣預報的能力。

挑戰複雜地形與極端天氣，未來走向Hybrid AI＋NWP

不過，區域MLWP仍面臨挑戰，包括複雜地形與局地天氣特徵呈現能力不足、有限區域模式邊界處理問題，以及極端氣象事件預測能力仍待提升。

在完成區域AI預報驗證及基礎建置之後，接下來在2027年推動DLAMP的準平行作業，同時將以Hybrid AI＋NWP為主軸架構，發展符合臺灣複雜地形、在地天氣需求的智慧預報系統。

為了讓天氣預報更貼近民眾的生活需求，氣象署也將AI導入預報應用之中，例如登山愛好者想要知道登山路徑的天氣預測，氣象署提供的登山助手，將天氣預報圖表和登山路線結合，依登山路線呈現溫度、降雨、風速、體感等天氣變化，讓登山客評估風險，使用者也可透過AI，幫你解讀圖表、提供建議。其他還有自行車路線的天氣預報資訊應用，幫助騎士瞭解風速資訊，決定自己的配速。

AI除了應用在氣象預報上，也被用於氣象署內部的行政工作，減輕作業負擔。沈里音分享24小時運作的氣象署資訊組，為滿足晚上的作需求，遠端連線通常有短時間連線的限制，為此同仁開發AI Agent，Agent報告目前發生什麼事，維護人員確認同意，讓Agent觸發工作流程，避免受到遠端連線的限制。

沈里音強調，氣象署將AI導入氣象預報的關鍵，不只是建立模型，而是建立完整流程，包括先定義目標、盤點資料、探索方法到建立模型，最後透過預報結果與實際觀測資料持續驗證與修正，讓AI能真正支援氣象決策。