強風警報的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

魔法校車07：穿越颱風(經典必蒐版)

為了解決強風警報的問題，作者喬安娜‧柯爾 這樣論述：

校車變變變，從熱氣球變氣象飛機， 捲進颱風中，來趟比雲霄飛車還刺激的追風之旅！   　　有個颱風正在熱帶海洋上空咻咻狂吹，一個怪異的黃色物體被捲入颱風渦漩當中。那是一架氣象飛機，原來是魔法校車跑進颱風眼了！   　　在颱風來臨當頭，卷髮佛老師沒帶著同學到氣象觀測站參觀，反倒從陸、海、空徹底觀察颱風。它是怎麼形成的呢？跟著佛老師一起置身其中，感受風、雨、雷、閃電的威力！   【魔法校車】系列特色   　　最搞怪、最顛覆想像的科學繪本經典再現！ 　　暢銷全球、獲獎無數、專業審訂 　　全方位科學啟蒙，搭配第一線教師設計教學指引   　　★麻辣魔法

女教師──卷髮佛老師，帶你學習嗨翻天！一個怪怪老師+一輛老校車，居然就可以飛天遁地、變大縮小，完成各種探索旅程！加上精怪頑皮的同學們，一起歷經一場又一場刺激精采的自然科學大冒險。 　　★一本一主題，故事活潑、生動、爆笑、有趣，緊緊掌握兒童閱讀喜好與口味。 　　★以圖像搭配故事、對話、註記、說明文字等方式，充分滿足各個不同知識、年齡層讀者的需求。 　　★邀請教學現場第一線教師，為讀者整理各書可搭配108課綱國小自然科學領域的重點，讓師長使用起來更有效率。   【魔法校車】系列推薦   　　「閱讀」能夠讓兒童的科學素養萌芽。第一次見到〈魔法校車〉是在美國逛書店時，後來

這套書成為我們家小孩喜歡翻閱的科學讀本。〈魔法校車〉之所以如此受歡迎，除了能夠帶領孩子坐上想像中的魔法校車、穿越時空地理的限制外，還能探索日常生活不能立即體驗的自然奧妙，像是：地底、人體、太陽系等。 　　更引人入勝的是，故事裡的卷髮佛老師，經常運用互動性十足的趣味對話，鼓勵學生發現問題、深究問題、解決問題，透過反覆鍛鍊科學邏輯思維，增加知識的廣度與深度，如同一位為孩子特聘的科學啟蒙老師，在家就能輕鬆落實科學素養教育。──吳念祺（「每天都要一起玩STEAM x Play」親子社群創辦人）   　　如果孩子的童年沒有〈魔法校車〉的陪伴，那絕對少了許多精彩！一開始我帶著孩子從卡通影

集開始接觸，之後再和孩子共讀整套書，每一場冒險之旅，都是那麼心驚膽戰又充滿趣味，把教科書上枯燥呆板的科學觀念用最生動的故事來呈現，讓科學不再只是科學，而是一次次身歷其境的探險旅程！ 　　我知道這樣說有點瘋狂，但不用說孩子，就連我這個大人也不自覺地迷上〈魔法校車〉，看完書還會想像自己就是活力無窮的卷髮佛老師，開著校車、帶著學生到處在宇宙、大自然、人體之間尋找科學驚喜！相信我，3～99歲的人都能體會魔法校車的魅力！──陳瑜（「鏞鏞甫甫親子部落格」格主）   　　當你發現一成不變的複習、考試悄悄占據了自然課，親近與探究自然科學變得索然無味時，快快搭上魔法校車，跟著卷髮佛老師一起心領

自然的奧祕，神受科學的奇幻魅力。 　　一進到卷髮佛老師的自然教室，映進眼簾的是讓人目不暇給的感官洗禮，博學而沒有極限的佛老師總能帶領學生穿梭古今、上天下地、拓展眼界，讓自然課變得豐富又有趣。如果說教室裡的自然課局限了你的想像力與探索自然科學的樂趣，不妨打開心眼，翻開〈魔法校車〉恣意悠遊，想像自己是充滿教學熱誠的佛老師，帶領一群充滿好奇心的小朋友，透過引導、觀察、報告與實作的方式，領略自然科學的奧祕，讓知識的學習變得多采多姿、充滿魅力。──盧俊良（FB粉絲頁「阿魯米玩科學」版主）

