Loading [MathJax]/extensions/tex2jax.js

0

0
1

文字

分享

0
0
1

颱風不只是夏日「期間限定」的特產——《天有可測風雲》

PanSci_96
・2017/12/13 ・1766字 ・閱讀時間約 3 分鐘 ・SR值 512 ・六年級

颱風是台灣最常見的天災;雖說是「災」,但其實也帶有祝福的成分:我們依賴颱風帶來雨水。

台灣每年平均有三到四個颱風造訪,若哪一年颱風數量很少,就會出現旱象。如果颱風來得太密集,除了災害外,還會造成嚴重農損,且又沒有時間恢復,菜價就會持續走高。

比如二○一六年短時間來了三個颱風,使得菜價居高不下,就是很好的例子。最好的情況,就是都來一些強度、頻率跟路徑都「剛剛好」的颱風,讓台灣有夠用的水,又不至於造成太大損害。問題是,我們不是老天爺,根本不可能控制颱風的強度與損害性,我們能做的就是預測並防範。

面對颱風最重要的是預測和防範。圖/By WikiImages @Pixabay

颱風不是夏日特產

在談防災前,我們不妨先來了解一下颱風生成的原理。颱風是一種熱帶氣旋,對很多民眾來說,颱風是「夏日特產」,事實上,一年四季都會有颱風生成。每年六到十月是北半球的颱風好發期,但其他季節也可能有颱風,只不過冬季及春季生成的颱風侵台機率較低,而冬颱雖然罕見,但也不算異常。

相形之下,夏天的颱風動向比較容易預測,秋颱因為外界干擾因素多,東北季風逐漸吹起,同時又受到太平洋高壓影響,變數比較多,所以才會有句俗諺說「十月秋颱無人知」。

-----廣告,請繼續往下閱讀-----

颱風容易在赤道附近的海域生成,其中以西北太平洋生成比率最高,達 36%,主要影響台灣的颱風也都在這個區域生成。於西南太平洋、東太平洋、大西洋及印度洋生成的熱帶風暴,在全球熱帶風暴所占的比率中約為 10% 到 16% 左右。

颱風容易在赤道附近的海域生成,其中以西北太平洋生成比率最高。圖/By Comfreak @Pixabay

各區域對颱風的稱呼也不大一樣,西太平洋的熱帶風暴叫做「颱風」(Typhoon),大西洋及東太平洋的稱為「颶風」(Hurricane),印度洋則稱為「氣旋」(Cyclone),雖然名稱不大一樣,指的都是相同的天氣現象。

颱風的生成有幾個必要條件:第一,海水溫度必須在二十六.五度以上(有足夠的能量);第二,颱風生成位置必須高於南北緯五度(有足夠的科氏力1)(編按:但也有過例外,比如說「二○○一年十二月下旬,罕見的赤道颱風「畫眉」忽然在新加坡附近、北緯一度半的地方發生」,謝謝科夥伴的補充);第三,對流層的垂直風切要小(有利颱風垂直結構發展)。滿足以上三個條件,當熱帶洋面上有擾動生成時,就比較容易發展成熱帶性低氣壓或颱風。

一個颱風造訪大致可分為四部曲:暴風圈觸地、中心登陸、中心離開、暴風圈離開。影響最大的是中心登陸與中心離開這二個階段,這也是氣象專家會一直提醒民眾注意的兩個階段。

-----廣告,請繼續往下閱讀-----

當颱風新聞變成一檔秀

在我小的時候,印象中,颱風的訊息比較簡單,主播們播報颱風訊息的風格比較理性嚴謹一點,冷靜分析目前所預測到的颱風訊息,並提醒民眾一定要做好準備,像是低窪地區要注意淹水,要準備手電筒、蠟燭、儲水與準備糧食等。

現在生活方便了,便利商店全年無休,就連颱風來也一樣營業,不再需要預備糧食,公部門整體防災的能力也比以前好,但是,颱風新聞的播報反而比以前浮誇花俏許多。

颱風新聞的收視率一般來說都比較高,很多電視台似乎也把颱風新聞當做一檔秀來處理。我甚至覺得,有些電視台會希望氣象專家們可以把情況講得愈恐怖愈好,要夠駭人才有節目效果。

