把雲、風、月相與身體感變成出海警示：原住民族知識進入漁村天氣平台，誰擁有預報規則？

出海前抬頭看雲、感受風向、觀察月相與動物行為，對許多漁村不是迷信，而是長期累積的風險判斷。問題在於，氣候變遷讓既有季節規律變得不穩定，現代氣象服務又未必能以地方語言、足夠細的空間尺度與合適時間送到小型漁民手上。當兩套知識都不完整時，最有價值的方向不是互相淘汰，而是建立能被共同檢查的預報服務。

2026 年刊出的維多利亞湖研究，蒐集十七種原住民族知識指標，包含風的循環、月相、積雨雲、霧與露、閃電、葉片變化、鳥類與蛙類活動、昆蟲出現及夜間身體感受，再以隨機森林協助篩選重要指標，最後建立 Mamdani 型模糊邏輯平台。Cleaner and Responsible Consumption｜維多利亞湖原住民族天氣預報平台 顯示，主要指標包括積雨雲、風循環、月相與身體感。

研究把預報分為正常、不佳與高風險，並用鄰近自動氣象站的實際觀測比較。經過規則清理後，研究報告約六成三點五的準確率。這個數字既不能被嘲笑為無用，也不能被宣傳成足以單獨決定出海。樣本期、季節分布、觀測站距離、地方指標的語意差異與危險事件比例，都會影響結果；對生命安全而言，漏掉一次高風險事件，可能比多發幾次保守警示更嚴重。

更精確地看，研究只以五十二天作正式驗證，系統判對三十三次、判錯十九次。不同任務表現差距很大：漁撈活動分類為六成三點五，雨量約五成三點八五，溫度約五成五點七七，風速只有約三成二點六九。風速表現弱，部分原因是地方專家較能描述風向與類型，自動氣象站則以數值速度記錄，兩套語言沒有天然的一對一關係。維多利亞湖模糊邏輯研究的驗證結果 因而更適合被理解為短期可行性測試，而不是成熟的海上安全產品。

這個差異也說明，「準確率」不應只有一個總數。平台至少要分別公布正常、不佳與高風險三類的召回率、誤報率及漏報率，並說明錯誤發生在什麼季節和時段。若資料多數是平穩天氣，模型只要經常回答正常就可能得到好看的總分，卻在真正危險時失效。對漁民而言，最重要的指標是高風險是否及時被抓到、警示提前多久，以及收到警示後是否有安全替代方案，而不是平均分數本身。

研究最初整理七十七條模糊規則，檢查後發現完全重複、被其他規則涵蓋、湖況結論衝突與輸出不一致等問題，清理後留下六十二條。這段工作比把模型叫做人工智慧更重要，因為每條規則都能被地方專家指出哪裡不合季節經驗。模糊系統的可信度來自可讀、可爭辯與可修改；若平台升級後把規則藏進無法解釋的模型，社群反而失去檢查錯誤的能力。

同時要釐清研究中的機器學習角色。隨機森林主要用來從十七項指標中篩選較具影響力的特徵，日常湖況判斷仍由 Mamdani 型模糊推論完成。把整套系統宣傳成黑箱 AI 預報，會掩蓋知識持有人建立語意範圍與規則的勞動，也讓使用者誤以為模型能自行發現文化意義。公開說明應清楚分開資料蒐集、特徵篩選、規則建構、氣象站比對與最後發布，每一層都要標示責任人。

模糊邏輯的優點，是能把不完全精確的語句轉成可運算規則，例如風勢偏強、雲層快速堆高或夜間體感異常，而不必假裝每一個地方觀測都有單一數值門檻。它也讓規則可以被列出、討論與修正。然而，一旦地方知識進入平台，新的權力問題立刻出現：誰決定哪些指標是真正重要？誰能看到完整規則？平台開發者能否把規則移到其他地方商用？社群是否可以撤回？

WMO 的 原住民族與地方知識氣候服務工作小組 強調的是知識融合與共同生產，而不是把地方知識當成免費資料集。若要落地到台灣，第一步應是由地方社群界定可公開與不可公開的觀測，並把族語名稱、季節脈絡、知識持有人與使用限制一併保存。沒有治理資訊的資料庫，只會留下被抽空脈絡的特徵欄位。

