114 公務人員升官等薦任 氣象 天氣學（包括天氣分析與天氣預報） 考古題詳解

核心觀念

系集預報是針對大氣初始狀態、模式設定或模式物理過程的誤差，執行多次數值預報，形成一組彼此略有差異的預報成員。單一預報只呈現一條演變路徑；系集則用成員之間的差異，估計預報的不確定性，並提供事件發生的機率資訊。

大氣具有混沌特性，初始狀態的微小誤差會隨預報時間增長而放大。即使數值模式相同，觀測資料也無法完整、無誤地描述大氣；此外，模式解析度與物理參數化也會造成誤差。因此，單一預報的結果不足以完整表達未來可能的天氣演變。

解題方法：由多個預報成員估計不確定性

系集預報通常以控制預報搭配多個擾動成員組成。擾動設計可包括：

• 初始條件擾動：依據分析場的不確定性，產生多組合理的初始大氣狀態。
• 模式擾動：改變模式物理參數化或模式設定，以反映模式本身的不確定性。
• 多模式系集：使用不同數值模式，呈現不同模式結構及物理過程造成的差異。

令第 $i$ 個成員對某項預報變數的預測值為 $x_i$，共有 $N$ 個成員。系集平均為

成員的離散程度可用系集標準差表示：

系集平均可降低部分隨機誤差的影響；標準差則反映成員對預報結果的分歧程度。若要估計某事件發生的機率，例如降雨量超過門檻 $q$，可計算符合條件的成員比例：

核心觀念

資料同化是把觀測資料與數值模式的背景場結合，產生較符合大氣實況、且可供模式積分的初始場。其目標不只是讓分析場貼近觀測，也要兼顧背景場資訊、觀測誤差與大氣動力平衡。若同化資料品質不佳、誤差設定失當，或分析場與模式動力不相容，初始場即使局部更接近觀測，預報仍可能變差。

解題方法

可從資料同化流程的三個環節判斷原因：觀測資料是否可靠、同化方法是否妥當、分析場是否適合模式積分。預報變差的常見原因如下：

1. 觀測資料品質不佳或代表性不足 觀測可能含有儀器偏差、定位或時間錯誤、品質控制疏漏，或受到局部地形與微尺度天氣影響，無法代表模式格點所代表的大範圍大氣狀態。若錯誤資料被賦予過高權重，會把分析場拉離真實大氣狀態。

2. 觀測分布不均或資料不足 觀測在時空上分布稀疏、不均，或高空、海洋等區域資料不足，會使分析場受到不均勻約束。局部資料密集區與資料稀少區可能出現不連續或不合理的梯度，進而影響天氣系統的結構與移動。

3. 觀測誤差與背景誤差設定不當 同化會依觀測誤差與背景場誤差決定兩者權重。若誤差估計不合理，可能過度相信有偏差的觀測，或過度依賴已有誤差的背景場；兩者都會使分析場偏離較佳狀態。資料誤差之間若有相關性而未妥善處理，也可能造成重複計入資訊。

核心觀念

氣團是指一大片空氣在水平方向上具有相近的溫度、濕度等物理性質。要形成氣團，空氣必須在範圍廣大、下墊面性質均勻的區域停留足夠時間，使它能與地面或海面交換熱量和水氣，逐漸取得相近的性質。

高壓中心附近盛行下沉氣流，水平風速通常較弱，空氣不易劇烈混合或快速移動。因此，空氣較容易長時間停留在同一片下墊面上，累積其溫度與水氣特徵，成為氣團的發源地。這是氣團源地多位於高壓中心附近的主要原因。

解題方法：先定氣團，再看移動路徑

Bergeron 氣團分類以源地的緯度與海陸性質命名：大寫字母表示緯度或熱力性質，小寫字母表示海陸性質。冬季影響臺灣的主要氣團源自西伯利亞及蒙古一帶，屬於極地大陸氣團，代碼為 cP（continental Polar）。其源地性質寒冷、乾燥；離開源地後，途中經過的下墊面會改變氣團低層的溫度、濕度與穩定度。

