# TrackFormer 1.2 中文研究說明

**作品名稱：訓練AI模型探討西北太平洋氣壓系統影響臺灣附近颱風的預測評估**

本頁對照中文研究報告及本次核定的文字、圖表修改。只介紹發布的 **TrackFormer 1.2**；原有技術論文與歷史比較紀錄保留於各自的檔案，不取代本頁的報告範圍。

[GitHub 程式與研究紀錄](https://github.com/yu314-coder/typhoon-predict) · [Hugging Face 模型](https://huggingface.co/euler314/typhoon-predict) · [即時預測頁](https://trackformer-weatherlab.rudin-euler-8253.chatgpt.site/live) · [English overview](../README.md)

## 研究動機與目標

- 以一般家用電腦可訓練、可執行為目標，讓個人及學生能參與天氣預測研究。
- 建立預測西北太平洋氣壓圖的 AI 模型，再從同一預測氣壓取得颱風路徑與中心氣壓。
- 結合不同高度的水平風，提供研究東北風、西南風與颱風周圍氣流變化的基礎。本次成果評分以路徑與氣壓為主，並非已證明季風預測改善。

## 研究設備與器材

| 設備或工具 | 實際用途與範圍 |
| --- | --- |
| Apple M4 Mac、24 GB 統一記憶體 | 本機模型執行、資料處理與製圖；透過 PyTorch MPS 使用內建 GPU 與 Metal。家用電腦訓練與執行是研究目標，不代表每一次歷史計算都只使用同一部電腦。 |
| NVIDIA GeForce RTX 3070、CUDA | 已完成的 DeepMind 輕量版比較預測使用此設備；RTX 3070 是硬體，不是軟體。 |
| 外接儲存裝置與網路 | 保存資料、模型、預測及圖表，取得公開資料並分享成果。 |
| Python、PyTorch | 建立模型、計算誤差、更新參數與執行預測。 |
| NumPy、SciPy、xarray、netCDF4 | 數值運算，依時間及經緯度整理天氣網格。 |
| Matplotlib | 繪製氣壓、路徑、曲線與長條圖。 |
| XeLaTeX、xeCJK | 中文報告排版。 |

## 資料來源與分配

| 資料 | 模型實際使用的內容 |
| --- | --- |
| NOAA NCEP/NCAR Reanalysis 1 | 海平面氣壓、500 百帕高度，以及 850、500、200 百帕的東西向風 u 和南北向風 v。u、v 共同提供風向與風速。 |
| ARCO-ERA5 氣壓 | 1,000 個具有原生 0.25 度氣壓資料的案例；以起報中心向四方各取 15 度，共 121×121 格點。 |
| NOAA IBTrACS 颱風紀錄 | 位置、先前移動、可用的中心氣壓及最大風，缺值保留有效性標記。中心氣壓比較採日本氣象廳紀錄。 |
| 固定地理資料 | 經緯度、陸地比例與地形高度。技術輸入同時保留環境及中心附近的地理資訊，並非未來天氣。 |

環境資料涵蓋北緯 0–60 度、東經 100–180 度，間距 2.5 度，共 25×33 格點。較細氣壓案例是下表各組的子集，不另加到案例總數。

| 用途 | 年份 | 歷史資料片段 | 其中有原生較細氣壓資料 |
| --- | --- | ---: | ---: |
| 訓練與正規化 | 2000–2021 | 13,949 | 800 |
| 驗證與模型選擇 | 2022–2023 | 1,041 | 100 |
| 原始測試分組 | 2024–2025 | 1,195 | 100 |

同一颱風保持在同一分組；跨越分組界線的資料片段不使用。資料的平均值與變動範圍只由訓練組計算。後來取得的 2026 年資料不表示發布模型重新訓練到 2026 年。[來源與檔案檢查](trackformer_1_2_training_data.md)。

## 模型如何預測與訓練

1. 輸入起報前兩天至起報時刻的資料，每六小時一筆，共 **9 筆**，搭配當時的颱風位置、強度、先前移動與固定地形。
2. 分別計算周圍氣壓、水平風與颱風中心附近氣壓的變化，再一起更新六小時後的狀態。
3. 從預測氣壓找出颱風中心，再讀取同一中心的氣壓，得到氣壓圖、路徑與中心氣壓。
4. 把預測狀態接著往下計算，共 **20 步、+6 至 +120 小時**。
5. 訓練時與之後的真實紀錄比較並更新參數；預測時不使用未來觀測。訓練預報長度由一天逐步增加到兩天、三天及五天；報告使用選定的第四輪模型。

模型有 21,452,595 個參數，中心氣壓計算網格為 65×65、約 20 公里。這是計算與重建間距，不是新取得的 20 公里原生觀測。兩天是本次模型固定的輸入設計，尚未以相同條件比較一天、兩天及三天，不能說兩天已被證明最佳。[完整技術輸入與輸出](../models/trackformer_1_2_field/README.md)。

### 為什麼有 50 組預測

報告使用**同一組模型參數**，只在正規化後的歷史天氣加入 50 組不同的小幅、平滑、平均為零的雜訊，再取平均。環境與區域資料的雜訊幅度分別為 0.025、0.015，平滑範圍分別為 5、9 格；幅度是正規化單位，並非直接加上相同數字的百帕。颱風起報位置、移動、強度、地形與有效性標記不變，原始觀測和模型參數也不修改。

路徑與中心氣壓分別平均；氣壓地圖則先把各組結果放到相同經緯度，再平均。這**不是訓練 50 個模型**，也未證明 50 組是最佳數量、一定優於單次預測，或其分散程度已是可靠的不確定性範圍。

