doi: 10.30067/TECNL.202606_(52).0002

AI預警新紀元：TT-SAM如何運用「Transformer」更精準捕捉地震搖晃？

陳禹衡、詹忠翰

• 國立中央大學地震災害鏈風險評估及管理研究中心

如何在震災來襲前爭取寶貴的數秒至數十秒，一直是地震學家的重要課題。地震預警系統有時在大地震發生時產生「飽和現象」，導致低估震度，或在多震源活動下產生誤判。為了解決痛點，我們開發了全新的「台灣變壓器地震警報模型」（Taiwan Transformer Shaking Alert Model，簡稱TT-SAM），為下一代地震預警系統提供實用的技術。

過去多數AI預警模型主要預測峰值地面加速度（PGA），但過去經驗顯示，峰值地面速度（PGV）與建築物的受損程度及地震動能有更強的相關性。中央氣象署目前的震度分級，針對5級以上的強震也是以PGV為主要判讀標準。TT-SAM直接將PGV作為預測目標，能更直觀地反映潛在的災害風險。

TT-SAM名稱中的「Transformer」，指的是其採用的核心深度學習架構；這與ChatGPT等大型語言模型所使用的基礎架構相同，而ChatGPT名稱中的「T」正是「Transformer」的縮寫。這種架構具備強大的「自注意力機制」（Self-attention）在語言模型中，它可以判斷一句話中不同字詞彼此之間的關係；而在TT-SAM中，我們則將這個概念移植到地震觀測網上，讓模型學習不同測站之間的空間關聯與場址效應。不同於僅依賴原始波形的模型，TT-SAM結合了物理特徵工程，將位移、累積垂直絕對速度與頻率參數等具有地震物理意義的特徵輸入模型，讓AI能精準辨識波形，並且預測可能的強震。

我們利用2016年高雄美濃地震序列進行測試。結果顯示，TT-SAM表現優異，高達93.56%的預測結果與實際觀測震度誤差在正負一個震度級以內（如圖一）。透過「滾動式更新」策略，模型在P波抵達後3秒即可給出初步預估，並隨數據累積持續修正，平衡了預警的速度與準確度。

除了高準確率，TT-SAM在運算效率上也極具優勢，平均處理一次事件僅需約9.43毫秒，完全符合即時預警的需求。這項研究證明了將人工智慧與地震物理學深度結合，能大幅提升預警系統的可靠性，為減災應變爭取更多救命時間。

圖一、TT-SAM對2016年高雄美濃地震的震度預測結果。圓點表示各地震測站位置，顏色代表實際觀測到的震度；背景色則為TT-SAM模型預測的震度分布。結果顯示，模型能掌握美濃地震在台灣西南部造成較強搖晃的空間分布，並有效重現主要受影響區域，展現其在地震預警中快速預測強震動範圍的潛力。

參考文獻

• Chen, Y.-H., Chan, C.-H., Chang, C.-C., & Ma, K.-F. (2026). A Deep Learning Framework for Peak Ground Velocity Prediction Using Multi‐Station Velocity Waveforms: The Taiwan Transformer Shaking Alert Model (TT‐SAM). Journal of Geophysical Research: Machine Learning and Computation, 3(3). https://doi.org/10.1029/2025jh001005