聯合風暴消散預測框架：ETN 動態風暴眼 × 吸引子環境動力學
Joint Storm Dissipation Prediction: ETN Storm Eye × Attractor Environmental Dynamics
文件編號：EML-ETN-STORM-2026-v1.0 密級：公開（實驗站發表版） 日期：2026 年 6 月 作者：Neo.K（許筌崴）+ Theia（AI 協作） 機構：EveMissLab Logic Matrix（一言諾科技有限公司） 前置文件：
- EML-ETN-2026-v1.0（ETN 蝴蝶結記法）
- EML-ETN-2026-v2.0（ETN 動態中心論：風暴眼原理）
- ETN-Storm v0.1（ETN 風暴眼追蹤器，程式碼原型）
關鍵詞：ETN 動態風暴眼、⊛ 動態不動點、吸引子動力學、聯合消散預測、SE_n 對稱度、雙重時間尺度、熱帶氣旋
摘要
傳統熱帶氣旋消散預測依賴兩類方法：吸引子動力學（含混沌理論、Lorenz 系統、泛函分析）捕捉系統的全局軌跡行為；數值天氣預報（NWP）解算 Navier-Stokes 方程追蹤物理場演化。兩者共同的局限在於：無法在快速（數小時）時間尺度上直接量化風暴眼內部結構的對稱性崩潰這一關鍵前驅信號。
本文提出聯合風暴消散預測框架（Joint Storm Dissipation Framework, JSDF），整合兩個互補的診斷元件：
- ETN 風暴眼元件（快速 / 局部）：基於 ETN 動態風暴眼原理，以 SE_n 對稱度量化 ⊛ 動態不動點的穩定性，捕捉眼牆結構的即時狀態。
- 吸引子環境元件（慢速 / 全局）：追蹤風暴所在環境狀態向量在吸引子盆地中的位置，量化環境對氣旋維持的支撐程度。
聯合風險定義為兩元件的幾何平均：
$$R_{\text{joint}} = \sqrt{R_{\text{ETN}} \cdot R_{\text{env}}}$$
幾何平均結構要求雙重確認——任一信號為零則聯合風險歸零，兩者同時升高方觸發高確信度消散預警。理論、實驗與程式碼原型共同驗證此框架，並給出全球氣象平台的接口設計草圖。
一、問題定位：單信號的固有局限
1.1 吸引子方法的盲點
吸引子動力學（Lorenz 系統、奇異吸引子、Lyapunov 指數分析）在描述氣旋的長時段軌跡行為上具有紮實的理論基礎。然而，吸引子方法本質上是全局 → 局部的推斷路徑：先確定系統在相空間中的全局結構，再從中推斷當前軌跡的走向。
這條路徑有三個結構性弱點：
第一，時間解析度不足。吸引子邊界的迫近通常是一個數天尺度的過程；然而颱風的急速增強（RI）或眼牆替換週期（ERC）可以在 6~12 小時內完成，這遠快於吸引子信號的響應速度。
第二，內部結構不透明。吸引子描述的是系統在相空間中的軌跡，但不直接告訴我們風暴內部的幾何結構——眼牆是否對稱、對流是否均勻分佈——而這些正是消散的直接前兆。
第三，初始條件敏感性。Lyapunov 指數描述了小擾動的指數放大，但它告訴我們系統整體不可預測，而不是眼在哪裡、往哪裡走。
1.2 傳統 NWP 的補充需求
NWP 模式（GFS、ECMWF、JMA）在精度上是現有最佳工具，但具有高計算成本、每 6 小時更新一次的限制。在更新週期之間，沒有一個輕量的框架可以即時評估眼牆狀態。
1.3 JSDF 的定位
JSDF 不取代吸引子方法或 NWP，而是在它們之間補入一個快速局部診斷層：
[快速 / 局部] ETN 風暴眼元件（SE_n）
↕ 聯合判斷
[慢速 / 全局] 吸引子環境元件（E(x)）
↕ 參考基準
[超慢 / 完整] NWP 全場解算（每 6 小時）三個層次形成多時間尺度診斷體系，而不是相互替代的競爭關係。
二、ETN 風暴眼元件（快速 / 局部）
2.1 理論基礎
ETN 動態中心論（EML-ETN-2026-v2.0）確立了整數 n 的「風暴眼」結構：
$$\circledast_n := \left\{ G_{n+1}^- \curvearrowright \circledast \curvearrowleft G_n^- \right\} \cup J_\uparrow(n) \cup J_\downarrow(n)$$
