「地震預警」的地震規模不太準？預測這件事真的有哪~麼難嗎？

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。

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。

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）」！

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。

以研華科技為例，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。

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。

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。

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）。

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。

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。

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

本文由 交通部氣象局 委託，泛科學企劃執行。

• 文／陳儀珈

經過中學地科課程的薰陶，大部分的人都知道臺灣位於環太平洋地震帶上，是菲律賓海板塊與歐亞板塊的碰撞交界處，因此地震非常、非常地頻繁。

然而，這個頻繁到底是多頻繁呢？

據統計，臺灣每年偵測到的地震平均達 3 萬多次，每天平均約發生 100 多次地震，約 2 天多出現 1 次規模 4.0 ~ 5.0 的地震，規模 5.0 至 6.0 的週期大約是 2 個星期左右，每年平均出現 3 次規模 6.0 以上的地震。

影片說明：

每一天都有這麼多地震在這塊島嶼底下悄然發動，什麼時候又會有如 921 般的大地震突然重創臺灣？

為了更了解這塊土地和潛在的危機，中央氣象局地震測報中心（以下簡稱地震中心）一肩擔起監測臺灣地震的重任，不斷提升地震測報的效能，努力降低未來可能的地震災害。

33 年內，進化了 5 次的「強地動觀測」計畫

自日本政府在臺北測候所設置了臺灣史上第一座地震儀至今，已經有 125 年的歷史了。這麼多年來，臺灣的地震儀和地震觀測網，有了哪些翻天覆地的變化呢？

國民政府接手臺灣後，改由中央氣象局負責臺灣的地球科學相關測報業務，並在 1989 年成立了「地震測報中心」，擴大編制，走上地震觀測現代化之路。

自成立至今，地震中心投入了巨大的資源和心力在「加強地震測報建立地震觀測網計畫」和「強地動觀測」的長程計畫中，其中強地動觀測每 6 年一期，致力於建置地震觀測資料的蒐集與應用，目前已完成共 5 期的計畫。

經過地震中心 33 年來的努力，從都會區到山區、從陸地到海上、從地表到井下、從 16 位元到 24 位元，地震測站的儀器越來越好，也漸漸拓展至臺灣各個地方。

截至 2022 年 7 月為止，包含中央氣象局地震觀測網（CWBSN）和臺灣強地動觀測網（TSMIP）在內，全臺已經建置了超過 700 個地震測站，是全世界測站密度最高的地震觀測網，平均不到 10 公里就有 1 個地震站！

蒐集了震波資料，然後呢？

除了監測地震活動之外，這些測站蒐集到的強震資料，不僅可以成為學術研究的養分，讓地震學家更了解這塊土地下的構造和祕密，在民生防災上，更有著極為關鍵的貢獻！

「地震」，是臺灣人自出生以來就與之共存，甚至習以為常的自然災害。不過，地震到底有多可怕？

對於成年人們來說，傷痛與恐懼可能會被逐漸淡忘，而對於那些沒有經歷過 921 集集大地震、1999 年以後出生的孩子們，更是毫無具體的想像和實際感受。

臺灣史上傷亡最慘重的1935年新竹-臺中（關刀山附近）地震，帶走了約 3000 人的生命；2018 年 2 月的花蓮地震，震毀了 4 棟大樓；日本 311 大地震和海嘯，奪去了 1.5 萬條生魂；震撼半個亞洲的中國汶川大地震，有將近 7 萬人罹難，受災人口高達 4600 萬多人。

因此，對於地震中心來說，如何「應用」這些地震資料，發展出更先進的預警系統，協助制定建築物耐震設計規範，以及配合其他政府單位規劃救災計畫，更是中心業務的一大重點。

30 秒→10秒→5秒！越來越強大的強震即時警報

「建置強震速報系統」是強地動觀測第 2 期計畫的主要目標，致力於提升地震測報的計算能力、縮短向其他單位通報的時間。

在 921 地震期間，雖然當時的地震速報系統只是雛形，卻成功在地震後 102 秒對外發布地震報告，這樣的速度，備受國際重視與肯定。

到了第 3 期計畫，「強震即時警報系統」已經可以在 30 秒內自動推估出初步的地震規模與震央位置，搶在破壞性地震波（S波、表面波）抵達前，將地震的訊息傳達給防災、救災相關單位。

