文、圖／健康醫療網
如何預警極端氣象事件，成為當前科學界面臨的重大挑戰，也影響全球國家對於氣象監測資源之合作共享議題，AI對於氣象預警也扮演極為重要的角色。
全球暖化引起層出不窮的極端氣候災難，例如大陸受到杜蘇芮颱風引發的洪水，夏威夷面臨乾燥高溫造成的野火災難，甚至全球蟲媒分佈的變化。台大公衛學院教授陳秀熙帶領研究團隊在《星球永續健康線上直播》節目中說明，人工智能AI技術不僅在經濟領域引起關注，近期《自然》（Nature）也報導了人工智慧（AI）應用於氣象預警，及早應對全球極端氣候與疾病衝擊。
極端氣候衝擊全球健康
歐盟氣候監測機構「哥白尼氣候變化服務」確認今年7月是有記錄以來地球上最熱的1個月。全球暖化引起持續的高溫現象，並且造成極端氣候災難，南北極的冰川亦快速消融。北極的格陵蘭海冰正在以每10年13%的速度迅速消融，對整個氣候系統產生了深遠的影響，也衝擊全球的永續健康。
陳秀熙團隊分析，根據不同的碳排放情境預測顯示，在最嚴重的情況下，2030年夏季北極海冰可能會完全消失；南極目前正處於冬季，也觀測到異常高溫現象，冰穹C地區往年冷到攝氏-50度左右，今年7月卻比往年平均熱40度，造成南極冰層快速消融，平均每年融化3200億噸冰冠，南極海冰面積也減少了260萬平方公里。
全球暖化還造成日本腦炎傳播與蟲媒分佈的變化，受到雨量和溫度影響，豬隻被蚊蟲叮咬後造成日本腦炎的傳播。現今暖化速度加劇以及地緣政治對立，一些地區甚至超越了氣候指標的極限。
人工智慧如何預警氣候？
如何預警極端氣象事件，成為當前科學界面臨的重大挑戰，也影響全球國家對於氣象監測資源之合作共享議題，AI對於氣象預警也扮演極為重要的角色。
電影《氣象戰》提出緩解全球氣候災難之衛星科技，透過封堵水壩上的小洞，成功地阻止災難。片中全球合作運用衛星技術結合人工健康與智能健康應用，實時監測氣象情況，提前發出預警與調控。提升大眾對於科技預測氣候災難的意識。
例如為了預防火災，近地衛星OroraTech可監測地面溫度，並利用SensaioTech的IoT物聯網數據設備來測量森林數據，可精確預測野火的發生機率與區域，避免大火、降低全球暖化衝擊。
為了緩解暖化多重威脅，首要重點是考慮全球碳排放量的變化。目前碳排放情境不僅惡化暖化速度，也增加氣候變遷敏感疾病（CSDI）風險。陳秀熙團隊表示，除了建立全球夥伴關係以大幅減少CSDI的風險，人工智能也能應用於疾病預測，包括氣候指標疾病預測工具CLIMSEDIS、傳染病傳播預測模型Insights、蟲媒疾病預估模型Mosqlimate以及登革熱風險預測工具DART等模型。
WHO全球永續發展指標透過AI應用，在全球面臨極端氣候事件時，確保工作和經濟成長發展目標。在工業化過程中，利用AI達到零排放降低石化燃料造成潛在風險，並減少社會經濟地位較低的地區以及脆弱族群，受極端氣候影響而遭受的傷害，進一步減少不平等現象。全球也可透過共同的氣候行動，解決氣候變遷問題。
AI預測蟲媒疾病 減少登革熱爆發風險
受到氣候變遷影響，至2080年將增加23億登革熱感染風險人口，全球60%人口居住於登革熱流行區域，經濟弱勢地區如非洲、東南亞將面臨持續嚴重登革熱流行爆發威脅，已發展國家如歐洲、美洲疾病風險亦上升，發展全球夥伴經濟合作以降低碳排放有助於減少全球登革熱流行爆發風險。
陳秀熙團隊引述一項研究利用哥斯大黎加資料探討中美洲極端氣候登革熱風險，登革熱傳播氣候因子包括：溫度、降雨、濕度，其他因子則包含：病媒蚊密度、蟲卵指數、孑孓指數等。
登革熱氣候預測因子預測，可利用5平方公里高解析量測值觀察氣候災害監測站資料、北大西洋洋流海溫異常指數，了解洋流區域海洋表面溫度每週間監測，結合人工智慧方法，建立登革熱流行傳播機器學習模式，運用氣候因子，預測區域層級不同時間之登革熱風險變化，以及各區域登革熱時序風險演進。
不過，部分極端風險區域Queopos（極低風險）、Montres de Oro（極高風險）於學習階段之預測略為偏離。顯示該研究運用AI預測登革熱流行傳播風險果，僅局部地區預測較接近，原因在於沒加入病媒分佈、人口特性、社經地位分佈等非氣候因子。過往人工智慧氣象因子預測台灣登革熱風險，運用聖嬰現象因子、海溫監測、降雨量、短波輻射環境溫度遙測，等氣象預測因子，同樣未能達到精準預測之目的。
因此，陳秀熙團隊認為，後續在發展人工智慧運用時，若能納入生物與疾病特性考量，將有助於提高區域登革熱風險預測準確度。團隊先前運用氣象、區域傳播特性以及疾病特性發展日本腦炎預測模型，結果顯示5月到8月為日本腦炎發生高峰期，因此採取3月前完成疫苗施打將有助於降低感染風險。而前2週溫度上升與前一週降雨量增加將提高日本腦炎發生風險，此為環境對於病媒蚊生態影響所致。此為運用疾病、環境，結合氣象資料達到準確預警疾病之範例模式。
人工智慧即時氣候預警成效評論
為了因應極端氣候發生，陳秀熙團隊指出，需要進行即時氣象預測，因此需要空間精準、時間精準、變化精準以及強度精準，主要著重於變化上的準確性，其中受影響的決策領域包括：緊急應變服務與資源配置、能源供應管理、洪災應變措施規劃、航空交通規劃、海上航線引導以及貨運零售倉儲管理。
過去幾十年間，氣象預測主要仰賴於傳統數值天氣預報（NWP），雖然準確度非常高，但速度較為緩慢。近十至二十年間，AI崛起發展出不少預測模型，Google DeepMind於2021年發布人工智慧生成模型DGM（Deep Generation Model），預測能力佳；FourVastNet優點為速度提升，但準確度不如預期；而盤古氣象模型，則兼具速度與準確性，其優異性能也讓歐洲中期天氣預報中心將其系統納入考量，期待在未來天氣預測可降低氣候災難之衝擊。
文章授權轉載自《健康醫療網》極端氣候爆發、登革熱傳播 AI預測氣象有助降低衝擊
【延伸閱讀】
無任何留言，趕緊搶頭香！