「步道師」用鋤頭、石頭和木材鋪設山林合一的小徑——徐銘謙專訪

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

• 文/古國廷 (Medium)

 2018 年印尼發生兩起海嘯重創當地； 2004 年南亞海嘯與 2011 年東日本海嘯亦造成當地嚴重災情。近十年鄰近地區發生數次致命海嘯，它們為何如此致命？台灣百年歷史亦有多起海嘯紀錄，台灣面臨海嘯威脅時，又該如何應對？

本文專訪中央大學水文與海洋科學研究所副教授吳祚任，分享海嘯專業知識，及台灣如何運用世界領先技術預警自救。

為什麼海嘯比一般巨浪更致命，造成災害更嚴重？

A：回答這問題，要從它們的特性開始說起。

海嘯跟一般海浪都是波浪，波浪又可以分成長波和短波。長波的波長很長，幾乎看不到也感覺不到；短波的波長短，可以明顯看到它的波動起伏。

如果波浪的波長非常長，遠比它的水深還要長，則稱之為淺水波；反之則稱為深水波。海嘯就是一種淺水波，例如 2004 年的南亞海嘯來說，它的波長大概 200 公里以上，但印度洋水深才 4 至 5 公里。

這樣子的淺水波有一個特性，就是這些水分子的運動非常一致，就好像團結做事有效率的公司，沒有速度的差異也沒有摩擦阻力。

因此海嘯在行進間能量的消耗很少，到岸邊時幾乎保留地震或火山山崩垂直擾動的能量。

再來，海嘯的波長很長，代表它很「厚實」；一般海浪波長較短，相對較「單薄」。因此同樣抵達岸邊，一般波浪就像潑水一樣，潑出去就結束了；而海嘯就像一長串高鐵列車往岸上衝。以 2011 年東日本海嘯為例，它的波長大概 200 公里，就像從台北到雲林這麼長的高鐵往岸上衝。

這樣保有當初地震或火山山崩垂直擾動的能量，且「厚度」很厚的海嘯往岸上衝，不僅衝擊陸地上各種設施的結構，也掏刷它們的地基。加上海嘯移動時也夾帶碎石和樹幹等等各種沖刷過的物體，讓人們尚未溺斃前就可能被這些物質撞擊而失去求生能力。

簡單來說，海嘯來臨時，逃生的方法就是不要把身體弄濕了。因為一旦被海嘯捲入，就很少有活命的機會。

 2011 東日本海嘯和 2018 印尼兩起海嘯有甚麼不同？

2011 年東日本海嘯是地震引起的。2018 年 9 月印尼蘇拉威西海嘯，目前判斷比較可能是地震引發海底山崩所致；而 2018 年 12 月印尼喀拉喀托之子海嘯則幾乎可以認定是火山山崩造成。

在這邊先給大家一個簡單的概念，要造成海嘯最直接有效率的方法，就是讓海水受到垂直方向擾動，像是地殼垂直抬升或陷落所造成的地震型海嘯。

山崩也會造成海嘯，就像你從岸邊滾落到游泳池產生大浪。這種山崩型海嘯又分成兩種機制，一種是地震造成陸地或海底的山崩，另一種是火山造成的山崩。

火山噴發時又有兩種方式驅使山崩，一種是火山震動使火山邊壁崩落一大塊；另一種是火山一直噴發，結果火山裡面的結構空掉了，使火山承受不住水壓而往內下陷，使海水產生向下垂直運動引發海嘯。

雖然沒有經過很仔細的統計，但一般來說 90 %以上的海嘯是地震引起，剩下有一些是海底山崩造成的，少數是由火山噴發造成。

地震型海嘯與山崩型海嘯有甚麼不同？

A：地震造成的海嘯，大部分都是很強烈的地震才會造成海嘯。

雖然不敢說全部，但一般來說要造成致災型的海嘯，地震矩規模（ Moment magnitude scale , Mw ）通常要大於 7.5 ，且震源深度大多離地表 35 公里以內。地震矩規模超過 8 海嘯就很嚴重，規模超過 9 就是毀滅型的海嘯，像是造成南亞海嘯的地震就是這樣的規模。

若造成這樣大規模的地震，比較高的機會是海溝型地震，也就是板塊之間碰撞及隱沒。這種板塊破裂的長度很長， 2004 年南亞地震的板塊破裂長度大約 1,200 公里，大概 4 個台灣這麼長； 2011 年日本地震板塊破裂長度也有 500 公里。