除了大家最熟悉的、會讓手機響起震耳欲聾警報聲的災防告警系統（PWS）外，地震中心也和各防救災單位、公共設施、各級學校以及電視臺合作，一旦強震即時警報偵測到符合條件的地震，就會馬上傳遞地震消息，讓各單位進行緊急應變。

時至 2020 年 4 月，隨著地震觀測網的擴大和更新，以及不斷進步的通訊技術，地震中心已經可以在地震後約 10 秒內發出地震預警訊息，為國人爭取更多避難的黃金時間。

• 延伸閱讀：關鍵時刻能救命，與時間賽跑的地震預警系統發展史

下一步，地震中心將投入前瞻基礎建設 2.0「都會區強震預警精進計畫」，除了持續擴建井下地震觀測網、發客製化地震預警系統作業模組之外，也預計在 4 年內，讓都會區可以在 7 秒內收到地震預警。

在更久遠的未來，地震中心期許可以順利的應用 AI 技術，建置新一代的地震預警作業系統，進一步將發布時間縮短到 5 秒以內！

地震前兆：有辦法抓住強震前的蛛絲馬跡，然後「預測」嗎？

由於地震是在板塊彼此的作用之下，岩層不斷累積應變能量後斷裂錯動而成，不斷累積能量的同時，地底的岩石有可能會產生許多微小的裂隙和變形，並間接影響其他環境參數，改變地下水位、地球磁場、大地電場的數據。

以 921 大地震為例，在車籠埔斷層附近，地球科學家就曾經觀察到地下水水位出現了「同震」的變化！

地球科學家推測，有可能是當地的岩層受到應力的影響後，產生了許多微小的裂隙，因此改變了岩層的孔隙率、滲透率，進而產生地下水位的變化。

如果每一次大地震之前，地球科學家都可以掌握到這些細微的現象，就有可能發展出成熟的地震前兆研究和技術，甚至走上「地震預測」之路。

因此，地震中心除了建置地震站的觀測網之外，也大力推動地震前兆的研究，自 921 大地震後開始設置「臺灣地球物理觀測網」（TGNS）：

• 「全球導航衛星系統」（GNSS）可以進行大地測量，建立臺灣大地變形的資料庫，藉此監測斷層、火山活動，以及地層下陷或滑動等現象。
• 「地下水」測站能夠連續記錄大氣壓力、雨量與地下水位的相關性。
• 「地球磁場」測站用以監測地球磁場擾動的現象。
• 「大地電場」測站可以蒐集大地電場的觀測資料，並推估與大地震之間的關係。

可惜的是，雖然地球物理的資料和分析已經逐漸制度化，但在地震前兆的研究上，成功案例仍然遠遠不足！

不僅是臺灣在地震前兆上遭受挫折，其他國家在這個領域的研究也長路漫漫。地球科學家還沒有辦法歸納出地震前的行為並取得共識，更別說是地震預測這個更遙遠的夢想了。

幸好，現有的難關無法阻擋地球科學家的好奇心，中央氣象局地震中心也持續投注心力在地震前兆研究中，期許未來有破解祕密的一天！

起死回生的火山、仍然未知的海嘯威脅，地震中心也緊盯不放！

根據噴發紀錄和火山地震波等證據，在中央研究院林正洪研究員的努力下，中研院於 2016 年提出大屯火山群岩漿庫存在的證據，同時也在龜山島附近發現同樣的現象。

隨著地球科學家不斷提出新的證據，經濟部中央地質調查所蒐集相關的研究成果後，在 2019 年 9 月 24 日召開了「火山活動專家諮詢會議」。在各方學者的討論下，讓大屯火山群「起死回生」，將原本公認是死火山的大屯火山群和龜山島，重新被認定為「活火山」。

面對這個反轉，全臺如臨大敵，畢竟人口眾多的天母、北投與士林就在大屯火山群的山腳下，不但核電廠鄰近，總統府和 101 大樓也都距離它不到 20 公里！

我們對這些火山的了解和掌控，又到了哪一步呢？

藉由氣體、溫度、地表變形和地震波等資料，地球科學家可以判斷出大屯火山是否瀕臨爆發的狀態，而早在 2011 年，內政部與國家科學及技術委員會成立大屯火山觀測站 (TVO)，並整合中央地質調查所、中央氣象局、中央研究院及國內各大學分析研究成果，建立多項火山監測系統及平台，同步監測大屯火山活動並進行研究。

