大師，讓天有可測風雲

❝隨著算力的進化　精彩的AI天氣預報革命即將展開❞

　　你是否曾經因為突然的天氣變化而措手不及，無論是取消戶外活動、經濟損失，還是交通延誤，天氣的不可預測性影響著我們每一個人的生活。而當氣候變遷日益嚴峻，極端天氣事件越來越頻繁，我們比以往任何時候都更需要一個能夠精準預測未來的工具。這也目前氣象預報的專家的目標，隨著人工智慧（AI）的崛起，這個夢想似乎不那麼遙不可及。

　　你或許以為，這樣的天氣預報技術只有超級電腦才能負擔得起，但這次我們將顛覆你的認知。台灣的天氣預報大師，郭鴻基講座教授，將展示一款創新的AI模型，它可以在一般的筆記型電腦上運行，並實現超高效的天氣預報，完全不需要龐大的計算資源。這款AI模型已經成功預測了2024年7月的凱米颱風路徑，且比傳統數值模式快上數十倍，準確度也大幅提升。

　　這樣一款具有突破性的技術，是如何達到如此高效的結果？我們將一同回顧過去百年的氣象預報技術演進，探討如何從需要超級電腦的數值天氣模式，過渡到如今的AI模式。歐洲AIFS的AI系統在短短六個月內，就超越了傳統的歐洲數值預報模式，並且在颱風路徑預測中取得了30%的準確度提升，這相當於傳統模式十年的進步。

　　這場講座不僅是一個技術的交流，更是一場未來科技的展示。我們邀請您與大師一同探索人工智慧在天氣預報中的無限潛力，了解如何在普通筆電上運行如此強大的模型，並手把手帶領大家一同安裝體驗。千萬不要錯過這個掌握未來天氣預報的機會，加入我們，一同邁向AI天氣預報的新時代！

❝想知道如何讓AI以閃電般的速度與精準度，為我們帶來關鍵的天氣資訊？那就千萬別錯過這場講座！❞

議程

日期 時間 講者 講題

11/14 15:10-17:00 郭鴻基 臺灣AI氣象預報路

11/14 17:10-18:00 Discussion

11/15 10:10-12:00 陳柏孚 Expecting the Data-driven Limited Area Mesoscale Prediction Model in Taiwan

11/15 14:10-17:00 陳柏孚 Hand-on: Taiwanese AI data-driven limited-area mesoscale prediction model

11/15 17:10-18:00 Discussion

11/16 10:10-12:00 參加者 Hand-on成果發表會

11/16 12:00- 閉幕

Abstract

　　天氣預報是現今人類社會多數產業的基石之一，小至民生安全，如農業、交通運輸，大至國家政策，如能源調度、防災減災，皆依賴準確的天氣預報作為後盾。因此，如何提供更準確、更即時的天氣預報，一直是各國前瞻氣象研究的重要目標；面臨氣候變遷，天氣變異度變大增與劇烈天氣增加，天氣預報需要更快更準的預報。過去莫爾定律在廣用途CPU超級電腦每十年快100倍，人類社會很大受益，數值天氣預報也持續改進。而基於GPU的特殊電腦運算在過去與未來的5年可以到達10年100萬倍的快速。過去三年內，28公里解析度的AI氣象預報大幅度進展，以世界最好數值預報（NWP）的歐洲中心為標準來評估預報準確度度，2023年10月份28公里解析度的歐洲全球AI模式AIFS表現和歐洲NWP模式IFS是一樣的好，但AIFS擁有快一萬倍的效率。2024年4月，也就是6個月期間，歐洲AIFS在七天期500hPa高度場預報比自己IFS準確了10%；在過去10%的500hPa高度場七天預報的進步需要約10年的數值模式改進，歐洲中心展示過去6個月AI模式驚人的進步。對於台灣關心的颱風路徑預報，去年2023年10月時，AIFS和數值模式IFS在路徑誤差表現伯仲之間，今年2024年4月，AIFS颱風路徑改善了30%。今年2024年7月24日凱米颱風侵台，AI氣象模式約在12天就準確預報登陸地點，甚至有些AI預報顯示出登陸前打轉，而數值模式預報直到登陸前幾天才從登陸琉球路徑修正回正確的登陸台灣。本演講過去回顧100多年科學技術發展如何改善天氣預報，以及天氣預報報進步的要素與傳承，最後討論台灣推動AI天氣預報的策略，以及初步成果。

Abstract

Several AI global data-driven weather prediction (DWP) models have been proposed in the past two years. These revolutionary DWP models have achieved better skills in synoptic-scale medium-range forecasts than those of the ECMWF Integrated Forecasting System (IFS). ECMWF implemented their operational DWP this year; their Artificial Intelligence/Integrated Forecasting System (AIFS) is 5–20% better than the state-of-the-art IFS for 6–10 day 500-hPa geopotential prediction and ~30% better for 3–5 day tropical cyclone tracks. Moreover, the computational cost of DWP models is >10000 times cheaper than conducting numerical weather prediction models. However, most DWP models have a horizontal resolution of 0.25° and can only generate forecasts at 6-hour intervals, which is insufficient for predicting high-impact weather events. Also, it is unclear whether the DWP can properly “learn” the regional/local mesoscale phenomena.

This presentation will discuss the current progress and preliminary results of the development of the Taiwanese AI data-driven limited-area mesoscale prediction model (DLAMP), a collaboration between NTU and CWA. The DLAMP model aims to produce forecasts of comprehensive atmospheric variables with a <3-km resolution, >30 vertical layers, and 30-min intervals. We are collecting data to train the DLAMP model, following principles of transfer learning and multi-modality modeling. Thus, the ERA5 reanalysis, regional mesoscale model analyses, and satellite/radar observations are simultaneously used for training. Furthermore, this presentation will demonstrate how to design/modify the generative AI DLAMP model with physics-guided modules. Process-based evaluations are critical to using our knowledge to guide the AI to learn, while verification against observation is essential for operational weather forecasting. Last, we discuss the future plan of the km-scale Taiwan area DLAMP-tw model and the DLAMP-typhoon model equipped with a moving nest for typhoon forecasting. 

在這段時間中，我們將帶領大家體驗前一場演講中所提及的台灣AI氣象預報模型。請各位同學自備筆電，我們將手把手教學，讓大家在三個小時的時間中，安裝使用Taiwanese AI data-driven limited-area mesoscale prediction model。

在這一段時間，參與者可以帶著昨天所安裝的氣象預報模型，進行未來幾天的氣象預測。大師們將為各位的模型進行調校、評論與指導。讓各位參加者都能在大師與AI的幫助下，完成氣象預報的第一步！

主辦單位：國立成功大學數學跨領域中心、國立臺灣大學大氣科學系動力與模擬研究室
協辦單位：國立成功大學理學院、數學系、SIAM Student Chapter - National Cheng Kung University, Taiwan Student Chapter