視聽颱風新聞最重要的還是了解如何審慎以對。 圖/By Alexas_Fotos @Pixabay

而且,每次只要有強一點的颱風來,不管媒體或民眾,都很關心國際怎麼報導台灣的風災,如果 CNN 或其他國際媒體的用字遣辭又「重口味」了一點,像是 super、huge、monster,引用回國內媒體又會再被放大詮釋。那種興奮度,感覺就像是一種「盛事」似的:雖然不是什麼光榮事蹟,但我們這座小島總算有件事能躍上國際舞台了。

-----廣告,請繼續往下閱讀-----

我個人倒不是那麼喜歡太過誇張的播報方式。颱風絕對是一個必須審慎以對的天災,但無需用「嚇」老百姓的方式來「表演」。重要的是,告訴民眾如何應對即將到來的天氣考驗,才是正途。

 

本文摘自《天有可測風雲:彭啟明的資料經濟與科學創業之路》,天下文化出版。

-----廣告,請繼續往下閱讀-----
文章難易度
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

0

0
0

文字

分享

0
0
0
拆解邊緣AI熱潮:伺服器如何提供穩固的運算基石?
鳥苷三磷酸 (PanSci Promo)_96
・2025/05/21 ・5071字 ・閱讀時間約 10 分鐘

-----廣告,請繼續往下閱讀-----

本文與 研華科技 合作,泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言,總能牽動整個 AI 產業的神經。然而,我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線,那如果哪天「網路斷了」,會發生什麼事?

想像你正在自駕車打個盹,系統突然警示:「網路連線中斷」,車輛開始偏離路線,而前方竟是萬丈深谷。又或者家庭機器人被駭,開始暴走跳舞,甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎?當然不是!也因為如此,「邊緣 AI」成為業界關注重點。不靠雲端,AI 就能在現場即時反應,不只更安全、低延遲,還能讓數據當場變現,不再淪為沉沒成本。

什麼是邊緣 AI ?

邊緣 AI,乍聽之下,好像是「孤單站在角落的人工智慧」,但事實上,它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前,像是企業、醫院、學校內部的伺服器,個人電腦,甚至手機等裝置,都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。簡單來說,就是將原本集中在遠端資料中心的運算能力,「搬家」到更靠近數據源頭的地方。

-----廣告,請繼續往下閱讀-----

那麼,為什麼需要這樣做?資料放在雲端,集中管理不是更方便嗎?對,就是不好。

當數據在這些邊緣節點進行運算,稱為邊緣運算;而在邊緣節點上運行 AI ,就被稱為邊緣 AI。/ 圖片來源:MotionArray

第一個不好是物理限制:「延遲」。
即使光速已經非常快,數據從你家旁邊的路口傳到幾千公里外的雲端機房,再把分析結果傳回來,中間還要經過各種網路節點轉來轉去…這樣一來一回,就算只是幾十毫秒的延遲,對於需要「即刻反應」的 AI 應用,比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時,每一毫秒都攸關安全與精度,這點延遲都是無法接受的!這是物理距離與網路架構先天上的限制,無法繞過去。

第二個挑戰,是資訊科學跟工程上的考量:「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送,湧入的資料數據量就像超級大的水流,一下子就把水管塞爆!要避免流量爆炸,你就要一直擴充水管,也就是擴增頻寬,然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理,把重要資訊「濃縮」過後再傳回雲端,是不是就能減輕頻寬負擔,也能節省大量費用呢?

第三個挑戰:系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時,一旦網路不穩、甚至斷線,那怎麼辦?很多關鍵應用,像是公共安全監控或是重要設備的預警系統,可不能這樣「看天吃飯」啊!邊緣處理讓系統更獨立,就算暫時斷線,本地的 AI 還是能繼續運作與即時反應,這在工程上是非常重要的考量。

所以你看,邊緣運算不是科學家們沒事找事做,它是順應數據特性和實際應用需求,一個非常合理的科學與工程上的最佳化選擇,是我們想要抓住即時數據價值,非走不可的一條路!

邊緣 AI 的實戰魅力:從工廠到倉儲,再到你的工作桌

知道要把 AI 算力搬到邊緣了,接下來的問題就是─邊緣 AI 究竟強在哪裡呢?它強就強在能夠做到「深度感知(Deep Perception)」!

