颱風預報圖怎麼看：AI 與歐洲模式的路徑、強度與系集比例

🌏 English version

薔琵離台灣還有好幾天路程的時候，新聞上已經在比兩邊的預報。預報單位會把起始條件稍微改動，一次跑出幾十到上千組預報，合起來叫系集預報，每一組是一個成員。聯合報 10 月 20 日引用一位氣象專家的統計：歐洲傳統模式 IFS 的 50 組預報裡有 39 組偏向台灣花東陸地登陸，Google 的 1,000 組裡只有 31 組通過台灣，多數從宮古島和石垣島之間通過。同一個颱風、同一天，一邊近八成，一邊約 3%。

寫稿的 10 月 24 日，薔琵正在遠離台灣，事後路徑還沒有定論，所以下面的案例用已經走完的巴威和沙德爾。這篇要回答的是：新聞上 AI 和歐洲模式吵起來時，哪些分歧值得在意，哪些可以先放著，看預報圖時該看什麼。

兩類模式差在哪裡

傳統的物理模式把大氣切成格點，逐步解流體力學方程式。歐洲中期天氣預報中心（ECMWF）的 IFS 屬於這一類，美國的 GFS 也是。AIFS 是 ECMWF 的 AI 模式：用歷史天氣資料訓練，直接學「這樣的大氣接下來通常怎麼變」，不解方程式。ECMWF 2025 年先上線單一預報版，再上線 51 組的 AIFS ENS，跟 IFS 並行；AIFS ENS 的格距約 31 公里，IFS 約 9 公里。

所以新聞裡的「歐洲模式」要看清楚指哪一個，歐洲中心兩種都有。另一個常被拿來比的是 Google DeepMind 的 WeatherNext Cyclones，論文今年 8 月登在 Nature，程式與模型權重公開，DeepMind 說今年每個颱風跑 1,000 組。

路徑：AI 的誤差通常較小，時效越長差距越大

上海台風研究所與國家氣象中心的年度評定把 2025 年西北太平洋 27 個命名颱風的各家預報放在一起比，下表是平均路徑誤差（公里）：

24 小時三者幾乎沒有差別，72 小時起 AIFS 開始拉開，到 120 小時比 IFS 少約 120 公里。香港天文台 2025 年第一次把 AI 模式納入作業，自己的檢驗方向一致：把五個 AI 模式的預報合併起來，72 小時誤差約是五個傳統模式合併結果的六成，路徑收斂得較早，前後幾次預報之間的跳動也比較小。

年度評定裡的七個 AI 模式，表現差很多：AIFS 在 72 小時以上都是誤差最小的，FourCastNet 最大；72 小時有 2 個 AI 模式的誤差比 IFS 大，120 小時有 3 個。所以「AI 比較準」只適用於表現好的幾個模式，以及香港天文台那樣合併後的預報，並非每個 AI 模式都比 IFS 準。

Google 在 Nature 論文裡說，回測中 WeatherNext 在 5 天處的路徑誤差約 230 公里，ECMWF 的系集在約 3.75 天就到這個程度，等於同樣的精度多出約 30 小時的預警時間。論文沒有拆出西北太平洋的單獨結果。

這些數字有兩個使用條件。評定的樣本只有一兩個颱風季，長時效的傳統模式樣本又比 AIFS 少。轉向的颱風情形不同：同一份年度評定把 2023 到 2025 年的轉向颱風合併來看，96 小時以上 AI 模式的平均誤差比傳統模式大。

強度與風雨：AI 目前最弱的地方

AI 模式普遍低估強度。ECMWF 的部落格介紹了一種修正方法（與劍橋大學合作，還在研究階段）：未修正的 AIFS 在 2025 年全球風速平均偏低約 29 節，修正後降到約 2 節。年度評定也看到，未修正的 AI 模式強度誤差在各時效都大於每秒 10 公尺，系統性偏弱；香港天文台的強度預報仍然主要靠物理模式。

風雨更依賴細節。公視的報導提到，現在 AI 預報的解析度大約 25 公里，台北和基隆可能落在同一個網格，氣象署預報中心主任說風雨預報這一塊「還有一段路要走」。巴威的中心沒有登陸台灣，仍造成 43 處積淹水、22 處坡地災害，苗栗南庄一天降下 759.5 毫米的雨。看到「AI 預測不登陸」，不等於沒事。