這樣大面積的抬升，導致地震型海嘯的影響範圍非常寬廣，海嘯的寬度可以接近板塊破裂的長度。以 2011 東日本海嘯為例，寬度大約 500 公里；而它的波長也很長，以日本海嘯來說可以到 200 公里。

這樣規模是甚麼概念呢？假設高鐵列車的寬度是 5 公尺，那 2011 年東日本海嘯就像從台北到雲林這樣長的高鐵，以 10 萬台併排的規模往岸上衝。不過地震型海嘯高度相較起來不會太高，以日本海嘯來說波高大概 10 到 30 公尺，但已經是毀滅級的海溝型海嘯了。

而山崩型的海嘯就很不一樣了，它的波高可以很高。同樣的崩落量，陸上的山崩其崩落的高度越高，海嘯就越高；海底的山崩越接近水面，海嘯就越高。而山崩崩落的體積與質量越大，其海嘯高度就越大。但範圍就不像地震那麼廣，山崩海嘯的初始寬度大概就是它崩落範圍。

整體來說，地震引起的海嘯影響範圍寬廣但波高相對不高；山崩造成的海嘯影響程度很強但範圍很窄。

台灣較容易受到哪種海嘯威脅？很不幸的，都有可能。

台灣東部外海有琉球島弧，發生大規模地震時海嘯會影響東海岸；台灣西南部外海有一整段叫馬尼拉海溝，大規模地震產生的海嘯對墾丁到台南一帶影響比較嚴重。在帛琉附近的亞普海溝雖然離我們比較遠，但因為地形關係，地震發生海嘯時，台灣北部蘇澳一帶、東部以及高雄至台南沿海都會受到影響。

而台灣北部金山一直到三貂角，雖然不是那麼肯定，但因為地形關係，可能會有海底山崩造成的海嘯，且過去有類似的事件發生。 1867 年基隆發生規模 7 的地震。照理說海嘯高度應該不高，但卻發生 7 至 12 公尺的海嘯，這是地震規模 8 左右才會產生的海嘯高度。目前我們推估很有可能 10 %是地震造成， 90 %是山崩造成的，但這數據只能說是推估。

台灣西南岸也有海底斜坡地形，其海底山崩威脅也不容忽視。另外台灣的火山大部分分布在東北海域，雖然說目前看到都不大，但也很難說什麼時候會影響到，只能盡量預警。

Q：台灣要如何預警海嘯的發生？

A：我以前是用情境分析了解海嘯如何影響台灣。

情境分析就是判斷可能造成海嘯的來源，例如說哪個斷層或海溝地震會產生海嘯？它如何影響台灣？但就如上述提到，有很多造成海嘯的原因，像是地震、海底山崩或火山，很多可能性，算都算不完。於是我們發展出海嘯影響強度評估法（ Impact Intensity Analysis Method ），簡稱 IIA 法。

它的原理像是醫生想要知道你身體哪個地方感覺特別疼痛，就在每個部位都敲敲看，敲這個地方沒感覺再換下一個地方，當敲到某個地方你特別痛，代表同樣的力道發生在這個地方對你衝擊特別大。

而所謂 IIA 法就像這樣，針對要研究的特定地區或基礎建設，在其周邊海域都模擬同樣力道的水體擾動，運用水動力學搭配海底地形，去檢視哪個地方水體擾動形成的海嘯威脅最大。像是上圖這個例子是研究基隆金山一帶，紅色地區發生海嘯的威脅程度較大，發生在其他淡藍色區域就比較不用擔心。

如此我們就可以先排除淡藍色區域，針對紅色區域聚焦做情境分析，研究這個海域地形如何，有甚麼原因可能引發海嘯，會如何影響沿岸地區或基礎建設等等。

而 IIA 法，可以再進一步製作成地震–海嘯關係圖（ Seismic Tsunami Relation ），白話來說就是「不用電的海嘯預警圖」，不需要靠電力運作，就能在地震時知道海嘯會不會威脅到所在地區。它是針對沿海每個村里，繪製外海各個方位發生多大的地震規模時，其產生的海嘯會影響到該社區。所以當地震發生，村里長可以快速用地震發生方位和規模這兩個最簡單的資訊，自主判斷是否可能有海嘯威脅。

海嘯發生時要如何自救？

A：事發當下，如果是地震引發的海嘯，台灣目前技術能夠在地震發生以後，結合中央氣象局的地震速報，將其轉成海嘯源去模擬各地海嘯高度，過程只需要 1.5 分鐘。以近海海嘯抵達台灣最快 15 分鐘來說，這樣的預警時間算是足夠。