-----廣告,請繼續往下閱讀-----

所謂深度感知,並非僅僅是對數據進行簡單的加加減減,而是透過如深度神經網路這類複雜的 AI 模型,從原始數據裡面,去「理解」出更高層次、更具意義的資訊。

研華科技為例,旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例,利用物件偵測模型,快速將工業產品中的瑕疵挑出來,而且由於 AI 模型可以使用同一套參數去檢測,因此品管上能達到一致性,減少人為疏漏。尤其在高產能工廠中,檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品,替工廠節省大量人力,同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。/ 圖片提供:研華科技

此外,在智慧倉儲場域,研華與威剛合作,研華與威剛聯手合作,在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台,打造倉儲系統的 AMR(Autonomous Mobile Robot) 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣,AMR 不需要事先規劃好路線,靠著感測器偵測,就能輕鬆避開障礙物,識別路線,並且將貨物載到指定地點存放。

當然,還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning ),除了可以做備忘錄跟排程規劃以外,還能將實務上碰到的問題記錄下來,等到之後碰到類似的問題時,就能詢問 AI 並得到解答。

你或許會問,那為什麼不直接使用 ChatGPT 就好了?其實,對許多企業來說,內部資料往往具有高度機密性與商業價值,有些場域甚至連手機都禁止員工帶入,自然無法將資料上傳雲端。對於重視資安,又希望運用 AI 提升效率的企業與工廠而言,自行部署大型語言模型(self-hosted LLM)才是理想選擇。而這樣的應用,並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。

但問題也接著浮現:要在這麼小的設備上跑大型 AI 模型,會不會太吃資源?這正是目前 AI 領域最前沿、最火熱的研究方向之一:如何幫 AI 模型進行「科學瘦身」,又不減智慧。接下來,我們就來看看科學家是怎麼幫 AI 減重的。

-----廣告,請繼續往下閱讀-----

語言模型瘦身術之一:量化(Quantization)—用更精簡的數位方式來表示知識

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像:有些畫面細節我們肉眼根本看不出來,刪掉也不影響整體感覺,卻能大幅減少檔案大小。

模型量化的原理也是如此,只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示,什麼是浮點數?其實就是你我都熟知的小數。舉例來說,圓周率是個無窮不循環小數,唸下去就會是3.141592653…但實際運算時,我們常常用 3.14 或甚至直接用 3,也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思! 

然而,量化並不是那麼容易的事情。而且實際上,降低精度多少還是會影響到模型表現的。因此在設計時,工程師會精密調整,確保效能在可接受範圍內,達成「瘦身不減智」的目標。

當硬體資源有限,大模型卻越來越龐大,「幫模型減肥」就成了邊緣 AI 的重要課題。/ 圖片來源:MotionArray

模型剪枝(Model Pruning)—基於重要性的結構精簡

建立一個 AI 模型,其實就是在搭建一整套類神經網路系統,並訓練類神經元中彼此關聯的參數。然而,在這麼多參數中,總會有一些參數明明佔了一個位置,卻對整體模型沒有貢獻。既然如此,不如果斷將這些「冗餘」移除。

這就像種植作物的時候,總會雜草叢生,但這些雜草並不是我們想要的作物,這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在,而動手去清理這些不需要的連結參數或神經元的技術,就稱為 AI 模型的模型剪枝(Model Pruning)。

-----廣告,請繼續往下閱讀-----

模型剪枝的效果,大概能把100變成70這樣的程度,說多也不是太多。雖然這樣的縮減對於提升效率已具幫助,但若我們要的是一個更小幾個數量級的模型,僅靠剪枝仍不足以應對。最後還是需要從源頭著手,採取更治本的方法:一開始就打造一個很小的模型,並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」,是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾(Knowledge Distillation)—讓小模型學習大師的「精髓」

想像一下,一位經驗豐富、見多識廣的老師傅,就是那個龐大而強悍的 AI 模型。現在,他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案,老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」,例如「為什麼我會這樣想?」、「其他選項的可能性有多少?」。這樣一來,小小的學徒模型,用它有限的「腦容量」,也能學到老師傅的「智慧精髓」,表現就能大幅提升!這是一種很高級的訓練技巧,跟遷移學習有關。

