看板Gossiping
: RT
: 阿肥發現在台灣
: 氣象跟你說下雨不一定會下
: 氣象跟你說不會下也不代表不會下
: 好像不管那個季節出門都一定要帶傘
: 聽美國跟日本朋友好像都不太會遇到這種情況
: 他們說在他們那邊只要打開手機看一看
: 氣象怎麼說就八九不離十
: 怎麼台灣的天氣預報特別不準？
: 有卦？
一、官僚保守主義：預報不是為了準，而是為了不被罵
中央氣象署為什麼總是「午後雷陣雨機率30%」？因為如果你說晴天結果下雨，會被罵慘；但說下雨結果出大太陽，大家頂多翻白眼。這就是**「預測」變成了「卸責工具」**的現實。預報的目的是保命，不是準確。
---
二、氣象署內部：物理系思維 vs. 21世紀問題
很多氣象從業人員是傳統物理或地科背景，懂熱力學、流體力學，但這年頭真正準的天氣模型靠的是 資料科學、機器學習、神經網路。但你以為他們會寫 PyTorch 或 TensorFlow 嗎？別鬧了，有些人連 Python 都寫不動。
結果就是——拿一堆超強的雷達資料，還是用老舊的模式去套；模型跑得慢、調參方式落伍，根本跟不上快速變化的氣象系統。
---
三、僵化的組織文化：不鼓勵創新，只鼓勵聽話
氣象署隸屬交通部，不是科學機構。裡面的上下階層很重，新人想試點資料驅動預測模型？別鬧，先把前輩那份 Word 報告抄好再說。
再來是典型台式文化：權威導向、怕犯錯、怕被記過，根本不會鼓勵質疑舊模型、舊流程。整體組織不鼓勵創新，也不獎勵失敗的嘗試。
---
四、人才外流 + 預算不足
頂尖的氣象資料科學家去哪了？去 Google、Apple、日本氣象公司、甚至去做金融模型了。為什麼要留在一個只能跑 FORTRAN 模型的單位裡領低薪、背KPI？
---
五、老舊系統與模型殘破
台灣雖然有先進雷達與衛星資料，但資料進來後，**後端分析跟不上是最大問題。**許多氣象模式還在用 80 年代甚至 90 年代的程式碼，有些根本不開源、不維護、連 debug 都難。
更慘的是，很多模式還是拿歐美那一套直接套用，**沒有本地化優化。**這就像是用美國的 Uber 地圖導航在台北市開車——怎麼可能不迷路？
---
六、對外說明模糊不清，誤導民眾
最後，即使模型有一定準確度，傳遞給民眾時也會被模糊處理。例如：「降雨機率 40%」是什麼意思？是有 40% 機會下雨？還是有 40% 的地區會下？民眾根本搞不清楚，這其實是個溝通學災難。
---
七、無法建構自己的Model
台灣大多數氣象人員不具備 Fortran 的系統層級知識，他們會用、會改，但無法：
優化運算架構、改善 scalability、重構架構
寫出乾淨模組化的 codebase 供多人開發
處理 HPC 實務問題，如 I/O bottleneck、跨節點同步
-----
Sent from JPTT on my Xiaomi 2410FPCC5G.
--
※ 批踢踢實業坊(ptt.cc), 來自: 219.91.26.178 (臺灣)※ 文章網址: https://www.ptt.cc/bbs/Gossiping/M.1747523409.A.A66.html
→ seanfan: 他們功課當年只能填大氣系。結案 123.193.164.94 05/18 07:11
推 una283: 正解220.132.181.237 05/18 07:11
推 suwalampa: 你大氣系 101.12.162.191 05/18 07:14
→ bigwun73: 不會，日期報的 很準啊 125.228.68.30 05/18 07:26