這幾天有不少朋友持續問降雨機率? 美國真的是這樣嗎?
週二我們已經有說明。

https://www.facebook.com/170435726987/posts/10159781275561988/?d=n

不過昨天晚上一位好友問我，我也提供一種看法，就是氣象的多元化。
因為美國是邦聯制，很多制度有國家氣象局和地方和民間都是多元的，關鍵是氣象是開放的，政府做觀測、防災，和民眾生命財產有關的，很多生活上的氣象都是由民間在推動，所以美國有很多氣象主播都很有創意，甚至電視台都自己有雷達在電視發布，我們看到 CNN 或 NBC 的都市氣象預測，也都是來自於民間氣象公司發布，定期都會發布，政府並不會來做這件事情，也因此有如此多元創意的看法，這和台灣過去的氣象事業發展有很大的不同。

https://forecast.weather.gov/MapClick.php?x=210&y=61&site=eax&zmx=&zmy=&map_x=210&map_y=61#.YDmobGgzaM8

https://www.forecastwatch.com/wp-content/uploads/Global_Temperatures_One_to_Five_Day_Out_2015.pdf

【降雨機率怎麼看？】
https://www.youtube.com/watch?v=6_5EBdPAV4Q
這兩天很多人看到了這則「降雨機率」的影片，降雨機率真的是「有多少%的區域會下雨」嗎？
其實降雨機率在國際上有兩種算法：
▌第一種：在一個區域內「有多少%的面積會下雨」
▌第二種：某特定地點，有多少%的機會會下雨。
隨著氣象科技、氣象預報的技術不斷精進，現在的預報都可以「點位」來做預報了，因此目前世界上大多數的氣象局、氣象機構，所定義的降雨機率，都是第二種囉！
當然，還是有很特殊的地方或用途，會使用第一種的降雨機率，不過真的很少很少。影片中可能是Google看到的資料，如果是查各國氣象局或氣象機構，基本上都是第二種定義：
台灣氣象局降雨機率定義：
https://www.cwb.gov.tw/....../nous/index.html......
美國氣象局(NWS)降雨機率定義：
https://www.weather.gov/ffc/pop

☔DR. WEATHER幫你擋風遮雨🌧️
購買傳送門➡️ https://www.weatherrisk.com/drweather

在看到這篇前沒有很想檢討死者，所以昨天沒發文
但不管去哪，做功課是基本的：

1.現在九月初，拜託看一下月份，是豐水期。
2.這幾天鋒面經過台灣，山區有機率出現強降雨是常識。
3.看雷達回波，前一日該地有大雨，好，不會看。
4.有任何一線天(或狹長溪谷)的溪流，如果遇到大水量本來就容易高水位。
5.居然選擇在水庫下游野營
6.現在汛期，如果真的受不了，夏天就想在水邊露，其實看照片旁邊明顯有草線，可以稍微推斷一下水會淹到哪。

7.原本就有禁止進入該處的部分我暫時略過，因為我不是很喜歡華國愛全禁的習慣。但不管去哪，為自己負責是身為人的基本。
8.有告示牌，寫明了隨時都有可能放水。
9.怎麼會覺得本應沒人的溪床，應該要安置廣播插好插滿？沒聽到是正常的吧。

然後與這些事無關，想補充一點：
如果要野炊請離水源遠一點避免環境污染，油脂、清潔劑都很傷環境。

如果以上風險都知道，還是堅持前往結果死在山上，那我覺得對死者是一件很幸福的事情，生者就別難過太久了。

撇開救援的成本先不談，能在山上安眠對我來說很夢幻了。

預測未來？Google 用 AI 模型做到「近乎即時」的天氣預報

作者 愛范兒 | 發布日期 2020 年 01 月 17 日 8:15

對人類來說，時間一直是最大的敵人，超越時間一直是人類的夢想，「預測未來」就是人類想超越時間的方式之一。

天氣預報就是生活中最常見的「預測未來」，但就像剛才說的，預測天氣同樣也是非常困難的事。現在看來，AI 或許是能大大增強天氣預報功能性的工具。

Google 最近在官方部落格分享新的研究，聲稱 Google 做到「近乎即時」的天氣預報。

不過這項工作還處於早期階段，目前也尚未整合到任何商業系統，但早期研究結果還是顯示有很大的希望。這篇並未經過專家評論的論文表示，Google 研究人員描述了如何透過僅花數分鐘計算，以 1 公里範圍提前 6 小時達到準確的降雨預測。

數分鐘的計算時間比起目前有巨大的提升，按照現有技術可能需要數小時計算才能生成預測，儘管用了更長時間生成更複雜的數據。

研究人員表示，快速預測有極大的實際意義，這將有效適應氣候變化，特別是極端天氣狀況下，快速預測會是非常重要的工具。短期預測對避免某些危機有很高的重要性，合適運用就能有效避免生命和財產損失。

Google 的預測最大優勢就是速度，然而這樣的速度是怎麼來的？研究人員比較了自家預測與目前兩種主流預測法：光流法（透過觀察雲的現象運動）及模擬法（創建物理天氣系統模擬）。

這些傳統方法面臨的問題在於計算量極龐大，尤其模擬法需要計算大量物理效果。像美國聯邦機構為天氣預報的模擬，每天需要處理不同氣象站多達 100TB 的數據量，且要花費數小時用昂貴的超級電腦模擬。按照一次計算 6 小時，一天頂多也只能計算 3~4 次。

相比 Google 的方法只需數分鐘，因為不是嘗試複雜的天氣建模，而是計算預測簡單的雷達數據。研究人員使用美國國家海洋和大氣管理局（NOAA）2017~2019 年在美國附近收集的歷史雷達數據來訓練 AI 模型。

研究人員表示，他們的方法與使用相同數據的現有 3 種方法一樣好，甚至還更好，但是該 AI 模型在預測 6 小時以上的遠期預測時，表現就不如人意了。目前看來這是機器學習在天氣預報的最佳選擇：快速短期預測，而較長時間的預測交給功能更強大的模型，像 NOAA 可做 10 天的天氣預報。

雖說目前還沒有看到 AI 在天氣預報的實際應用，但已有很多公司在工作，包括 IBM 和孟山都（Monsanto）等大眾熟悉的公司。就像 Google 研究人員所說，隨著人類和氣候相互影響更深，這種預測技術未來會越來越重要。

資料來源：https://technews.tw/2020/01/17/google-using-machine-learning-to-nowcast-precipitation-in-high-resolution/