其中 $G_{n+1}^- = \lim_{\varepsilon \to 0^+}(n+1-\varepsilon)$、$G_n^- = \lim_{\varepsilon \to 0^+}(n-\varepsilon)$ 為兩側 GOD POINT，$J_\uparrow$、$J_\downarrow$ 為從中心向兩側發射的無窮旅程。
風暴眼原理確立：⊛_n 的靜止條件是上下 GOD POINT 拉力完全對稱：
$$\text{SE condition}: \quad F_{\text{up}}(G_{n+1}^-) = F_{\text{down}}(G_n^-)$$
在大氣動力學中，這個對稱條件對應眼牆對流的角向均勻性。
2.2 角向張力剖面
定義以風暴眼為中心、半徑 $r_0$ 的採樣圓上的角向張力剖面 $T(\theta)$：
$$T(\theta) := -\frac{\partial p}{\partial r}\bigg|_{r=r_0,\,\theta} + \alpha \cdot V_r(\theta)$$
其中 $\partial p / \partial r$ 為徑向壓力梯度（向內為正），$V_r(\theta)$ 為 $\theta$ 方向的徑向入流風速，$\alpha$ 為加權係數。
$T(\theta)$ 的可觀測來源包括：
- 雷達反射率的角向分佈（即時，每 6~10 分鐘）
- 衛星紅外亮溫的角向均勻度（近即時，每 30 分鐘）
- NWP 輸出場的角向積分（每 6 小時）
2.3 SE_n 對稱度
定義（SE_n 對稱度量）：
$$\text{SE}_n := 1 - \frac{\sigma[T(\theta)]}{\mu[T(\theta)]}$$
其中 $\sigma$ 為角向標準差，$\mu$ 為角向均值。
性質：
- $\text{SE}_n \in [0, 1]$
- $\text{SE}_n = 1$：$T(\theta)$ 完全均勻，⊛ 完全成立（完美風暴眼）
- $\text{SE}_n = 0$：$T(\theta)$ 極度不均勻，⊛ 退化（眼牆崩潰）
- $\text{SE}n \geq \tau{\text{SE}} \approx 0.65$：⊛ 判定成立
⊛ 判定：
$$\circledast \text{ well-defined} \iff \text{SE}n \geq \tau{\text{SE}}$$
2.4 漂移向量
定義（⊛ 漂移向量）：
$$\vec{F}_{\text{drift}} = \frac{1}{2\pi} \int_0^{2\pi} T(\theta) \, \hat{e}_\theta \, d\theta$$
$$\hat{e}_\theta = (\sin\theta, \, \cos\theta)^T$$
物理含義：⊛ 點往張力不對稱的強側漂移——即 GOD POINT 場更強的方向。這與傳統「引導流方向」不等同，但在對稱性弱的風暴中可提供補充信號。
2.5 ETN 消散風險
$$R_{\text{ETN}} := 1 - \text{SE}_n \in [0, 1]$$
$R_{\text{ETN}}$ 是快速信號：它可在數小時內從接近 0 跳到接近 1（眼牆突然崩潰），也可以在眼牆重新組織時迅速回落。
三、吸引子環境元件（慢速 / 全局）
3.1 環境狀態向量
定義熱帶氣旋的環境狀態向量：
$$\mathbf{x} = (\text{SST}, \, \text{shear}, \, \text{hum}, \, \zeta, \, \Delta p)$$
| 分量 | 物理意義 | 有利門檻 | 權重 | |------|----------|----------|------| | SST | 海面溫度（℃） | ≥ 26.0 | 0.30 | | shear | 垂直風切（m/s） | ≤ 15.0 | 0.25 | | hum | 中層相對濕度（%） | ≥ 50.0 | 0.20 | | ζ | 低層渦度（×10⁻⁵ s⁻¹） | ≥ 5.0 | 0.15 | | Δp | 強度（氣壓差 hPa） | ≥ 15.0 | 0.10 |
3.2 環境支撐度
定義（單因子評分函數）：
對「高值有利」型因子（SST、hum、ζ、Δp）：