## 多個颱風的比較

路徑使用 **270 個颱風、1,473 次起報**，比較每六小時、未來五天的預測。先平均一次起報內各時間的有效誤差，再平均同一颱風的起報，最後讓每個颱風具有相同權重。

**中心氣壓比較使用270個颱風中符合共同評分條件的40個颱風，共134次起報。將本研究模型與DeepMind輕量版模型在相同預報時間的中心氣壓預測，分別與日本氣象廳紀錄比較，共有2,637筆共同有效紀錄。**

這不代表其餘 230 個颱風都沒有氣壓觀測；本次共同子集沿用原評估流程的起報強度有效條件。缺值不當成零誤差。

比較模型是官方 **WeatherNext Cyclones Mini `<2024`**，訓練資料到 2023 年，原生間距 1 度，使用一個預測成員及軟體 v0.3.0，並非 DeepMind 完整大型模型。TrackFormer 使用 50 組輸入擾動平均，兩者保留各自資料流程，不是等算力的模型結構實驗。

![第一至第五天路徑與中心氣壓誤差](report_figures/day_1_to_5.png)

第一至第五天分別指 **24、48、72、96、120 小時**，不是一天內所有時段的平均。路徑為 270 個颱風；氣壓依各時間的共同有效紀錄使用 39–40 個颱風，樣本數列於圖下。[逐日數據](report_figures/day_1_to_5.json)。

| 比較項目 | TrackFormer 1.2 | DeepMind 輕量版 |
| --- | ---: | ---: |
| 平均路徑誤差（公里） | 471.20 | 498.37 |
| 第五天路徑誤差（公里） | 1031.63 | 1031.91 |
| 六小時移動方向誤差（度） | 34.96 | 39.76 |
| 中心氣壓平均絕對誤差（百帕） | 12.84 | 10.20 |

這組開發評估的平均路徑及移動方向誤差較低，中心氣壓誤差則以比較模型較低。全組包含 230 個 1980–1999 年颱風及 40 個較近期颱風；歷史年份與比較模型的訓練期間重疊。只看 2025–2026 年起報的 18 個颱風、61 次起報，DeepMind 輕量版路徑誤差為 258.7 公里，TrackFormer 為 469.4 公里。已反覆查看的案例屬開發證據，不是全新、未使用的測試，不能由全組平均推論普遍優於 DeepMind。[原始完成數據與流程](deepmind_daily_benchmark.md)。

## 三個颱風展示

三案皆以相同發布模型的 50 組預測平均展示。氣壓圖比較 +48 小時、相同座標及色階下的模型與 **NCEP 參考氣壓**，採 2.5 度共同網格；NCEP 仍為分析資料，不因圖中文字簡化而變成測站觀測。路徑與中心氣壓保留全部 +6 至 +120 小時，以 IBTrACS／日本氣象廳紀錄對照，不搬移預測低壓來配合實況。

### 鳳凰（Fung-wong，2025）

起報：**2025-11-07 00 UTC**。使用保存的 Metal 結果。

![鳳凰48小時氣壓對照](report_figures/fung_wong_pressure_comparison.png)

![鳳凰五日路徑與中心氣壓](report_figures/fung_wong_track_pressure.png)

![鳳凰IBTrACS觀測34節風圈半徑，非模型預測](report_figures/fung_wong_observed_r34.png)

### 山竹（Mangkhut，2018）

起報：**2018-09-11 00 UTC**。使用保存的 Metal 結果；位於訓練年份內，為回溯展示。

![山竹48小時氣壓對照](report_figures/mangkhut_pressure_comparison.png)

![山竹五日路徑與中心氣壓](report_figures/mangkhut_track_pressure.png)

![山竹IBTrACS觀測34節風圈半徑，非模型預測](report_figures/mangkhut_observed_r34.png)

### 燕子（Jebi，2018）

起報：**2018-08-31 00 UTC**。相同發布權重在 CPU 執行的 50 組預測；未重新訓練，也未使用起報以後的天氣輸入。位於訓練年份內，為回溯展示。

![燕子48小時氣壓對照](report_figures/jebi_pressure_comparison.png)

![燕子五日路徑與中心氣壓](report_figures/jebi_track_pressure.png)

![燕子IBTrACS觀測34節風圈半徑，非模型預測](report_figures/jebi_observed_r34.png)

三張風圈圖均是 **IBTrACS 的 34 節四方向觀測半徑，不是本模型半徑預測**。左為 +48 小時四方向最大範圍，右為五日紀錄；海里乘以 1.852 換成公里，缺值保留空白。扇形不是完整風場。發布模型沒有原生風圈半徑預測頭。[圖片雜湊與來源](report_figures/provenance.json)。

## 結論、成果特色與後續研究

- **研究結論：**以家用電腦可訓練、可執行為核心目標，完成五日氣壓、颱風路徑及中心氣壓的整合流程，並可在一般 Mac 電腦執行預測與評估。
- **同一套預測：**地圖、路徑與中心氣壓來自同一模型結果，可相互對照。
- **周圍天氣與颱風中心一起更新：**同時保留環境氣壓、風場及移動中的中心氣壓計算。
- **彩色圖表與清楚資料流程：**以相同時間、座標比較三個颱風，保留資料年份、案例數、缺值與來源紀錄。
- **應用：**提供個人及學生進行氣象學習、歷史颱風比較與地圖展示的研究工具。這不是取代官方警報的作業預報服務。
- **持續研究：**結合臺灣島外風向、水氣輸送與地形，研究一般降雨和強降雨的分布，並以降雨觀測另行評估。**發布的 1.2 不包含降雨預測頭或水氣輸入**，本段不是已完成的降雨準確度成果。