颱風耍任性？我真是猜不透你啊！

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？

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？）。

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。

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。

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？

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。

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。

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。

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？

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。

歡迎訂閱 Pansci Youtube 頻道 獲取更多深入淺出的科學知識！

「每天有 10,000 名嬰兒潮出生的人年滿 65 歲。」——《紐約時報》，2014 年 8 月 1 日

「每月有 8,000 名嬰兒潮出生的人年滿 65 歲。」——《紐約時報》，2016 年 5 月 7 日

每天都會有幾千份不同的報紙刊登這樣的報導：「每『某段時間』有『多少』『某族群』『如何』。」許多報導內容都與某個「里程碑」(milestone) 相關，或是一生只會發生一次的事，例如出生、死亡或特定年齡的生日。

你對每月有多少嬰兒潮出生的人年滿 65 歲有任何概念嗎？我其實也完全沒概念。所幸我們往往可以理性推論出，這些陳腔濫調的說法是否合理。而在本例中，甚至能夠找出上述哪一則報導的說法基本上正確，而哪一則報導肯定錯誤。

什麼是利特爾法則？

其中一種方法是根據稱作利特爾法則 (Little’s Law) 的經驗法則。它是一種守恆定律 (conservation law)，說明經過某些處理過程的事物數量、事物抵達某處理階段的速度，以及處理過程所花費時間長短，三者之間的關係。

以下舉一個簡單例子，你就能輕鬆記住這個法則，並且用來檢視你的思路。想像一間有「1,000 名」學生的學校；每名學生入學後會就讀「4 年」，然後畢業；如果忽略輟學生和轉學生，則每個年級會有「250 名」學生，如圖所示。

利特爾法則把上述 3 個數字的關係連結起來：總共 1,000 名學生等於每年級 250 名學生乘以 4 年。1,000 除以 250 得到 4，1,000 除以 4 得到 250，而 250 乘以 4 則得到 1,000。單就上述例子來說，這樣的關係現在看來顯而易見，但利特爾法則說明的關係，卻是由麻省理工大學史隆管理學院 (MIT Sloan School of Management) 的利特爾 (John Little) 教授，於 1954 年第一次提出。

接下來就使用利特爾法則來估算，每天有多少嬰兒潮出生的人年滿 65 歲吧。為了簡化計算，首先假設美國人口為 3 億人，也就是正在「處理過程中」的人數。「處理過程」指的是一個人的一生。假設每個人活到 75 歲，則 75 年就是「處理時間」。上述數字其實過度簡化，原因是有些人英年早逝，而有些人則長命百歲；此外，人口估算的方法也忽略了遷入、遷出和出生率，但目前為止，這個估算數字已經夠好。

如果將 3 億除以 75，會得到各年齡組別都有 400 萬人，這個數字同時也是抵達率 (arrival rate)：每年 400 萬人出生；以及離開率(departure rate)：每年 400 萬人死亡。同時 400 萬人也是每年抵達任何年齡里程碑的人數，其中就包含年滿 65 歲。如圖 7.2 所示，包含 65 歲在內，任何特定年齡的人數都是 400 萬人。

將 400 萬除以「1 年（400 天）」，可以得到每天 10,000 人。但實際上 1 年只有 365 天，也就是比 400 天少了 10%，所以可以將 10,000 增加 10%，得到每天達到任何年齡里程碑的人數約為 11,000 人的結論。

因此，「每天有 10,000 名嬰兒潮出生的人年滿 65 歲」的說法正確，而「每月有 8,000 名嬰兒潮出生的人年滿 65 歲」則錯誤，「每月」應該改為「每天」。

使用之前，先了解數字是怎麼來的

相同類型的推理也可以應用到其他地方：

「今年的每一天，都約有 1,800 人會慶祝最具意義的生日（65 歲生日），這也意味著他們即將退休。」——《每日郵報》(Daily Mail)，2011 年 8 月 2 日

英國人口約為 6,500 萬人，因此可以假設人們的壽命為 65 年，藉此簡化計算。這代表每年有 100 萬名英國人年滿 65 歲，因此每天約有 2,700 人年滿 65 歲。然而，英國的預期壽命略為超過 80 年，因此更接近的數字應該是每天 2,300 人年滿 65 歲（6,500 萬除以 80 再除以 365）。這個數字比報導中的 1,800 人還要多，但相差不大，報導數字還在合理範圍內。

為了進一步確認，我另外找了一些獨立資料來源。許多報導都提到，出生於 2013 年 7 月 22 日的喬治王子(Prince George)，是那天出生的「2,200 個嬰兒」中的其中一個。當然喬治王子很可能成為未來英格蘭的國王，身分和其他嬰兒顯然不同。

請注意，以上為了計算方便，都是使用近似數字，如有必要，之後還可以進一步進行更精確的計算。例如，我並不確定報導包含英國的哪些區域，有可能實際上相關的人口是 7,500 萬人，這樣的話就可以先假設預期壽命為 75 年，便於計算，然後在更確定實際的人口數後，進行上調或下修。

簡化數字的方法，確實能幫助你更容易計算數字。無論計算任何數字，你都應該先尋找簡化數字的方法，之後再來考慮，是否需要計算更精確的數字。

——本文摘自《一輛運鈔車能裝多少錢？：輕鬆培養數感，別再被數字迷惑》，2023 年 6 月，三民出版，未經同意請勿轉載。

• 本文轉載自科技大觀園，原文為《放不放颱風假就看它！——幫助衛星精準氣象預測的「掩星技術」》
• 作者 / 科技大觀園特約編輯｜曾繁安

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！

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。

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。

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。

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。

參考文獻

• 福衛七號星系佈署完成
• Wikipedia-Radio occultation
• 掩星觀測簡述
• 福衛七號／何謂掩星技術？這裡一次解答
• 台灣太空科技扎根30年 未來1年1衛星發射
• Better weather forecasting through satellite isotope data assimilation
• IASI data product profile