除了來自大屯火山觀測站的 10 個地震站之外，也包含氣象局設置在北部的地震站，藉此協助研究人員獲得幾乎即時的火山地震資訊。

當前我國政府已在 2018 年5 月 25 日正式將火山災害列管於「災害防救法」，隔年中央氣象局也制定了火山活動等級與預警發布機制，後於 2020 年 9 月 14 日公布「火山噴發訊息發布作業要點」，一旦大屯火山有任何不對勁，就會立即啟動火山預警發布機制！

除了來自大屯火山的威脅外，地震中心也負責海嘯的監測和警報發布，並在短短的幾分鐘內，就能解算出海嘯的抵達時間、預估浪高。

倘若太平洋海嘯警報中心（PTWC）預估海嘯可能在 3 小時內到達臺灣，或是臺灣近海發生規模 7 以上、震源深度小於 35 公里的地震時，地震中心即會發布海嘯警報，籲請沿岸居民因應海嘯侵襲。

臺灣的地震防災教育，地震中心也當仁不讓！

除了地震、火山和海嘯測報等核心業務之外，地震中心也致力於地震和防災教育，提供無數科普資源，讓社會大眾學習和運用。

在網路上，有中央氣象局建置的「中央氣象局數位科普網」、回答你關於地震大大小小疑惑的「地震百問」、地震中心官方 Facebook 粉絲專頁「報地震－中央氣象局」等等，各式各樣的線上科普內容。

在實體場域，中央氣象局也設置了幾個展示空間：中央氣象局本部、臺灣南區氣象中心、田中氣象站、竹子湖氣象站-火山監測教育展示室等地（目前因疫情暫停開放），讓有興趣的民眾或學校機關，都可以實際前往觀摩，親眼見證地球科學家和氣象局人員的工作場域和聆聽解說。

畢竟，若想達成真正意義上的「防災」，單單只是完善測報工作、防災工程與避難措施並不足夠。更重要的是，必須讓所有臺灣人都有正確的防災觀念，才能有效提升整體社會的抗災能力。

• 作者／林書帆、黃家俊、邱彥瑜、李玟萱、王梵

臺灣速報的優勢：利用即時強震訊號自動定位

「當年，沒有一個國家用即時強震訊號做地震觀測，臺灣是第一個！」吳逸民指出，能在一百零二秒內傳出地震速報的關鍵有二：一是善用「即時強地震觀測訊號」，第二是以此資訊做自動定位，並在短時間內提出預警。

此一轉捩點正是一九九五年。在鄧大量的建議下，強地動觀測網（TSMIP）與中央氣象局地震觀測網（CWBSN）共站的加速度型地震儀，利用了同一條傳輸專線把強震資料同步傳回氣象局，相較於七○年代區域性的強震儀陣列，受限於當時僅能以類比訊號傳輸紀錄，後來拜數位發展之賜，一九九五年的強震資料即能藉由數據專線立即傳回臺北，做到「即時」監測。

以此「即時強地動系統」為骨幹，臺灣的地震測報進入「速報」階段。直到九二一地震，當時全臺已有超過六百三十個自由場強震站，其中具有即時傳輸功能者約有六十個， 蒐集地動訊號後即時傳輸回氣象局。

一九九五年阪神大地震，日本首相村山富市在震後一個多小時才收到地震速報，吳逸民解釋，當時日本震度七以上地震必須由人為判斷，才能發布，而臺灣領先的關鍵就在於以自動化加快速報發展。至於自動定位與預警系統如何做到，得從「B 計畫」的故事講起。

本土 B 計畫勝出

當時服務於美國地質調查所的顧問李泓鑑提點臺灣可能有發展地震預警潛力，也成為氣象局一九九四年提出臺灣第一部《氣象白皮書》納入「地震預警」的契機。當年，氣象局啟動第一個地震預警的實驗，由加拿大一間商業公司主導，選在地震活躍的花蓮設立十個測站，資料透過專線匯集至花蓮氣象站做即時處理，並將結果傳至臺北的氣象局本部評估、分析，這也是臺灣地震預警系統發展的雛形，在內部被稱為 A 計畫。