$$\varphi_i(x_i) = \frac{1}{2}\left[1 + \text{clip}\!\left(\frac{x_i - \tau_i}{0.5\,\tau_i},\,-1,\,1\right)\right]$$
對「低值有利」型因子（shear）：
$$\varphi_i(x_i) = \frac{1}{2}\left[1 + \text{clip}\!\left(\frac{\tau_i - x_i}{0.5\,\tau_i},\,-1,\,1\right)\right]$$
定義（環境支撐度）：
$$E(\mathbf{x}) = \sum_{i} w_i \cdot \varphi_i(x_i) \in [0, 1]$$
3.3 吸引子盆地的三種狀態
$$\text{attractor state} := \begin{cases} \text{deep} & E(\mathbf{x}) > 0.75 \\ \text{edge} & 0.50 < E(\mathbf{x}) \leq 0.75 \\ \text{outside} & E(\mathbf{x}) \leq 0.50 \end{cases}$$
| 狀態 | 物理含義 | |------|----------| | deep | 環境極有利，深在盆地，風暴可長期維持 | | edge | 接近盆地邊緣，環境開始惡化，需持續監測 | | outside | 已出盆地，環境無法支撐氣旋，消散不可避免 |
距消散流形距離：
$$d_A(\mathbf{x}) = \max\!\left(0,\; E(\mathbf{x}) - 0.5\right)$$
3.4 環境消散風險
$$R_{\text{env}} := 1 - E(\mathbf{x}) \in [0, 1]$$
$R_{\text{env}}$ 是慢速信號：SST 的下降、風切的增強通常在數天尺度發生，提供中長期預警能力。
3.5 Lorenz 抽象版（教學替代）
對於純概念研究或缺乏環境觀測的情境，可用 Lorenz 系統作為環境狀態的玩具替代：
$$\frac{dx}{dt} = \sigma(y-x), \quad \frac{dy}{dt} = x(\rho-z)-y, \quad \frac{dz}{dt} = xy-\beta z$$
取標準參數 $\sigma=10,\, \rho=28,\, \beta=8/3$。Lorenz 吸引子的兩個葉片中心為：
$$\mathbf{c}_\pm = \left(\pm\sqrt{\beta(\rho-1)},\; \pm\sqrt{\beta(\rho-1)},\; \rho-1\right) \approx (\pm 8.49,\; \pm 8.49,\; 27)$$
距盆地中心距離：$d_L(t) = \min\bigl(\|\mathbf{s}(t) - \mathbf{c}+\|,\; \|\mathbf{s}(t) - \mathbf{c}-\|\bigr)$
Lorenz 環境支撐度：$E_L(t) = \text{clip}(1 - d_L / r_A, \; 0, \; 1)$，其中 $r_A \approx 15$ 為盆地半徑。
注意：Lorenz 版為純概念教學工具，不代表颱風物理。
四、聯合預測器
4.1 聯合風險公式
$$\boxed{R_{\text{joint}} = \sqrt{R_{\text{ETN}} \cdot R_{\text{env}}} = \sqrt{(1-\text{SE}_n)(1-E(\mathbf{x}))}}$$
幾何平均的選擇理由：
幾何平均實現了雙重確認結構：
$$R_{\text{ETN}} = 0 \;\Rightarrow\; R_{\text{joint}} = 0 \qquad (\text{眼牆完好，無消散})$$ $$R_{\text{env}} = 0 \;\Rightarrow\; R_{\text{joint}} = 0 \qquad (\text{環境極有利，無消散})$$ $$R_{\text{ETN}} \to 1,\; R_{\text{env}} \to 1 \;\Rightarrow\; R_{\text{joint}} \to 1 \qquad (\text{雙重失守，高確信消散})$$