第二步是與官方觀測建立雙向校正。地方知識能補充微地形、近岸風場、潮流、雲形與海況的細節，氣象雷達、浮標和數值預報則提供大尺度系統與連續量測。兩者不一致時，不應自動以其中一方覆蓋另一方，而要記錄發生在哪個季節、地點與時間尺度，再回到社群與專業端共同修正。這種不一致本身，往往就是發現服務盲點的重要資料。

第三步是把預報訊息轉成可行動的風險語言。單純顯示百分比，未必能幫助漁民決定是否延後、改線或返航。WMO 介紹的 漁民天氣田間學校 把海洋天氣、地方觀測與實作訓練結合，提醒平台仍需要面對面的解讀與演練。真正的服務應說清楚危險類型、可能時間、影響海域、建議行動及訊息有效期限。

在地語言介面也不只是把官方預報翻譯成族語。雲形、風與動物行為的名稱可能連結季節、地點和行動規則，若只把詞彙對應到固定數字，會失去原本的關係脈絡。設計團隊應保存每項指標由誰解釋、適用哪個水域與月份、有哪些例外，並允許同一現象存在不同地方說法。發布時可以使用語音、圖像、廣播與簡訊，但原始知識是否公開仍要由知識持有人決定。

預報權責需要在上線前演練。可用歷史案例與模擬天候測試：地方指標顯示高風險、官方預報正常時由誰決定；兩者都警告但通訊中斷時如何通知；漁船已出海後如何更新；錯誤警報造成返航成本由誰承擔。每次演練應記錄訊息抵達時間、理解程度、實際行動與通訊死角，再修正規則和發布流程，而不是只檢查網站是否顯示結果。

知識權利還包括版本與退出。當長者或漁民修正規則，平台要留下誰在何時、基於何種季節經驗改動的紀錄；外部研究者或企業若想把規則移到其他地區，必須重新取得同意。社群也應能暫停某項指標、限制商業使用或要求刪除不適合公開的內容。WMO 所推動的 原住民族與地方知識共同生產方向 只有在這些權利能實際執行時，才不是形式上的參與。

台灣試辦更不能把不同族群與海域視為單一資料集。東岸、離島、河口與湖泊的風場、潮流、地形及漁法不同，地方觀測也有各自的語言和分享界線。適合的方法是先由一個自願社群定義少數高風險情境，至少跨越完整季節累積資料，再與氣象單位共同判讀。成效除了準確率，還要看是否減少冒險出海、改善返航判斷、增加官方服務使用，以及地方是否真正擁有修改和停止系統的能力。

台灣原鄉與離島漁業若試辦，可從一個季節、一個港口與少數高風險情境開始。先由漁民記錄出海前判讀、官方預報、實際海況與最後決策，再比較哪些訊號最能提前辨識風浪、雷雨或能見度惡化。系統應同時保存誤報與漏報，並讓地方參與決定哪一種錯誤更可接受，而不是只追求一個看似漂亮的平均準確率。

平台也不能把責任推回個人。即使畫面標示高風險，若港口沒有即時廣播、通訊死角未改善、救生設備不足、返航成本無人承擔，資訊仍可能無法轉成安全。地方政府、氣象單位、漁會與社群需要事先寫清楚誰發布、誰更新、誰負責設備與演練，以及系統中斷時回到哪一套備援流程。

這項研究真正開啟的，不只是用 AI 保存傳統知識，而是讓兩種不完整的預報系統互相負責。地方知識不應被浪漫化，科學預報也不應被視為永遠正確；兩者都需要可追蹤的驗證、清楚的不確定性與可撤回的資料治理。只有當漁民與社群能共同修改規則、保有知識權利並從服務中獲得實際安全效益，數位化才不是另一種知識掠取。

資料來源與延伸閱讀

• Cleaner and Responsible Consumption｜維多利亞湖原住民族天氣預報平台
• WMO｜原住民族與地方知識氣候服務工作小組
• WMO｜漁民天氣田間學校

原傳媒AI｜依你的角色繼續追問

本篇已建立 4 個角色入口，每個角色各 5 題，共 20 組預先產生的角色追問。前端依角色顯示對應問題與回答，所有回答保留嵌入式來源連結，且不在瀏覽器端即時呼叫模型。