當時，傳輸地震訊號的電話線路尚有一半頻寬容量可使用，中研院地球科學研究所院士鄧大量便建議發展 B 計畫做為備案。B 計畫的基礎技術由李泓鑑提供，執行者就是氣象局內的吳逸民，他們隔著太平洋時差一起工作。

當時 A 計畫與 B 計畫都是藉由撰寫程式讓計算流程自動化，藉由強震紀錄的 P 波與 S 波自動定位，計算地震規模，同時能將地動加速度換算成規模。其中自動定位技術，是 A 計畫與 B 計畫競逐的核心目標。

為了縮短時間，必須利用地震初始震動定出規模，但是如何保有一定的準確度，成為技術上最難以克服的瓶頸，這也讓當時國內外許多學者都不看好臺灣發展預警系統。

由於 A 計畫測站大多僅分布於花蓮狹長的海岸線地帶，雖然可在十幾秒獲得地震訊息，但定位準確度不理想，震央位置平均誤差達二十二公里，規模誤差也達到○．七個規模單位。吳逸民認為，A 計畫在通訊、展示介面跟軟體程式方面表現不錯，但執行團隊缺乏地震學人才，對於地震核心掌握度不足，以至於重要資訊誤差很大，實用性不高。

一九九五年即時強震資訊的啟用，免除需人工電話撥接的時間，吳逸民主責的 B 計畫順利發展出自動挑選 P 波與 S 波的系統，將發布地震時間縮短至五分鐘。以 B 計畫的成功為基礎，吳逸民馬不停蹄投入預警工作，利用宜蘭、花蓮、南投等地共六十至七十個測站的即時強震訊號建立「花蓮子網」預警系統，由於串連多個地區即時強震訊號，覆蓋性較廣，將定位誤差控制在二十公里內、規模誤差○．三單位內，獲得地震資訊的時間大幅縮短至二十秒。

最終，B 計畫淘汰了受限於商業系統而無法修改的 A 計畫，原有測站都併入 B 計畫，成為臺灣第一個成功的地震速報系統。

——本文摘自泛科學 2019 年 11 月選書《地震：火環帶上的臺灣》，2019 年 10 月，春山出版

• 文／洪瑞駿 國立中央大學地球科學學系

2016 年小年夜凌晨，南臺灣發生了規模 6.6 的強震，成為台灣自九二一後，再一次的重災型地震。在此次地震中，學者注意到雖然震央在高雄美濃，在台南一帶卻出現異常大振幅的 S 波（圖一），其中有些測站更出現加速度超過 400cm/s²（相當於震度 7 級）的猛烈數值，這種突然的強力搖晃，讓部分樓房不堪一擊而倒塌。

為什麼離震央較遠處的地方震度仍這麼大呢？ 而如果前個問題有科學上的解釋，我們有辦法從地震波剛開始到達，就得知地震後續的影響並加以預警嗎？

「震源時間函數」：紀錄推估地震源釋放的能量

科技發展提高了地震紀錄品質，加上電腦技術的進步，現今科學家因而能夠利用觀測到的震波進行反演，回推地震發生時的情況。以美濃地震為例，除了得知斷層面上的滑移情形（圖二a），甚至可以模擬出破裂過程（圖二b）。

回推出破裂過程隨時間的變化情形，就有辦法量化釋放的能量，若是我們從斷層開始破裂並能量釋放起，記下每一時刻釋放能量多寡，便可以畫出一條如圖三的紅色曲線，這條曲線便稱作｢震源時間函數｣，為單位時間下震源釋放地震能量的情形，而其曲線下面積則正比於地震整體能量的大小。

在地震不是非常大（例如規模 6.5 以下），一般觀測到的震源時間函數多半為三角形，因此若是可以知道三角形的高（最大釋放能量）以及底邊 （對應的時間），理論上我們是可以推估出該地震的能量的！

然而，每一個地震就像你我是不同的人，有著不同的特徵，有些地震的震源時間函數非常長且複雜（例如 2006 年 7 月爪哇發生規模 7.7 的地震，地震源釋放能量時間超過 170 秒！） ，因此地震發生當下，我們仍很難從一開始的震波推估到底規模要多大，通常需要數秒的震波紀錄來確定地震的震源時間函數。而要預估確定的震源-時間函數形貌、以及何時能量釋放達到最大值，以現今技術仍十分困難。至於如何困難，要回到地震破裂時的物理學來闡述！