算術平均 $(R_{\text{ETN}} + R_{\text{env}})/2$ 的問題是允許「一強補一弱」——環境完全失守但眼牆完好時仍輸出高風險值，違背物理直覺。幾何平均切斷這個後門。
4.2 消散判定門檻
$$\text{dissipation imminent} \iff R_{\text{joint}} \geq \tau_{\text{joint}}$$
推薦初始值：$\tau_{\text{joint}} = 0.65$（對應各分量風險均約為 0.42 以上）。
高置信消散：$R_{\text{joint}} \geq \tau_{\text{HC}} = 0.80$。
門檻值應依不同洋盆（西太平洋、大西洋、印度洋）以歷史資料定標。
4.3 四象限診斷框架
$$\begin{array}{c|c|c} & R_{\text{ETN}} \text{ 低} & R_{\text{ETN}} \text{ 高} \\ \hline \text{deep / edge} & \textbf{穩定維持} & \textbf{短期波動，可恢復} \\ & R_{\text{joint}} \approx 0\text{~}0.15 & R_{\text{joint}} \approx 0.25\text{~}0.45 \\ \hline \text{edge / outside} & \textbf{環境惡化，持續監測} & \textbf{★ 高確信度消散} \\ & R_{\text{joint}} \approx 0.15\text{~}0.40 & R_{\text{joint}} \geq 0.65 \\ \end{array}$$
4.4 趨勢信號
定義最近 $n$ 步的趨勢指標：
$$\Delta \text{SE}_n = \text{SE}_n^{(t)} - \text{SE}_n^{(t-n)}, \qquad \Delta E = E^{(t)} - E^{(t-n)}$$
| $\Delta \text{SE}_n$ | $\Delta E$ | 趨勢判讀 | |---|---|---| | > +0.05 | > +0.05 | ⚡ 急速增強（RI） | | < −0.05 | < −0.05 | ★ 快速消散 | | < −0.05 | ≈ 0 | 眼牆退化中 | | ≈ 0 | < −0.05 | 環境惡化中 |
趨勢信號提供比即時風險更早的預警能力：RI 信號在強度突破前即可偵測（$\Delta \text{SE}_n$ 上升先於最大風速增加），消散信號在眼完全崩潰前即出現（$\Delta \text{SE}_n$ 下降先於中心氣壓回升）。
五、兩個時間尺度的協同機制
JSDF 的核心洞見是：風暴消散需要在兩個時間尺度上同時失守，而不是任何單一信號的觸發。
$$\underbrace{R_{\text{ETN}}}{\text{快速（小時尺度）}} \times \underbrace{R{\text{env}}}{\text{慢速（天尺度）}} \;\longrightarrow\; R{\text{joint}}$$
物理意義：
- 一個在環境有利的海域（$E$ 高）出現眼牆混亂（SE_n 低）的颱風，具有恢復能力——環境在「修復」⊛ 結構。對應四象限的第一行右列。
- 一個在乾燥、高風切環境中（$E$ 低）仍有完好眼牆（SE_n 高）的颱風，正在「預支」最後的結構穩定性。消散不遠，但尚未觸發。對應第二行左列。
- 只有兩個條件同時滿足，消散才是高確信度的、即時的。
這個機制對應到 ETN 動態中心論的風暴眼原理：⊛ 的靜止需要內部對稱（眼牆均衡）和外部錨定（環境供能）同時成立。內外缺一，⊛ 終將退化。
六、應用場景：全球氣象平台接口設計
6.1 資料流設計
[資料層]
NWP 輸出（GFS / ECMWF / JMA，每 6 小時）
└→ 氣壓場 p(x,y)、風場 u(x,y)、v(x,y)
衛星觀測（MSG / Himawari / GOES，每 30 分鐘）
└→ 紅外亮溫 → 角向張力估算 T(θ)
海洋分析（OISST、OSTIA，每日）
└→ SST → EnvironmentAttractor 更新