分析臺灣天氣時，關鍵是判斷冷氣團南下時主要經過陸地，還是經過海面。

南下路徑與臺灣天氣影響

核心觀念

本題考查人工智慧在天氣預報流程中的應用，以及這些應用如何改善預報準確度。作答可依「資料處理、影像辨識、偏差修正、運算效率」四個面向，說明 AI 如何從觀測資料與數值預報資料中萃取資訊、修正預報，並加速預報作業。

AI 並非取代物理定律或數值天氣預報模式，而是可與傳統預報流程互補：以觀測資料訓練模型，辨識資料與天氣型態中的規律，再用於資料品質控管、預報後處理及快速預測。模型效果取決於資料品質、訓練樣本代表性，以及對極端事件的處理能力。

解題方法

採「預報作業流程」作為切入點，逐一說明 AI 可介入的環節，並明確連結每項技術與預報準確度的提升方式。題目未指定特定 AI 演算法，無須推導公式；宜以具體資料、工作項目及預報效益作答。

一、資料處理：提升觀測資料品質與可用性

氣象預報需整合地面測站、探空、氣象雷達、氣象衛星、飛機觀測及海洋浮標等多源資料。AI 可應用於：

• 資料品質控管：利用機器學習辨認離群值、儀器故障、時間錯置或不合理的空間分布，降低錯誤觀測對分析場及模式初始場的干擾。
• 資料融合與缺值補估：整合不同時間解析度、空間解析度及資料格式的觀測，估計缺漏值，建立較完整的氣象場。
• 特徵萃取與降維：從大量觀測中找出與降雨、鋒面或颱風發展相關的關鍵訊號，減少冗餘資訊，協助預報員或模式更有效使用資料。
• 模式初始場與同化輔助：AI 可協助估計觀測誤差、辨識代表性不足的觀測，或改善資料同化中的部分處理環節，使模式初始狀態更貼近大氣實況。

資料品質與初始場改善後，可減少初始條件誤差向後傳播，提升後續預報的可靠度。

二、影像辨識：從雷達與衛星影像辨識天氣系統

卷積神經網路等影像辨識方法，可由雷達回波、衛星雲圖及其他格點影像自動辨識天氣特徵，例如：

• 強對流胞、降雨帶、鋒面雲系及颱風雲系；
• 回波強度、雲系移動方向與速度，以及可能的發展或消散趨勢；
• 雨區短時間移動與降雨強度變化，用於臨近預報（nowcasting）。

影像辨識可在大量影像中快速找出重要天氣訊號，補足人工判讀難以即時追蹤所有區域的限制，並提供更及時的短時降雨與劇烈天氣警示。辨識結果仍應結合物理資訊及預報員判斷，避免將影像上的相似型態誤判為相同天氣演變。

三、偏差修正：降低數值預報的系統性誤差

核心觀念

本題比較的是兩種鋒面的斜壓結構、維持機制、移動特性與降水組織。斜壓度可由水平溫度梯度及其伴隨的垂直風切來描述：水平溫度梯度愈強，通常斜壓性愈明顯；依熱成風關係，地轉風的垂直風切與水平溫度梯度相連：

因此，典型中緯度鋒面常有明顯的冷暖氣團溫度反差及深厚斜壓結構。臺灣附近的梅雨鋒面則常呈現溫度梯度較弱、低層水氣梯度與風向風速切變較突出的特徵；其降水和鋒面維持，也常與西南季風水氣輸送、低層噴流及中尺度對流系統有密切關係。

解題方法

依題目指定的四個面向逐項比較：

1. 斜壓度大小：比較冷暖氣團的溫差與水平溫度梯度。
2. 生成原因：辨認鋒面主要受冷空氣推進、斜壓波發展，或季風轉換與水氣、風場輻合維持。
3. 移動速度：判斷系統是否隨中緯度天氣系統快速東移，或呈準滯留狀態。
4. 降水型態：比較降雨是否集中在鋒面快速通過時，或由反覆發展的中尺度對流造成持續性豪雨。

答題時須避免把梅雨鋒面簡化成「沒有斜壓性」；它仍可有斜壓結構，且不同個案、不同經度位置的強度會變化。重點是臺灣附近常見的梅雨鋒面，與典型中緯度冷鋒相比，熱力斜壓性通常較弱，水氣與低層風場特徵較重要。

主要差異比較