兩個案例：巴威與沙德爾

兩個颱風都已經走完，實際路徑可以對照日本氣象廳的最佳路徑。

巴威：AI 偏北，傳統模式偏南

巴威今年 7 月上旬到中旬影響台灣，中心從北方海面通過，11 日午夜到 12 日凌晨在浙江登陸（日本氣象廳最佳路徑）。國家災害防救科技中心的事後分析比較了 3 個傳統模式和 9 個 AI 模式。傳統模式的預報路徑一路落在實際路徑的左側（偏南），離台灣較近，部分成員甚至預報在台灣東半部登陸。AI 模式多數落在右側（偏北），海上警報發布後收斂得更好。前三天兩類模式的平均誤差差不多，從第 4 天起兩類的平均誤差都超過 150 公里，這時 AI 才明顯較好。這份分析只有一個颱風，作者自己也這樣寫。

沙德爾：登陸前一週的三種說法

8 月 21 日，東森新聞引用一位氣象專家的整理，三種預報並列：IFS 預報從花東登陸；歐洲傳統與歐洲 AI 的預報都顯示可能貼著台灣北部海面通過；氣象署則預報往日本方向北轉。報導指出，關鍵是太平洋高壓西伸的時間點。

沙德爾實際先從沖繩北方海面通過，8 月 27 日在東海轉向西行（日本氣象廳最佳路徑），隔天上午在浙江台州登陸。登陸後的殘餘環流 8 月底在南海北部重新增強，9 月初在廣東東部消散。三種說法沒有一種和實際完全一樣。分歧本身是訊息：模型對引導氣流的判斷還沒有收斂，這時候多看一天比押一邊更有價值。

看預報圖的三個問題

看新聞或預報圖時，先問這三件事：

一條線，還是一束線。 系集圖是一束細線，每條線是一個成員。先看圖例或標題確認它是單一預報還是系集。系集圖上的線太多，沒辦法一條一條數，改看兩件事：圖上有沒有標「通過某地的機率」之類的數字；沒有的話，看多數線聚在哪個方向，離群的是少數還是一半。ECMWF 的預報圖頁面有 AIFS 的系集圖，Google 的 Weather Lab 有 WeatherNext 的颱風預報。比較兩家要看比例，不要看組數：IFS 是 50 組中的 39 組，Google 是 1,000 組中的 31 組。兩邊的計算標準不完全相同，IFS 算的是「偏向花東登陸」，Google 算的是「通過台灣」，比例只能看個大概。同一份整理把所有系集合併，通過台灣的比例約 6.3%；成員最多的 Google 占了近九成，合併後的比例主要是 Google 的看法。

路徑，還是強度和風雨。 新聞標題寫「AI 預測不登陸」時，接著問它預報的是什麼。路徑可以參考 AI；暴風圈多大、哪裡會下多大的雨，看氣象署的警報與特報。

還有幾天。 巴威的例子裡，第 4 天起兩類模式的平均誤差都超過 150 公里，海上警報發布後（約影響台灣前一天），兩類模式才都收斂到台灣北方海域。三天以外的分歧當作還沒決定：可以先做能反悔的準備，例如備水備電、查好航班的改期規則；不能反悔的安排，留到海上警報發布以後再定。

最後的決定以中央氣象署發布的警報為準。氣象署自己也同時參考傳統模式和 AI 模式，由預報員整合成官方路徑（公視報導）；開頭引用的聯合報報導末尾也註明：氣象預報應以氣象署為準。

參考資料

• 聯合報：薔琵颱風登陸台灣或去沖繩？賈新興揭1千多組大數據預測路徑結果（2026-10-20）
• ECMWF：ECMWF's ensemble AI forecasts become operational（2025-07-01）
• ECMWF AIFS 部落格：Improving tropical cyclone intensity forecasts with a simple AI correction（2026-08）
• Google DeepMind：WeatherNext: AI model achieves breakthrough in forecasting cyclones（2026-08-06）
• Nature：Operational tropical cyclone forecasting with AI（2026）
• 楊夢琪等：2025 年西北太平洋和南海台風預報精度評定（上海台風研究所、國家氣象中心）
• 香港天文台：Operational Experience of Using Artificial Intelligence Global Models for Tropical Cyclone Forecasting in the Western North Pacific and the South China Sea（2026）
• 國家災害防救科技中心：2026 年巴威颱風氣象與衝擊分析（電子報第 254 期，2026-09）
• Digital Typhoon：巴威（202609）日本氣象廳最佳路徑
• Digital Typhoon：沙德爾（202618）日本氣象廳最佳路徑
• 東森新聞：沙德爾颱風「甩尾猛衝台灣」關鍵時間點曝 3路徑威脅超高（2026-08-21）
• 公視新聞網：解密！AI如何報颱風？路徑更準但風雨預報是弱點？（2026-07-22）
• 中國氣象局：AI-TRANS forecasts Typhoon Saudel landfall with high accuracy（2026-09-02，登陸時間與地點）