難以預測大型地震的斷層滑動

多數地震的成因，簡單來說就是岩層受到應力擠壓後產生斷裂、並產生震波 （編按：參閱斷層上的短暫瞬間：動與不動之處（上）（下）），然而進一步深究其中的過程，主要的探究的問題包括：

 斷層破裂面如何發生破裂？滑動如何增加、又如何停止？

事實上，這取決於「破裂能」是否夠大，是否能夠讓周圍岩石繼續裂下去（圖四）。

另外，若是斷層破裂剛好觸發到原本擠壓應力較大的區域、或是接觸到較脆弱、潤滑的地區，便有可能引發突然巨大的滑移，這個位置稱作地栓 （asperity），而地震釋放能量主要也都在地栓滑動瞬間增加，進而導致強烈搖晃，而上述過程所釋放的能量，便反映在震源時間函數的曲線上。

若是地震破裂能量大於材料體的抗剪強度（註1），破裂中的斷層自然就會繼續擴張，繼續產生震波並釋放能量；然而若是能量小於抗剪強度，不足以推動斷層發展，破裂便終止，地震的能量也就不會再增加。至於岩石的破裂與否，則與地質材料組成、大地應力、材料體狀態（流變程度、含水量等）有關。

過去許多地震造成重災的根本原因，即是因為大規模或大面積的地栓滑動而引發劇烈振動。例如 1999 年集集地震，斷層破裂將近 100 公里，大型的地栓滑動出現在斷層北段的豐原、石岡一帶，斷層面劇烈滑動了 16 公尺，地表也錯開了將近 10 公尺（三層樓高），造成石岡水壩損毀。

長度較長或滑動面積較大的斷層，會讓震源時間函數也變得又長又複雜，也因此，要一開始就針對大型地震準確預估規模，難度會必較高。

2016 年美濃地震，其地下的斷層從美濃一路破裂到台南，在台南下方也是因為出現這樣的大型錯動，形成強烈的 S 波，加上接近都市以及場址效應等因素而導致強烈的振動。

雖然現今我們已有大致的概念了解到，地栓的範圍大概是整個斷層面的 20%，然而要在地震發生前預先知道它的確切位置、發生破裂的時間點，以現在的科學來說，仍非常難準確預估。

應用「 P 波三秒」技術救命

如果知難就不為的話，就不是科學家了！目前的科學雖有極限，但也能嘗試處理。若我們試著簡化問題，假設震源時間函數是個三角形的話，只要知道三角形的高（最大釋放能量）和一半的底邊（最大值出現時間），就能算出其面積（參考圖五），面積就是該地震釋放的總能量。根據過去觀測的經驗，地震規模小於 6.5 的斷層破裂較為單純，震源時間函數通常為單一的三角形。

而此三角形底邊的一半大概就是 3 秒，因此地震學者只要觀測到震波開始的 3 秒，就能合理推估出震源時間函數，進而推出該地震的規模（圖五）。這便是所謂「P波三秒」的技術（請參考延伸閱讀 1、3），這樣的方式可以補足區域型地震預警系統（仍需約十秒多）的不足。

• 編按：延伸閱讀《為了台灣，一直走在最前面的地震預警》

但畢竟僅用了 3 秒的地震波形，當地震更大、震源破裂更複雜時，則該方法便捉襟見肘。因此對於每一次的地震，科學家們仍持續努力，也期望隨著日新月異的科學與技術進步，人類能早日摸清地震源的科學奧秘。

註1：抗剪強度指的是材料體受到剪切力量時，材料體變形的難易程度，越不易變形者，抗剪強度越高。

• 本文轉載自《震識：那些你想知道的震事》。原標題為〈地震預警的地震規模不準？別太苛責，因為那真的很難…〉。

延伸閱讀與參考文獻：

• Kanamori, H. （2005）, Real-time seismology and earthquake damage miti-gation, Ann. Rev. Earth Planet. Sci., 33, 195 – 214, doi：10.1146/annure-v.earth.33.092203.122626.
• Wu,Y.-M., and L. Zhao （2006）, Magnitude estimation using the first three seconds P-wave amplitudein earthquake early warning. Geophys. Res. Lett., Vol. 33.,L16312.
• 李憲忠 （2016） 震源破裂過程（會議簡報）， 105/02/06 ML6.4 高雄美濃地震學術研討會，2016年2月17日。
• 吳逸民，如何用地震初達波從事地震預警