舉個例子,當大型語言模型在收到「晚餐:鳳梨」這組輸入時,它下一個會接的詞語跟機率分別為「炒飯:50%,蝦球:30%,披薩:15%,汁:5%」。在知識蒸餾的過程中,它可以把這套機率表一起教給小語言模型,讓小語言模型不必透過自己訓練,也能輕鬆得到這個推理過程。如今,許多高效的小型語言模型正是透過這項技術訓練而成,讓我們得以在資源有限的邊緣設備上,也能部署愈來愈強大的小模型 AI。

但是!即使模型經過了這些科學方法的優化,變得比較「苗條」了,要真正在邊緣環境中處理如潮水般湧現的資料,並且高速、即時、穩定地運作,仍然需要一個夠強的「引擎」來驅動它們。也就是說,要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型,真正放到邊緣的現場去發揮作用,就需要一個強大的「硬體平台」來承載。

-----廣告,請繼續往下閱讀-----

邊緣 AI 的強心臟:SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器,就是扮演「邊緣 AI 引擎」的關鍵角色!那麼,它到底厲害在哪?

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要?因為 GPU 的設計,天生就擅長做「平行計算」,這正好就是 AI 模型裡面那種海量數學運算最需要的!

你想想看,那麼多數據要同時處理,就像要請一大堆人同時算數學一樣,GPU 就是那個最有效率的工具人!而且,有多張 GPU,代表可以同時跑更多不同的 AI 任務,或者處理更大流量的數據。這是確保那些科學研究成果,在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎!

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房,有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計,體積相對緊湊,散熱空間也比較好(這對高功耗的 GPU 很重要!),部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算,進行「工程化」,讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格,背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場,系統穩定壓倒一切!你總不希望 AI 分析跑到一半就掛掉吧?這些設計確保了部署在現場的 AI 系統,能夠長時間、穩定地運作,把實驗室裡的科學成果,可靠地轉化成實際的應用價值。

-----廣告,請繼續往下閱讀-----
研華的 SKY-602E3 塔式 GPU 伺服器,體積僅如後背包大小,卻能輕鬆支援語言模型的運作,實現高效又安全的 AI 解決方案。/ 圖片提供:研華科技

台灣製造 × 在地智慧:打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能,能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署,及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析,還是其他 AI 相關的服務,都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務,讓企業在啟動 AI 專案前,大幅降低前期投入門檻,靈活又實用。

台灣有著獨特的產業結構,從精密製造、城市交通管理,到因應高齡化社會的智慧醫療與公共安全,都是邊緣 AI 的理想應用場域。更重要的是,這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示,這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果,往往已經錯失最佳反應時機。這也是為什麼邊緣 AI,不只是一項技術創新,更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場,就能被有效的「理解」與「利用」,是將數據垃圾變成數據黃金的賢者之石!

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

-----廣告,請繼續往下閱讀-----
-----廣告,請繼續往下閱讀-----
文章難易度

討論功能關閉中。

鳥苷三磷酸 (PanSci Promo)_96
225 篇文章 ・ 313 位粉絲
充滿能量的泛科學品牌合作帳號!相關行銷合作請洽:contact@pansci.asia

0

1
1

文字

分享

0
1
1
說好的颱風呢?!氣象預報不準?要準確預測天氣有多難?
PanSci_96
・2023/09/12 ・4646字 ・閱讀時間約 9 分鐘

-----廣告,請繼續往下閱讀-----

小心啊,打雷囉,下雨收衣服啊!

氣象報告說好是晴天的,怎麼一踏出門就開始下雨了?

昨天都說要直撲的颱風,怎麼又彎出去了?

多麼希望天氣預報能做到百分之百正確,只要出門前問一下手機,就能確定今天是出大太陽還是午後雷陣雨,是幾點幾分在哪裡?又或是最重要的,颱風到底會不會來?

-----廣告,請繼續往下閱讀-----

但你知道,現在的氣象預報,已經動用全球最強的超級電腦們了嗎?既然如此,我們現在的氣象預報能力到底有多準?我們什麼時候能徹底掌握這顆蔚藍星球上發生的所有天氣現象?

天氣預報有多困難?

雖然我們常常嫌說氣象預報不準、颱風路徑不準、預測失靈等等。但我們現在的實力如何呢?

