系列：30 天用 Google AI 打造臺灣防災速報 App（Day 23/30）

昨天的結論是「預測還很遠」。今天看一個常出現在「AI 快能預測地震」新聞裡的題目：地震發生前，天上的電離層會不會先有異常？

電離層和 TEC

在約 80 到 600 公里的高度，太陽的極紫外線與 X 光會讓部分大氣電離，形成含有大量自由電子的區域，叫電離層。無線電波穿過它會被反射或改變，所以通訊和導航都受它影響（參考 1）。

全球定位系統（GPS）的衛星用兩個頻率發訊號，兩個頻率穿過電離層的延遲不一樣，比較兩者，就能算出訊號路徑上累計的電子數量，叫全電子含量（total electron content，TEC）。全球兩百多個 GPS 接收站的資料，每兩小時可以做成一張全球電離層圖（GIM），圖上的 TEC 稱為 GIM-TEC（參考 2）。

支持震前異常的研究

臺灣的統計。 2006 年一項研究比較 1994 到 1999 年臺灣 184 個規模 5 以上的地震，和電離層 F2 層的臨界頻率。F2 層是電離層裡電子密度最高的一層，臨界頻率反映這一層最高的電子濃度。論文把「午後 12 到 18 時臨界頻率下降超過約 25%」當成異常，報告這種異常在地震前 5 天內顯著增多，規模越大、測站離震央越近，越容易出現（參考 3）。

日本的個案。 2011 年東北地方太平洋近海地震（規模 9）之後，一位日本學者利用日本的高密度 GPS 網分析，報告指出主震前約 40 分鐘，震央上空的 TEC 開始增加（參考 4）。

把兩者放在一起，很容易以為「前兆已經找到，只差演算法」。後續的研究對此解讀提出了質疑。

提出不同解釋的研究

2013 年，另一組日本學者提出相反的解釋。依該文摘要，地震產生的聲波先傳到電離層，接著出現由海嘯造成的「電離層空洞」，也就是 TEC 大範圍下降，再花幾十分鐘恢復。兩邊的差別在於拿來比對的基準曲線怎麼取。他們認為，TEC 的變化可以用海嘯造成的電離層空洞來解釋，因此不需要假設 TEC 在震前增加（參考 5）。

2015 年，義大利與美國的研究者重新分析同一批資料，認為 40 分鐘前的起點是基準線定義造成的假象。他們將多段 TEC 時間序列對齊到同一個參考時刻進行比較（疊加分析），結果顯示 2011 年那次增加在這批資料中並不突出（參考 6）。

原作者也回應了。2013 年的回應用電離層探測儀（從地面往上發無線電波、量電離層高度與電子密度的儀器）和磁力計（量地磁變化的儀器）的資料，指出這個增加並非基準線造成的假象。該文也承認增加的幅度在自然變動範圍內，但主張它可以和一般的大尺度電離層擾動區分（參考 7）。2015 年改用不依賴基準曲線的統計方法，報告指出，在八次規模 8.2 到 9.2 的地震前 25 到 80 分鐘內，都偵測到 TEC 變化率突增（參考 8）。

兩邊對這個訊號是不是震前異常，到這裡仍是不同的解釋。

範圍更大的統計也沒有定論：先前的文獻有的發現異常比例偏高，有的找不到關聯（參考 2）。2017 年一項研究把 2000 到 2014 年全球 1,279 個規模 6 以上的地震逐一和 GIM-TEC 比對，結論是：「we have found no evidence that would suggest that monitoring changes in GIM-TEC might be useful for predicting earthquakes」（參考 2）。

三個限制

• 干擾太多。 電離層本來就天天在變，太陽活動、地磁擾動、季節、晝夜、天氣都會影響它，所以很難判定哪些震前變化算前兆（參考 2）。
• 基準的定義可能影響結果。 2015 年的重新分析顯示，2011 年那次的「異常」存不存在，取決於基準線如何設定（參考 6）。
• 相關不等於能發警報。 就算統計上真能確認大地震前異常偏多，也不能直接轉成警報。本文列出的研究（參考 2 到 9）都尚未提供使用獨立資料進行的前瞻測試，也沒有提出可供實際警報使用的系統驗證。

機器學習做到哪裡

2022 年一項臺灣研究用雙向長短期記憶網路（Bi-LSTM，一種同時看序列前後的神經網路），分析 2003 到 2014 年的 TEC 與地磁、太陽活動資料，偵測規模 6 以上地震的前兆。論文報告在 41 個案例中，22 個規模 6 以上的地震案例全部判為有前兆；19 個期間內沒有規模 5.3 以上地震的案例，有 9 個也判為有前兆。整體準確率 78%（參考 9）。

