每到夏、秋兩季，颱風的生成與過境對臺灣居民而言，都是相當熟悉的記憶。從 2001 年以驚人雨量癱瘓臺北捷運的納莉颱風、2009 年造成「八八水災」重創南臺灣的莫拉克颱風，再到今年 8 月雖未登陸臺灣卻帶來豪雨並引發南投多處土石流的卡努颱風等，都可見到颱風帶來豐沛水量的同時，有時雖能填補水庫緩解缺水危機，但也經常伴隨災害。

國立臺灣大學氣候天氣災害研究中心陳柏孚博士回想，莫拉克在三天為臺灣帶來超過 3000 毫米的破紀錄雨量，但當時西南部山區更有高達約 1500 毫米的降雨集中在 12 小時內。「一般來說颱風停留越久、影響時間越長，累積降雨量一定越大，但那時大家驚訝的是，為什麼這麼短的時間降雨可以這麼猛爆？這 12 小時到底發生了什麼？」陳柏孚說起當時觀察莫拉克颱風的疑問，也在解答這些疑問的過程中，開啟他與颱風研究的緣分。

後來，陳柏孚經研究後分析莫拉克的猛爆雨量之謎：「在這 12 小時裡，其實颱風中心離降雨區域大概有 300 多公里遠，但在西南氣流跟颱風的交互作用影響下，導致一個長生命期颱風外圍雨帶系統，且具有自我加強與自我維持的能力，因此才在 12 小時內降下破紀錄的 1500 毫米雨量。」

科技或許無法減弱颱風的威力，但可以提升氣象預報的準確性，將災害降至最低，陳柏孚的研究團隊近幾年就將 AI 深度學習應用在臺灣劇烈天氣分析。「衛星的觀測其實是由很多配有不同感應器並接收多個電磁波的『頻道』組成，資訊量非常大，就算是氣象預報員在看一張衛星雲圖時，常常會有感覺這個圖看起來好像怎麼樣，但難以定量分析，因為簡單的數學或統計沒有辦法分析這麼大量（多維度、多變數）的資料。相較之下，AI 深度學習善於建立這些複雜資料間的關係，讓我們分析詮釋衛星觀測資料的能力變更強，」陳柏孚說。

究竟如何運用 AI 深度學習增進詮釋衛星觀測資料的能力？陳柏孚分享團隊實際運用深度學習分析颱風的四步驟。

首先是「搞清楚遊戲規則，做好資料標籤化」，也就是釐清讓電腦學習一張衛星雲圖或一連串雲圖動畫後，希望電腦告訴我們什麼？假如今天希望電腦能辨別颱風是輕、中度還是強烈颱風，就必須先把每一張衛星雲圖照片對應到強弱讓電腦學習。更進一步，除了颱風強弱之外，
像颱風在海表面的二維風場型態，也可以在定義之後讓電腦學習，幫助我們掌握更多關於颱風的細節，而這些都是在 AI 深度學習出現之前，難以分析的部分。

第二步就是「訓練深度學習模式」。和現在多數 AI 模型相同，研究團隊藉由讓電腦多次重複學習優化模式的權重，並在最後得到一個最佳化模式。

第三步為「實際使用與校驗」。有別於讓 AI 辨別貓、狗或車子這類有明確答案的任務，颱風的風場是什麼樣子？颱風的對流會造成哪些地方強降雨？現在颱風是介於中度跟強度之間嗎？由於這些「觀測」存在不確定性，因此在第一階段就會比較難明確標籤化資料，這時就必須找一些品質好卻稀缺的氣象觀測資料，來校驗所訓練模式的表現。

最後一步就是「提供預報員資訊與獲得回饋」，意即將深度學習的分析資料提供給氣象預報員使用，並透過預報員的回饋持續優化訓練模式。陳柏孚就舉今年 7 月逼近臺灣的杜蘇芮颱風為例，當時他們便即時用衛星雲圖預測、分析颱風在未來 24 小時的強度分布，同時標出颱風的風速、風向，以及受地形影響的狀況，並將這些資料提供給氣象預報員參考。

AI 除了能提升天氣預報的準確性外，也解答了一些關於颱風的科學問題，像是全球氣候變遷究竟為颱風帶來哪些影響？「氣候變遷最重要的事情就是讓颱風路徑分布往北移，這是現在得到最明確的結果，」陳柏孚分析，在全球暖化之後，暴風半徑很大的「大颱風」數量雖然變少，但在颱風整體往中高緯度移動的趨勢下，中高緯度又因地球自轉時地面移動的空氣與地表產生相對位移的「科氏力」較低緯度強，疑似造成大的颱風雖然個數變少，但是極端颱風總體能量和環流卻更強更大的現象。另一方面，陳柏孚與研究團隊也持續藉由 AI 模式，分析全球自 1981 年之後的颱風風速剖面，並發現過去 40 年強烈颱風的比例確實有提升，但增加幅度其實並沒有想像中大。

那麼臺灣已四年沒有颱風登陸的現象，也和全球氣候變遷有關嗎？陳柏孚認為有兩個因素：一個是統計取樣問題，一個是聖嬰現象。「由於臺灣的土地面積很小，在全球就宛如一個點，靠近臺灣周圍的颱風數量增加，本來就不代表登陸臺灣的颱風就會比較多，」陳柏孚說。

至於另一個因素「聖嬰現象」，對西太平洋颱風的影響就相當明確。在聖嬰年，颱風通常都會在離臺灣東邊較遠的地方生成，因此在暖洋面上發展的時間也較長，形成較多強度較強的颱風，颱風也有較高機率往日本前進；相對地，在反聖嬰年的時候，西太平洋的季風環流會比較侷限在菲律賓一帶，所以颱風通常會在臺灣附近形成，並在生成後很快就受陸地影響而減弱。「如果蒐集臺灣長時間的颱風資料，並分成聖嬰與反聖嬰年來看，可能真的會發現反聖嬰年有較多颱風襲臺，但假如我們只看過去 3 年、10 年的資料，就容易因為統計抽樣不足的問題而有誤判，」陳柏孚分析。

最後，陳柏孚也以 2022 年的尼莎颱風為例，提到當時颱風雖未登陸，卻為基隆河與新店溪帶來極大水量，造成臺北很多水門緊急關閉、車輛泡水的狀況。儘管過去四年來，颱風並沒有真正侵襲臺灣，但我們的生活仍與颱風息息相關。藉由 AI 深度學習的應用，不僅讓我們瞭解颱風生成、發展的趨勢，也讓颱風的觀測及預報，朝向更即時、準確與全面的目標前進。