強風警報進入發燒排行的影片

基於強化深層卷積神經網路用於颱風期間多測站風力估計

為了解決強風警報的問題，作者戴燝景 這樣論述：

　　台灣夏秋兩季常有颱風侵襲台灣，颱風是一種生成於熱帶海洋上，其近中心最大風速達每秒18公尺以上的強烈低氣壓。颱風所挾帶的強風豪雨，常造成台灣許多災情。豪雨常造成淹水、山洪暴發，土石流等災害。而帶來的強風，則會造成路樹倒塌、招牌掉落或吹斷電線桿破壞電力設備等，導致電力中斷或甚至危害路上行人的生命安全。台灣西半部沿海，未來也即將興建許多離岸發電設備，這些發電設備發電需仰賴風力。但颱風所帶來的強勁風勢是造成發電設備損壞的威脅之一。為降低發電設備的損害機率，管理人員須依靠中央氣象局所發布風力預報來關閉發電設施，以保護這些設備。綜合以上，颱風期間的準確的風力預報，無論是對於政府決策或是災害管理，都有

著相當大的意義。隨著大數據與深度學習蓬勃發展，近年來深度學習在各個領域的應用可說是相當熱門，例如：醫學影像辨識、人臉辨識、網路流量預測與自然語言處理等。深度學習具有大量的函數與參數，其包含輸入層、隱藏層與輸出層，藉由非線性函數來模擬人類神經元被激發的過程，相關研究指出，深度學習對於非線性特徵能有更高的掌握度。　　本研究將使用多輸入的卷積神經網路(Convolutional Neural Networks)搭配結合卷積神經網路的增強式學習機制，開發一套颱風風力估計模型TempestWind-CNN。考量到颱風強度、大小與相對位置對特定地區的影響，本研究利用中央氣象局1970年~2017年颱風個案

，颱風近中心最大風速、颱風七級風暴風半徑與定位經緯度，與中央氣象局氣象局局屬氣象站的平均風、瞬間陣風與氣象站位置，來整合颱風與氣象站的相對關係，將這些資料透過TempestWind-CNN來進行訓練，藉此來讓模型學習颱風與氣象站風速間的相對特徵。希望透過本研究，可提升未來颱風警報期間各縣市之風雨預報，在風力預報方面的準確度。

不可思議的科學套書：聽獨角仙說故事、森林舞台的幕後、生命都是圓柱體、不可思議的科學學習手冊

為了解決強風警報的問題，作者松浦陽次郎,本川達雄,小島涉 這樣論述：

　　「不可思議的科學套書」本本都是以孩子的生活為出發點。挑選從孩子生活周遭可觀察到的現象，透過提問、觀察、思考、找答案等步驟，慢慢揭開存在於我們生活中的各種科學。透過簡單易懂的說明與活潑又詳盡的插圖，在有趣的議題裡，孩子不僅學習到知識，更學會了科學的內涵，是最符合科學素養的科學圖畫書! 　　本次套書更附贈由專業科普教師所撰寫的學習手冊，針對每本書中的內容，挑選出有趣的提問，更深入帶領孩子認識背後的生態，另外更附加主題延伸活動與延伸知識，讓學習更深入，趣味更加倍。 　　《聽獨角仙說故事》 　　蕭昀(澳洲國立大學與聯邦科工組織 (CSIRO) 之澳洲國立昆蟲館聯合指導博士

生) 審定 　　一部最完整的獨角仙的生活史!獨角仙在地底11個月的生活全紀錄。 　　獨角仙的一生只有短短一年，其中約有十一個月都在地底下生活，來到地面上之後，也只有一個月壽命，最長也只能活兩個月。在地底下的時期，獨角仙到底是什麼樣子?又是怎樣逐漸長成我們所看到的帥氣模樣呢? 　　研究獨角仙十多年的作者，以他的研究成果，搭配上豐富的插圖，從一顆卵開始，如成長日記般逐日記錄獨角仙幼蟲的每一個成長階段，一步步提出一些有趣又值得觀察的生物特點，像是獨角仙的食物是什麼?獨角仙是群居動物嗎?獨角仙他們的天敵是誰?獨角仙為了成功蛻變，又有什麼保護自己的厲害獨門秘技? 　　《生命都是圓柱體》 　　林

大利(特有生物研究保育中心助理研究員)審定 　　為什麼生命都是圓柱體？觀察、提問、舉例驗證，用科學方法揭開生物體的大祕密! 　　仔細觀察，我們的手臂、手指、脖子，甚至立正站好的時候，整個人也是圓柱體。再看看其他生物，蚯蚓也是、蛇也是、毛毛蟲也是，家裡的貓、狗、甚至是植物幾乎都有圓柱體構造。  那麼，為什麼生物都是圓柱體呢?最擅長寫作科普讀物的本川達雄，從孩子身邊可見的生物開始談起，透過簡潔易懂的說明，再加上繪者山本睦仁精美、瑰麗的圖解，孩子可以清楚的理解我們看到的表象之後的緣由，且學會科學辯證的重要能力。 　　《森林舞台的幕後》 　　袁孝維(台大森林系教授、生物多樣性中心主任)審定  