大氣再分析（ERA5，延遲）
└→ 風切、濕度 → 門檻定標基準
[JSDF 計算層]
ETNStormEye.diagnose(T(θ)) → SE_n、R_ETN、drift
EnvironmentAttractor.diagnose(x) → E(x)、R_env
JointStormPredictor.predict() → R_joint、判讀
JointStormPredictor.trend() → ΔSE_n、ΔE
[輸出層]
API /api/storm/{id}/etn_status（每 30 分鐘更新）
回傳：R_joint、SE_n、E(x)、drift、判讀文字、敵對因子列表6.2 前端顯示建議
地圖覆蓋層：每個活躍氣旋標注 ⊛ 圈，以 $\text{SE}_n$ 著色。
$$\text{顏色} := \begin{cases} \text{綠} & \text{SE}_n > 0.80 \\ \text{黃} & 0.65 < \text{SE}_n \leq 0.80 \\ \text{橙} & 0.50 < \text{SE}_n \leq 0.65 \\ \text{紅} & \text{SE}_n \leq 0.50 \end{cases}$$
時間序列面板：$\text{SE}n$、$E(\mathbf{x})$、$R{\text{joint}}$ 的 72 小時歷史折線圖。
預警卡片：$R_{\text{joint}} \geq \tau_{\text{joint}}$ 時觸發，顯示敵對因子與置信度。
七、局限與未來方向
7.1 當前局限
門檻定標問題：$\tau_{\text{SE}}$、$\tau_{\text{joint}}$ 的最佳值依洋盆、季節、颱風強度等條件而異。本框架給出初始推薦值（0.65），正式版需以歷史氣旋資料進行分洋盆的受試者工作特性（ROC）分析定標。
角向張力估算的不確定性：$T(\theta)$ 從衛星資料估算時，受雲層覆蓋、傳感器分辨率、時間插值等因素影響，在近赤道地區和雙眼牆期間誤差較大。
時間不對稱性：目前的幾何平均對 $R_{\text{ETN}}$ 和 $R_{\text{env}}$ 給予相同權重。物理上，短期（12小時）預報應更信任 ETN，中長期（48~72小時）應更信任吸引子。正式版可引入時間加權：
$$R_{\text{joint}}(\tau) = \left(R_{\text{ETN}}\right)^{w_1(\tau)} \cdot \left(R_{\text{env}}\right)^{w_2(\tau)}, \quad w_1 + w_2 = 1$$
其中 $w_1(\tau)$ 為預報時效 $\tau$ 的遞減函數。
多中心氣旋：雙颱風效應（Fujiwara interaction）下，兩個 ⊛ 相互干擾，ETN 元件的單中心假設失效。多中心耦合的 ETN 形式化留待後續研究。
7.2 未來方向
- 自動定標模組：以大量歷史路徑和強度資料自動優化各門檻和權重
- 機器學習橋接：以 JSDF 的 SE_n 和 $E(\mathbf{x})$ 作為特徵，訓練深度學習模型進行精確機率預測
- 與 WT V 測度的整合：SE_n 對應 WT 的真實性測度 V，高 $\text{SE}_n$ 的眼牆結構對應高 V 的「真實織入」存在——兩者的形式整合有待完成
八、哲學結語：兩個信號的必要性
存在物的消亡，從來不是一個信號的事。
風暴眼的崩潰（⊛ 退化）說的是內部結構的失守；環境的惡化（吸引子盆地的出走）說的是外部支撐的撤離。任何一個單獨的失守，都不足以斷言消亡——因為世界有修復能力：好的環境可以重建眼牆，穩定的內部結構可以抵禦短暫的環境壓力。
只有當內外同時失守，消亡才是真正的、迫在眉睫的。
這個結構不只是颱風預測的技術問題。它是一個關於「什麼條件下一個動態結構會消散」的本體論命題——而這個命題的答案，是雙重確認，是幾何平均，是不允許任何一側獨自撐起消亡判定的互斥門結構。
⊛ 退化，是眼在掙扎。
環境失守，是天在收回。
兩者同時，風暴才真正地走向它的終點。
附錄 A：程式碼
以下為 JSDF 教學概念版完整實作（ETN-Storm v0.2）。