目前美國國家海洋暨大氣總署的數據分析,對西太平洋颱風的 24 小時預測,誤差平均值約 50 英哩,也就是一天內的路徑誤差,大約是 80 公里。其他國家的氣象局,24 小時的誤差也約在 50 到 120 公里之間。台灣呢?根據中央氣象局到 2010 年的統計,誤差大約在 100 公里內。也就是臺灣對颱風的預測,沒有落後其他先進單位。

現在只要打開手機隨便開個 APP,就能問到今天的天氣概況,甚至是小區域或是短時間區間內的天氣預報。但在過去沒有電腦的時代,要預測天氣根本可以不可能(諸葛孔明:哪泥?)。

-----廣告,請繼續往下閱讀-----

近代且稱得上科學的天氣預測可追溯回 1854 年,那個只能靠人工觀測的年代,英國氣象學家為了保護漁民出海的安危,利用電報傳遞來蒐集各地居民的觀察,並進行風暴預報。後來演變成天氣預報後,卻因為有時預報不準,預報員承受了輿論與國會批判的巨大壓力,最後甚至鬱鬱離世。

19 世紀的氣象學家為了保護漁民出海的安危,會利用電報蒐集各地居民的觀察進行風暴預報。圖/Giphy

在電腦還在用打洞卡進行運算的年代,一台電腦比一個房間還大。氣象局要預測天氣,甚至判斷颱風動向,得要依賴專家對天氣系統、氣候型態的認知。因此在模擬預測非主流的年代,我們可以看到氣象局在進行預測時,會拿著一個圓盤,依據量測到的大氣壓力、風速等氣象值,進行專家分析。

當時全球的氣象系統,則是透過全球約一千個氣象站,共同在 UTC 時間(舊稱格林威治時間)的零零時施放高空探測氣球,透過聯合國的「World Weather Watch」計畫來共享天氣資料,用以分析。關於氣象氣球,我們之前也介紹過,歡迎看看這集喔。

也就是說,以前的颱風預測就是專家依靠自身的學理與經驗,來預測颱風的動向,但是,大氣系統極其複雜,先不說大氣系統受到擾動就會有所變化,行星風系、科氏力、地形、氣壓系統這些系統間互相影響,都會造成預測上的失準,更遑論模擬整個大氣系統需要的電腦資源,是非常巨大的。

-----廣告,請繼續往下閱讀-----

那麼,有了現代電腦科技加持的我們,又距離全知還有多遠呢?是不是只要有夠強的超級電腦,我們就能無所不知呢?

有了電腦科技加持,我們的預報更準了嗎?

當然,有更強的電腦,我們就能算得更快。才不會出現花了三天計算,卻只能算出一個小時後天氣預報的窘況。但除了更強悍的超級電腦,也要更先進的預測模型與方法。現在的氣候氣象模擬,會先給一個初始值,像是溫度、壓力、初始風場等等,接著就讓這個數學模型開始跑。

接著我們會得到一個答案,這還不是我們真正要的解,而是一種逼近真實的解,我們還必須告訴模型,我容許的誤差值是多少。什麼意思呢?因為複雜模型算出來的數值不會是整數,而是拖著一堆小數點的複雜數字。我們則要選擇取用數值小數點後 8 位還是後 12 位等等,端看我們的電腦能處理到多少位,以及我們想算多快。時間久了,誤差的累積也越多,預測就有可能失準。沒錯,這就是著名的蝴蝶效應,美國數學暨氣象學家 Edward Norton Lorenz 過去的演講題目「蝴蝶在巴西揮動了翅膀,會不會在德州造成了龍捲風?」就是在講這件事。

回到颱風預報,大家有沒有發現,我們看到的颱風路徑圖,颱風的圈怎麼一定會越變越大,難道颱風就像戶愚呂一樣會從 30% 變成 100% 力量狀態嗎?

-----廣告,請繼續往下閱讀-----
輕颱鴛鴦的颱風路徑潛勢圖。圖/中央氣象局

其實那不是颱風的暴風圈大小,而是颱風的路徑預測範圍,也就是常聽到的颱風路徑潛勢圖,​是未來 1 至 3 天的颱風可能位置,颱風中心可能走的區域​顯示為潛勢圖中的紅圈,機率為 70%,所以圈圈越大,代表不確定性越大。​

1990 年後,中央氣象局開始使用高速電腦,並且使用美國國家大氣研究中心 (NCAR) 為首開發的 Weather Research and Forecasting 模型做數值運算,利用系集式方法,藉由不同的物理模式或參數改變,模擬出如同「蝴蝶效應」的結果,運算出多種颱風的可能行進路線。預測時間拉長後,誤差累積也更多,行進路徑的可能性當然也會越廣。

「真鍋模型」用物理建模模擬更真實的地球氣候!