    　　森林為什麼可以養育那麼多的生物?在這座華麗舞台的幕後，到底藏著什麼祕密呢? 　　森林孕育了許多生物，包括樹木、花草、菌類、大型動物和小型昆蟲。大家是否想過，森林究竟是怎麼形成的呢？本書由長期研究世界各地森林與土壤調查的專家松浦陽次郎，用淺顯易懂的說明，先從四季的變化，帶讀者走進森林，一步步撥開森林這座大舞台的布幕，搭配畫者山村浩二可愛又詳細的圖說，訴說的不僅是一座森林運作，更是整個自然界的生存機制。在這座舞台上，每一個生命的存在都環環相扣，都非常珍貴。 名人推薦 　　黃一峯(金鼎獎作家、自然生態教育工作者) 　　黃仕傑(自然生態觀察家、科普書籍作者) 　　林大利(特有生物研究

保育中心助理研究員) 　　陳子倢（小人小學創辦人/扣扣老師） 　　盧方方(兒童文學作家) 　　地衣森林、袁孝維(台大森林系教授、生物多樣性中心主任)     

多源影像神經網路預測颱風降雨量之研究

為了解決強風警報的問題，作者邱緻嘉 這樣論述：

臺灣位於易生成颱風的西北太平洋地帶，為最容易受到颱風侵襲的區域，颱風挾帶的強風與豪雨往往會造成嚴重的自然災害，本研究以颱風侵襲期間的降雨做為研究方向，希望藉由中央氣象局地面測站資料、雷達回波圖與紅外線雲圖等氣象資料，結合深度學習法中的全卷積神經網路(Fully Convolutional Networks)建立颱風侵襲期間的降雨預測模型，即時預測颱風侵襲期間的降雨量。本研究主要著重在U-net卷積神經網路的探討，並以全卷積神經網路(FCN)和金字塔場景解析網路(PSPNet)做為比較，資料選用2013年至2020年中央氣象局有發布警報之颱風，颱風期間內的雷達回波圖、紅外線雲圖與全臺灣範圍的地

面測站資料，本研究在輸入模型前先將雨量資料圖像化，將散布在各地的地面測站資料繪製成二維的圖像，形成雨量分布圖。在本研究中根據蒐集的資料設計了三種方案(Scenarios)，方案一(Scenario 1)為單一輸入，探討不同單一輸入在不同模型間的誤差，單一輸入主要有三種案例分別為雨量分布圖、雷達回波圖和紅外線雲圖，方案二(Scenario 2)為混合輸入，探討不同混合輸入與單一輸入間的差異，設計兩種不同案例其一為雨量分布圖混合雷達回波圖，其二為雨量分布圖混合雷達回波圖與紅外線雲圖，方案三(Scenario 3)為混合輸入加上地理資訊，在方案二的兩種案例基礎上再添加地理資訊，最終總計有31場颱風事

件，選定四場颱風事件進行降雨量的模擬預測，測試場次為2013年蘇力與潭美颱風、2015年蘇迪勒颱風和2016年梅姬颱風。研究結果顯示全卷積神經網路能夠捕捉颱風來臨期間的降雨特徵，在模式的比較方面，U-net模型在三種模型中表現最佳，能夠較為精準地捕捉到降雨特徵。在不同方案的比較中，混合輸入在大多時候有著較佳的表現，混合輸入中又以雨量分布圖混合雷達回波圖的案例表現最佳，在短時間預測中大部分表現都不錯，但是在時間拉長後混合輸入的方法能夠展現更多單一輸入所沒有捕捉到的特徵，推測在長時間的預測中增加資訊有助於模型捕捉到更多的降雨特徵。就各區域表現而言，南部區域與東部區域預測結果較佳，西部區域與北部區域

預測結果較不佳，推測是因為颱風主要路徑都是從臺灣東半邊登陸侵襲臺灣，再經過中央山脈後，結構容易被破壞而增加影響降雨的變數。整體而言，本研究採用全卷積神經網路，結合多源影像預測颱風期間降雨量，據研究結果推論模式可以藉由多源影像有效的預測颱風期間的降雨情形。