讀這個數字要注意：判斷用的模型、門檻和隨機種子（訓練開始時的隨機初始值），都是在同一批 41 例上依準確率挑出來的，換不同種子準確率在 62% 到 78% 之間，論文報告的是最佳值，也沒有另外保留獨立的測試資料。9 個誤判，論文歸因於長時間的地磁風暴（太陽活動引起的強烈地磁擾動），也說明此方法無法預測地震的確切日期（參考 9）。所以 78% 只描述論文選定的案例，不能當作實際運作的表現。

另一個參考點是三位地震學者 2021 年在《Nature Communications》的評論：機器學習目前最大的貢獻是建出更完整的地震目錄（記錄地震時間、位置、規模的資料集），下一步是從目錄裡找規律，改進機率式的地震預報（參考 10）。評論沒有說機器學習已經能預測特定地震的時間、地點與規模。

回到我們的 App

氣象署地震百問的說法是：目前無法用科學方式準確預測地震的時間、位置和規模，氣象署持續用地殼形變、電離層、地下水位、地磁等觀測研究前兆（參考 11）。研究在進行，但目前的結果不能作為警報的依據。

因此，本系列只整理地震發生後的官方資訊與防災提示，不提供地震預測。使用者問「明天會不會地震」，App 回覆昨天列出的固定答案，附上這一題的連結，並引導到防災準備。

今日小結

• 電離層前兆有支持的統計，也有相反的統計；2011 年東北地震的個案，兩邊各有不同解釋。
• 三個限制：干擾太多、基準的定義可能影響結果、相關不等於能發警報。
• 機器學習的研究結果還不足以當警報依據；App 對地震預測問題只給固定答案。

明天 Day 24：把 30 年的地震畫在地圖上。

參考資料

1. NOAA Space Weather Prediction Center, "Ionosphere." https://www.spaceweather.gov/phenomena/ionosphere
2. Thomas, J. N., Huard, J., & Masci, F. (2017), "A statistical study of global ionospheric map total electron content changes prior to occurrences of M ≥ 6.0 earthquakes during 2000–2014," Journal of Geophysical Research: Space Physics, 122. https://doi.org/10.1002/2016JA023652
3. Liu, J. Y. et al. (2006), "A statistical investigation of preearthquake ionospheric anomaly," Journal of Geophysical Research, 111, A05304. https://doi.org/10.1029/2005JA011333
4. Heki, K. (2011), "Ionospheric electron enhancement preceding the 2011 Tohoku-Oki earthquake," Geophysical Research Letters, 38, L17312. https://doi.org/10.1029/2011GL047908
5. Kamogawa, M., & Kakinami, Y. (2013), "Is an ionospheric electron enhancement preceding the 2011 Tohoku-Oki earthquake a precursor?" Journal of Geophysical Research: Space Physics, 118. https://doi.org/10.1002/jgra.50118
6. Masci, F., Thomas, J. N., Villani, F., Secan, J. A., & Rivera, N. (2015), "On the onset of ionospheric precursors 40 min before strong earthquakes," Journal of Geophysical Research: Space Physics, 120. https://doi.org/10.1002/2014JA020822
7. Heki, K., & Enomoto, Y. (2013), "Preseismic ionospheric electron enhancements revisited," Journal of Geophysical Research: Space Physics, 118. https://doi.org/10.1002/jgra.50578
8. Heki, K., & Enomoto, Y. (2015), "Mw dependence of the preseismic ionospheric electron enhancements," Journal of Geophysical Research: Space Physics, 120. https://doi.org/10.1002/2015JA021353
9. Tsai, T. C. et al. (2022), "Deep learning of detecting ionospheric precursors associated with M ≥ 6.0 earthquakes in Taiwan," Earth and Space Science, 9. https://doi.org/10.1029/2022EA002289
10. Beroza, G. C., Segou, M., & Mostafa Mousavi, S. (2021), "Machine learning and earthquake forecasting—next steps," Nature Communications, 12, 4761. https://www.nature.com/articles/s41467-021-24952-6
11. 中央氣象署地震測報中心，地震百問「政府是否能對地震做預報？」。https://scweb.cwa.gov.tw/zh-TW/Guidance/FAQdetail/96