大氣模擬不是只要有電腦就能做,其背後的物理複雜度,也是一大考驗。因此,發展與地球物理相關的研究變得非常重要。

2021 年的諾貝爾物理學獎,就是頒給發展氣候模型的真鍋淑郎。他所開發的地表模式,在這六十年間,從一個沒考慮地表植物的簡單模型,經各家發展,變成現在更為複雜、更為真實的模型。其中的參數涵蓋過去沒有的植物反應、地下水流動、氮碳化合反應等等,增強了氣候氣象模型的真實性。

-----廣告,請繼續往下閱讀-----
2021 年的諾貝爾物理學獎得主真鍋淑郎。圖/wikimedia

當然,越複雜的模型、越短的時間區間、越高的空間精細度,需要更強大的超級電腦,還有更精準的觀測數據,才能預測接下來半日至五日的氣象情況。

世界上前百大的超級電腦,都已被用來做大氣科學模擬。各大氣象中心通常也配有自己的超級電腦,才能做出每日預測。那麼,除了等待更加強大的超級電腦問世,我們還有什麼辦法可以提升預報的準度呢?

天氣預報到底要怎樣才能做得準?

有了電腦,人類可以紀錄一切得到的數據;有了衛星,人類則可以觀察整個地球,對地球科學領域的人來說,可以拿這些現實資訊來校正模擬或預測時的誤差,利用數學方法將觀測到的單點資料,乃至衛星資料,融合至一整個數值模型之中,將各種資料加以比對,進一步提升精準度,這種方法叫做「資料同化 (Data Assimilation)」。例如日本曾使用當時日本最強的超級電腦「京」,做過空間解析度 100 公尺的水平距離「局部」超高解析氣象預測,除了用上最強的電腦,也利用了衛星資料做資料同化。除了日本以外,歐洲中程氣象預測中心 (ECMWF),或是美國大氣暨海洋研究中心 (NOAA),也都早在使用這些技術。

臺灣這幾年升空的福衛系列衛星,和將要升空的獵風者等氣象衛星,也將在未來幫助氣象學家取得更精準的資料,藉由「資料同化」來協助模擬,達到更精準的預測分析。

-----廣告,請繼續往下閱讀-----

如果想要進一步提升預報準度呢?不用擔心,我們還有好幾個招式。

人海戰術!用更多的天氣模型來統計出機率的「概率性模擬」

首先,如果覺得一個模型不夠準,那就來 100 個吧!這是什麼意思?當我們只用一種物理模型來做預測時,我們總是會追求「準」,這種「準確」模型做的模擬預測,稱為「決定性模擬」,需要的是精確的參數、公式,與數值方法。就跟遇上完美的夢中情人共度完美的約會一樣,雖然值得追求,但你可能會先變成控制狂,而且失敗機率極高。

「準確」的模型就跟遇上完美情人共度完美約會一樣,雖然值得追求,但失敗機率極高。圖/Giphy

不如換個角度,改做「概率性模擬」,利用系集模擬,模擬出一大堆可能的交往對象,啊不對,是天氣模型,再根據一定數量的模擬結果,我們就可以統計出一個概率,來分析颱風路徑或是降雨機率,讓成功配對成功預測的機率更高。

製造一個虛擬地球模擬氣象?

再來,在物理層面上,目前各國正摩拳擦掌準備進行等同「數位攣生 (Digital Twin) 」的高階模擬,簡單來說,就是造出一個數位虛擬地球,來進行 1 公里水平長度網格的全球「超高」解析度模擬計算。等等,前面不是說日本可以算到 100 公尺的水平距離,為什麼 1 公里叫做超高解析度?

-----廣告,請繼續往下閱讀-----

因為 500 公尺到 1 公里的網格大小也是地表模式的物理適用最小單位,在這樣的解析度下,科學家相信,可以減少數值模型中被簡化的地方,產生更真實的模擬結果。

電腦要怎麼負荷這麼大的計算量?交給電腦科學家!

