2024 年 7 月，凱米颱風從臺灣東部海域接近。原本預期，登陸後會沿著過往類案路徑通過臺灣，沒想到當凱米靠近時，速度突然變慢，並且在原地打轉，滯留時間拉長，雨量大幅累積，導致臺灣南部許多地區創下單日降雨量新高紀錄。

像凱米這類「不按常理走」的颱風，對預報員是極大的挑戰。颱風能不能被精準預測、預測結果能不能有效轉化為防災行動，背後仰賴的是一整套持續進化的災防科技系統。本文訪問交通部中央氣象署預報中心黃椿喜主任、國家災害防救科技中心氣象組于宜強組長，以及國立臺灣大學大氣科學系吳俊傑講座教授，從觀測、預報、衝擊三個面向，剖析這套系統的最新樣貌。

颱風預報要準，第一步是「看得夠清楚」。但颱風的核心位於海上，地面觀測站無法觸及，雷達也有距離限制。衛星資料也有所侷限，要掌握颱風內部的真實大氣結構，最有效的方法還是直接飛進去。

2013年由吳俊傑講座教授在西北太平洋地區開創啟動的《追風計畫》，為已執行多年的常態化颱風飛機觀測任務。當颱風進入西北太平洋的觀測範圍，研究團隊會先鎖定預計要觀測的區域，接著規劃飛機的航線與投放點，在飛機抵達颱風上空範圍時，就會從機艙拋下「投落送」（Dropwindsonde）。「投落送」是一種掉落式的探測儀器，在下墜過程中，會持續量測沿途的溫度、濕度、氣壓與風向、風速；這些數據經過系統處理後，就會透過衛星即時傳送給世界各地的氣象中心，成為各國數值預報模型（NWP）的初始輸入資料。

飛機觀測資料能將兩到三天的颱風路徑預報誤差降低約 6～20％，「本來兩天的平均預報誤差可能是200公里，如果改善 20％，可以降低到160公里。」吳俊傑講座教授說。

觀測端的另一個關鍵進展，發生在地面。自2010年代中期起，臺灣的氣象雷達陸續由傳統都卜勒雷達（Doppler Radar）升級為「雙偏極化雷達」（Dual-Polarization Radar），並於2023年完成整體建置。傳統雷達發射電磁波只有單一極化（水平)，無法判讀雨滴的真實形狀，雨量估計常有誤差；新雷達擁有增加為雙極化（水平加垂直)兩個方向的掃描能力，能推估雨滴形狀進而猜測大小，雨量推估的精準度因此大幅提升。「可以透過掌握雨滴的形狀，讓雨量估計變得更準。」黃椿喜主任說。

飛機觀測填補海上資料量缺少的盲區，雙偏極化雷達則提升颱風近臺時地面雨量的預報精度。而當颱風被「看得更清楚」後，下一步就是把這些大量觀測資料，轉化成預報模式能使用的颱風資訊，進而進行預報。

觀測資料蒐集回來之後，下一步是輸入數值預報模式，進行電腦運算，最後產出預報結果。臺灣的區域預報模式，自2011年 5 公里的網格解析度，逐步進步到當今的 3 公里，能解析的大氣細節愈來愈精細。預報的方式也從「跑單一一組答案」，演進到「系集預報」（Ensemble Forecast）──一次跑數十組初始條件略有差異或不同物理過程的預報，藉此評估颱風走向的不確定範圍，提供決策者一張完整的「機率與風險地圖」。

但這些傳統的數值預報模式，有一個明顯的瓶頸──耗時。即便在高速電腦的支持下，一次完整的颱風預報運算，仍需要2～4個小時。「颱風的變化是分秒必爭的，運算時間太長，預報就追不上實際狀況。」黃椿喜主任指出。

於是2024 年，氣象署將 AI 颱風路徑預報模型導入作業流程。

AI 預報模型不像傳統模式那樣，從大氣物理方程式一步步運算，而是透過過去大量歷史資料的訓練，學習出颱風行為的規律後，直接給出預測結果。最直觀的改變是效率，計算時間從數小時縮短到幾分鐘，預報的時效性大幅提升。

更關鍵的改變發生在準確度。氣象署的 24 小時颱風路徑預報誤差，從 2015 年的 91 公里，大幅降至 2025 年的 56 公里。預報誤差縮小，對地方政府的撤離決策、產業的應變部署，都可能是關鍵性的差別。

