當 AI 學會判讀氣象圖：氣象署如何建起圖像解析系統｜AI 實戰故事

氣象圖有很多，但看得懂的人不多，而這些人時間不夠用。

中央氣象署每天產出大量多種類型的氣象圖，要把這些圖轉化為民眾看得懂的天氣說明，靠的是氣象專家的判讀。專家需要回溯昨天、前天的演變脈絡，才能說清楚今天的低壓系統從哪裡來、往哪裡走。這是高度仰賴經驗與記憶的工作，每一次都是一輪高強度的資訊提取，也消耗許多氣象專家的時間與腦力。

氣象署希望讓這件事更有效率：建立一套 AI 系統，自動將氣象圖轉化為對應的文字說明。未來氣象署的網站就能民眾不只看到一張圖，而是能讀到一段看得懂的天氣描述。

但背後的資料量遠比想像中複雜：模式氣象圖、分析預測圖、全球預報模式 GFS 數據、區域預報模式數據、各類特報資料，加上過去累積的天氣概況歷史文本，橫跨圖像、數值、文字三種格式，而且每天都在更新。要讓 AI「看懂」這些圖並寫出說明，不是丟一張圖進去就會有答案的事。

一套三層架構的解法，把專家腦中的判讀流程用 AI 系統化

我們團隊為氣象署的需求設計了三層 AI workflow：圖像辨識、文案生成、數據校正，來完成這項任務。

【 第一層：圖像辨識，把氣象圖轉為結構化資料 】

AI 對每張氣象圖進行自動辨識與特徵提取，不管是雷達回波、衛星雲圖還是預報場圖，都能標記關鍵特徵，把一張圖轉成一份結構化的資料。同時系統也會擷取原始觀測數據，自動運算 每個縣市的溫度、降水、氣壓、風場等數值，並判斷是否出現颱風、豪雨、季風等特殊現象。

【 第二層：文案生成，整合歷史脈絡，產出天氣概況初稿 】

這是整套系統最核心的一步。AI 會將當前的圖資與理解「這個天氣系統從哪裡來、往哪裡走」，再根據這個脈絡，自動產生對應的天氣概況初稿。

【 第三層：數據校正，確保產出內容的數值正確 】

AI 產出的文案會再經過一道數據校正模組，自動比對文中提到的數值與原始資料是否一致。例如：預測 28 度就不會寫成 32 度。校正完成後，氣象專家只需要做最後的確認與微調。整套系統的工作流與 AI 參數，都可以透過持續的訓練與驗證機制來優化。

結果：三個月上線，100% 圖像解析零遺漏

這次案子的氣象圖像解析覆蓋率達到 100%，每一張進入系統的氣象圖皆完成結構化解析，沒有遺漏。而在專案時間上，原本估算需要十二個月的系統架構，透過模組化設計與 AI 輔助迭代，三個月內便完成了從規劃到部署的全部流程。

這個案例讓我們發現一件事，這套架構的價值不只在氣象，凡是「有複雜數據視覺化、需要轉化為正式報告」的場景：金融市場日報、醫學影像摘要、製造業設備健康週報、工程監測異常分析，這套架構就能直接移植。AI 不是來取代專業判斷的，它是來承接那些高重複、高脈絡依賴的前置工作，讓專業判斷力留在最有價值的地方。

當 AI 學會了看圖說故事，專家終於可以不再每天從零開始。

「AI 實戰故事｜那些導入前都沒說的事」，看更多內容：【專欄文章】