但這樣的海嘯預警需要地震來當作 Enter 鍵，如果海底山崩沒有地震，就等於沒人按下 Enter 鍵，所以山崩型海嘯又稱之為「沉默的海嘯」，我們還在規劃如何預警它。

一般民眾在海嘯來臨的時候，記得要向上逃生、垂直逃生。海岸邊大多都是透天厝而且三層樓以上，所以發生時就逃到頂樓。不要跑到路上，因為會塞車。如果是開車或在機車上，就趕快下車借民宅逃到頂樓。如果開車時不幸海嘯已經衝過來，留在車內時不要開門開窗，等海嘯退去，趕快逃往民宅頂樓。

至於平常的時候，沿海的重要基礎建設要知道 IIA 的結果，知道哪個地方來的海嘯影響特別大，北部的設施和南部的設施要注意的海嘯來源絕對不同。當知道哪個地方來的海嘯衝擊特別嚴重，再進一步做情境分析，了解海嘯如何衝擊這些基礎建設，然後判斷是用工程抵擋或是放棄這個設施。國家災害防救科技中心也有海嘯災害潛勢圖，可以事前知道最大情境海嘯會淹到什麼地方。

其實就台灣三四百年歷史，紀錄到的海嘯次數不少，歷史上已經有教訓了，老天都給我們那麼多機會，真的要多注意一下才行。

※本文亦刊載於環境資訊中心，原作者Medium

降雨預報向來是氣象科技的一大挑戰，國家實驗研究院台灣颱風洪水研究中心發展「雷達資料同化」技術，將氣象雷達的觀測資料整合進數值預報模式，更精準地推估未來6小時逐時雨量，協助相關單位及早因應防災。

雷達為目前觀測雲雨的主要工具，可在短時間內取得大量高解析度資料，「雷達資料同化」是將氣象雷達的觀測資訊放入天氣預報模式，以獲得更準確的中小尺度極短期天氣預報。

氣象預報的原理是觀察大氣現況，將這些觀測數據放進數值模式以運算未來天氣狀況，中央氣象局現今使用的數值模式有來自衛星、探空氣球、地面氣象站的觀測數據，尚未包含氣象雷達。中央氣象局預報中心副主任呂國臣說，15年前就有人提出此構想，但雷達資料解析度高（目前氣象雷達解析度可達100公尺，比解析度三公里的數值模式還高），需要大量運算資源且相當耗時，當年技術不夠成熟而未成形。

台灣的天然災害常為豪雨所致，但降雨機制複雜，有些物理過程至今仍未確定，只能透過參數簡化，加上台灣的複雜地形影響，颱風路徑偏差50公里（就目前氣象科技，誤差值50公里已非常精確），降雨分佈可能就截然不同，十、二十公里範圍的中小尺度降雨預報相當不易。模式中的大氣環境要模擬的對，才能與現實狀況相對應，若能提升放入模式的觀測數據品質，就能提高降雨預報的準確度。

颱洪中心自美國國家大氣研究中心（NCAR）引進雷達資料同化技術，依台灣地形與氣候條件調整參數，並以蘇花公路與高屏溪流域為對象研究，選取幾個颱風事件各進行上百次雨量推估實驗。有個評估雨量預報能力的指標稱為「預兆得分（threat score, TS）」，國際間氣象作業單位針對豪雨的TS約為0.2~0.3。颱洪中心實驗得出，對蘇花公路區域而言，使用雷達資料同化系統的TS較傳統預報提升20%（0.22升至0.31）；高屏區則提升了47%（0.25升至0.36）。

更精確的降雨預報能提升預警及防災決策，例如封鎖容易土石崩塌的公路。根據公路總局統計，蘇花公路平均每年阻斷達24天、管制天數達32天，嚴重事故如2010年梅姬颱風期間，因外圍氣流與東北季風共伴效應，三小時內降雨444毫米，導致土石崩塌，造成32車超過400人受困。

不同公路段有不同封路標準，像蘇花公路就有三種封路標準，目前這些標準皆依照實際「觀測雨量」，來不及事前預警。颱洪中心助理研究員蔡直謙說，蘇花公路平均行車時間為3~5小時，若加入雷達同化的數據，就能及早應變，在六小時前就封路、淨空公路車輛。

颱洪中心此系統剛建置完成，資料定期幾小時更新，並傳給氣象局。呂國臣說，氣象局現有技術的TS為0.36，颱洪中心此系統的數據若要進入中央氣象局的預報模式，還須經過校驗程序。除了與氣象局合作，未來颱洪中心也計畫與公路總局成立「強降雨致山區道路災害評估平台」，監測全台易於颱風豪雨時發生崩塌的路段。