不過，AI 預報這麼快、這麼準，是不是代表傳統的物理模型可以退場了？對此，吳俊傑講座教授認為，目前氣象預報正處在「Hybrid（混合）」的階段：AI 模型負責快速產出預測，但它無法獨立運作，必須仰賴傳統物理模型先計算出大氣的初始狀態，才有資料可以「學習」與「推論」。

換句話說，AI 沒有讓傳統模型退場，反而需要傳統模型作為運算的基礎。

兩種技術也各有擅長的場景。AI 模型在大範圍的颱風路徑預測上表現亮眼，但對於某些複雜的、罕見的天氣現象，仍然需要高解析度的傳統物理模擬來補位。吳俊傑講座教授舉例，當颱風靠近臺灣時，環流會與中央山脈交互作用，產生「通道效應」（Channeling Effect）──颱風被地形「卡住」，移動速度減慢、甚至原地打轉。「颱風逆時針旋轉的風，會流進中央山脈跟颱風的中間，這時就形成通道效應。颱風的中心位置就可能進行逆時針方向的旋轉，像打陀螺一樣。」

例如 2024 年的凱米颱風就是代表性案例，這類滯留型颱風會在臺灣部分地區累積驚人雨量、拉長災害影響時間。吳俊傑講座教授指出，目前實務上採用的 AI 預報模型，受限於訓練資料量較少，及解析度不足的問題，不易掌握這類特殊的颱風行徑，這時就需要高解析度的傳統數值模擬接手。

氣象預報提供的是客觀的物理資訊，例如雨量、風速與颱風路徑。但這些數值的本身，並不會直接告訴我們「是否需要撤離」或「該不該停班停課」。「氣象預報只能告訴我們會下多少雨，卻無法直接回答會不會淹水、淹多深、哪些地方最危險。」于宜強組長說，而將這些「氣象數字」進一步轉譯為具體的「災害衝擊評估」，正是災防科技中心最核心的工作。

「臺北市的雨水下水道設計容量約為每小時 78.5 毫米。因此，在這樣的降雨強度下，市區多能正常排水。但在南部的農村，可能每小時 20 毫米的雨量，就足以造成積淹水。」他舉例說明，同樣一場雨，落在不同地區，造成的影響可能截然不同。因此，要讓氣象數字真正具有防災意義，就必須先掌握各地的在地風險特性，哪些地區在多少雨量下容易淹水、哪些坡地累積多少降雨可能引發土石流。每一個鄉鎮、每一條河川、每一處坡地，都需要事前的調查、監測與風險資料建置。

衝擊轉譯（把「氣象數字」轉譯成具體「災害衝擊的推估」)的重要性，在近年的非典型颱風事件中更加明顯。過去，臺灣的颱風多由東部或東北部接近，受到中央山脈地形破壞後，強度通常會明顯減弱。然而，2024年的山陀兒颱風與2025年的丹娜絲颱風，皆由臺灣西半部平原直接登陸，其影響型態與過往大不相同。面對這類颱風，真正關鍵的問題是「哪些低窪地區可能率先淹水」、「哪些老舊聚落需要優先撤離」。這些答案，無法單靠颱風路徑圖直接判讀，而必須透過災害衝擊推估與在地風險分析，才能提供更具體的防災決策依據。

而氣象署的角色也出現轉變，除了「提供氣象資料」，逐步走向「支持決策」。例如，在颱風侵襲前，氣象人員會參與情資研判會議，向各部會說明颱風可能帶來的風雨影響與災害風險；而各縣市政府在評估是否停班停課時，也常於前一晚與氣象署召開視訊會議，針對當地的降雨、風力與可能衝擊進行詳細討論，協助地方政府做出最後決策。

颱風防災的科技進展，從數值觀測、預報運算到衝擊轉譯，每一個環節都朝著同一個方向前進：減少「不確定性」。

「但氣象預報，本來就存在高度不確定性。」吳俊傑講座教授從大氣科學的本質解釋，「所謂『混沌現象』就是，大氣觀測及初始場（Initial Field）的誤差與不確定性，會隨著時間經由蝴蝶效應放大。時間越久，天氣預測誤差就會愈來愈顯著。」

面對混沌與蝴蝶效應，預報技術的目標，不是給出唯一的標準答案，而是描繪出颱風可能走向的「機率與風險邊界」，讓決策者在不確定的範圍內，找到最合理的防災行動方案。

面對混沌與蝴蝶效應，預報技術的目標，不是給出唯一的標準答案，而是描繪出颱風可能走向的「機率與風險邊界」，讓決策者在不確定的範圍內，找到最合理的防災行動方案。