當然,這樣的計算非常挑戰,除了需要大量的電腦資源,還需要有穩定的超級電腦,以及幾個 Petabyte,也就是 10 的 15 次方個位元組的儲存設備來存放產出的資料。

不用為了天氣捐贈你的 D 槽,就交給電腦科學家接棒上場吧。從 CPU、GPU 間的通訊、使用 GPU 來做計算加速或是作為主要運算元件、到改寫符合新架構的軟體程式、以及資料壓縮與讀寫 (I/O)。同時還要加上「資料同化」時所需的衛星或是全球量測資料。明明是做氣象預報,卻需要等同發展 AI 的電腦科技做輔助,任務十分龐大。對這部分有興趣的朋友可以參考我們之前的這一集喔!

結語

這一切的挑戰,是為了追求更精確的計算結果,也是為了推估大魔王:氣候變遷所造成的影響必須獲得的實力。想要計算幾年,甚至百年後的氣候狀態,氣象與氣候學家就非得克服上面所提到的問題才行。

一百年來,氣候氣象預測已從專家推估,變成了利用龐大電腦系統,耗費百萬瓦的能量來進行運算。所有更強大、更精準的氣象運算,都是為了減少人類的經濟與生命損失。

對於伴隨氣候變遷到來的極端天氣,人類對於這些變化的認知還是有所不足。2021 年的德國洪水,帶走了數十條人命,但是身為歐洲氣象中心的 ECMWF,當時也只能用叢集式系統算出 1% 的豪大雨概率,甚至這個模擬出的豪大雨也並沒有達到實際量測值。

我們期待我們對氣候了解和應對的速度,能追上氣候變遷的腳步,也由衷希望,有更多人才投入地球科學領域,幫助大家更了解我們所處的這顆藍色星球。

也想問問大家,你覺得目前的氣象預報表現得如何?你覺得它夠準嗎?

  1. 夭壽準,我出門都會看預報,說下雨就是會下雨。
  2. 有待加強,預報當參考,自己的經驗才是最準的。
  3. 等科學家開發出天候棒吧,那才是我要的準。更多想法,分享給我們吧

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識!

-----廣告,請繼續往下閱讀-----
PanSci_96
1262 篇文章 ・ 2411 位粉絲
PanSci的編輯部帳號,會發自產內容跟各種消息喔。

2

4
3

文字

分享

2
4
3
精準預測氣象的「掩星技術」,讓你知道颱風放不放假!
科技大觀園_96
・2021/11/16 ・2380字 ・閱讀時間約 4 分鐘

新颱風生成後,大家最關心的就是颱風的路徑、帶來的風雨大不大,以及——到底放不放颱風假?要能預測和評估颱風的走向影響,可靠的氣象觀測資料是不可或缺的。這就不得不提,在我們頭頂上認真執行觀測任務的人造衛星,以及它們身懷測知氣象變化的絕技!

每次颱風來襲,大家都關心會不會放颱風假。圖/pixabay

貢獻全球氣象資料,福爾摩沙衛星功不可沒

過去福爾摩沙衛星三號(福三)執勤十年,為全世界多個氣象中心與研究單位提供無以計數的資料,可謂台灣在國際氣象上的外交大使,於減少天氣預報誤差的貢獻度上,更曾被評為全球前五。福三榮退後,接棒的福爾摩沙衛星七號(福七)也在今年二月完成任務軌道的全部部署。福三和福七都不只有一枚衛星,而是由各 6 枚衛星組成的衛星星系(constellation)。每一枚衛星就像在不同位置巡守、收集氣象情報並互相通報的將士,使得觀測範圍可以覆蓋地球各個區域,提供即時而完整的三維觀測數據。

福衛七號結構示意圖。圖/國家太空中心

但福七與行經南北極的「繞極衛星」福三不同的是,它在南北緯 50 度間軌道繞行,主攻台灣、赤道與中低緯度颱風盛行區的觀測。因此福七可以提供密集度更高、更多的溫度、壓力、水氣等氣象資料。國家太空中心推估,它可提升氣象預報準度 10% ——以颱風為例,可以讓 72 小時的路徑誤差改善 10%,協助我們更精準地評估氣象變化與預防災害。

每日可提供 4000 點大氣垂直剖線資料、大幅提升全球氣象預報準確度的福七,究竟是怎麽辦到的?答案就是掩星技術 (Radio Occultation) 。

掩星技術,讓衛星成為太空中最精準的溫度計!

在天文學上,「掩星」指的是一個天體,在另一個天體與觀測者之間通過,產生的遮蔽現象。但英文中的「Occultation」,也可以指前景中的物體,阻擋遮蔽背景中任何物體的情形。而所謂的「掩星技術」,就是利用電磁波訊號在經過大氣層時,會因穿透不同溫度、壓力或濕度的空氣層,被「遮蔽」而產生轉向、變慢、減弱等的特性,來反演出地球上空之溫度、氣壓和濕度。

-----廣告,請繼續往下閱讀-----

衛星與衛星之間,本來因為地球的阻隔看不到彼此,但可以接受來自彼此的電磁波訊號。福七的主要酬載儀器——全球衛星導航系統無線電訊號接收儀」(TGRS),可以接受美國全球定位系統(GPS) 和俄羅斯全球導航衛星系統(GLONASS)全球定位衛星通過大氣與電離層的折射訊號。接著,通過計算電波訊號的偏折程度,就可以反演出大氣與電離層中的溫度、水氣、壓力、電子密度等數據。

掩星技術在 1995 年才開始投入應用,而從 2006 年的福三,到如今福七計劃中積累的研究經驗,使台灣成為這項新穎技術領域的佼佼者。掩星技術所得到的資料具備高準確度和解析度,也擁有不需要大量接收訊號的衛星,就可以得到大範圍數據、降低成本的優勢,不僅可以用作氣象預報,更能幫助我們監控和增進對氣候變遷的瞭解。

衛星加上同位素的助攻,可以使天氣預報更精準

另一方面,除了改善觀測一般氣象資料如溫度、濕度、大氣壓力等參數的準確度,在氣象觀測中新增測定不一樣的參數——如大氣水分子的同位素,也可以讓我們的天氣預報更精準!

過去礙於資料的取得有限,同位素分析在氣象觀測與預報中常被忽略。但近年來人造衛星技術的發展,為氣象科學推開新的一扇窗。來自歐洲太空總署、搭載光譜分析儀的衛星 IASI ( Infrared Atmospheric Sounding Interferometer ),讓東京大學的研究團隊,可以利用其所搜集到的大氣水氣資訊,在氣象預報的模型中,第一次嘗試納入同位素資訊的考量來做分析。

-----廣告,請繼續往下閱讀-----

我們都知道,擁有相同質子數、不同中子數的氫與氧元素之同位素,會讓個別水分子的重量變得更重或輕一些。水分子同位素對氣相和液相轉換相當敏感,與一般的水分子 H2O 相比,較重的水分子如 H2HO 或H218O 會更傾向於凝結成水珠,或更難蒸發。因此蒸發與降雨過程等大氣運動,便會影響不同同位素水氣分子的分佈。追蹤它們的行跡,能增進我們對氣象系統的瞭解。

研究團隊以 2013 年在日本發生的低壓事件作為參照,發現納入同位素的數據之後,氣象模型能更好地模擬這次事件的整體氣壓情形。而在全球的尺度,尤其是中緯度及北半球地區,融合同位素資訊後,氣象預報如氣溫及濕度預測的準確度,也都有所提高。雖然這只是初步的探究,但科學家期許,未來進一步完善氣象觀測衛星對同位素資料的收集,能使人類更往精準氣象預測的目標邁進。

人造衛星就像是科學家的千里眼,能觀測千里之外的風雲變化。發展衛星技術,不僅能讓我們更精準預測氣象,在全球化的現代,也能在國際上發揮「Taiwan Can Help」及互助的精神;各國對航太技術的投入與數據資源共享,更是科研工作與人類社會的一大福音。

福爾摩沙衛星拍攝的美麗福爾摩沙島。圖/國家太空中心

參考文獻

-----廣告,請繼續往下閱讀-----
所有討論 2
科技大觀園_96
82 篇文章 ・ 1126 位粉絲
為妥善保存多年來此類科普活動產出的成果,並使一般大眾能透過網際網路分享科普資源,科技部於2007年完成「科技大觀園」科普網站的建置,並於2008年1月正式上線營運。 「科技大觀園」網站為一數位整合平台,累積了大量的科普影音、科技新知、科普文章、科普演講及各類科普活動訊息,期使科學能扎根於每個人的生活與文化中。