包含：ETNStormEye、EnvironmentAttractor、LorenzToyAttractor、JointStormPredictor四個核心類別，以及四個教學示範函式。
# ["""
聯合風暴消散預測系統 ─ AI 教學概念版
Joint Storm Dissipation Predictor: ETN Storm Eye × Attractor
EML-ETN-STORM-2026-v0.2-TEACHING
理論基礎：
ETN 動態風暴眼原理（⊛）× 吸引子動力學
兩個信號，兩個時間尺度，一個聯合判斷
設計原則：
・概念清晰 > 計算效率
・每個類別明確對應一個理論元件
・可直接擴展至真實 NWP 資料接口
作者：Neo.K + Theia
機構：EveMissLab Logic Matrix
版本：v0.2 教學概念版（正式版另行開發）
"""
import numpy as np
from dataclasses import dataclass, field
from typing import Optional
# ═══════════════════════════════════════════════════════
# § 0 理論地圖
#
# 風暴消散需要兩個條件同時成立：
#
# [快速/局部] ETN 風暴眼信號
# ・SE_n 衡量眼牆對稱性（⊛ 是否成立）
# ・可在數小時內劇烈變化
# ・捕捉：眼牆替換、對流爆發/崩潰、風切侵入
#
# [慢速/全局] 吸引子環境信號
# ・衡量風暴所在環境是否支持其存在
# ・通常在數天尺度變化
# ・捕捉：SST 降低、乾空氣入侵、引導流崩潰
#
# 聯合判斷：
# joint_risk = √(etn_risk × env_risk)
# 任一信號為 0 → 聯合風險仍低
# 兩者同時高 → 高確信度消散
# ═══════════════════════════════════════════════════════
# ───────────────────────────────────────────────────────
# § 1 ETN 風暴眼元件（快速/局部）
# ───────────────────────────────────────────────────────
@dataclass
class ETNDiagnostic:
"""ETN ⊛ 診斷結果。"""
se_n: float # SE_n 對稱度：1=完美，0=崩潰
intensity: float # 對稱張力大小（ETN 強度）
drift: np.ndarray # 預測漂移向量
god_balance: float # 上下 GOD POINT 平衡
is_well_defined: bool # ⊛ 是否成立
etn_risk: float # 1 - se_n（ETN 消散風險）
class ETNStormEye:
"""
ETN 風暴眼元件。
理論對應：
⊛_n 的完整操作定義
SE_n = 張力對稱度 = 風暴眼是否「被均勻拉住」
輸入：
可以是真實的極區角分析資料，
也可以是從氣壓場/衛星亮溫估算的角向張力剖面。
教學簡化：
直接接受「角向張力剖面」作為輸入，
不做完整的場插值（v0.1 已實作，此處抽象化）。
"""
SE_WELL_DEFINED = 0.65 # ⊛ 成立門檻
def __init__(self, n_angles: int = 36):
self.n_angles = n_angles
self.angles = np.linspace(0, 2 * np.pi, n_angles, endpoint=False)
def diagnose(self, angular_tension: np.ndarray) -> ETNDiagnostic:
"""
從角向張力剖面 T(θ) 計算 ETN 診斷量。
T(θ) 的物理來源（擇一）：
・雷達回波強度的角向分佈
・衛星紅外亮溫的角向均勻度
・氣壓梯度的角向積分
・數值模式的角向風場分量
ETN 含義：
T(θ) 高且均勻 → ⊛ 成立，眼穩定
T(θ) 高但不均勻 → ⊛ 張力失衡，眼即將漂移
T(θ) 整體低 → ⊛ 退化，眼即將消散
"""
T = np.abs(angular_tension)
mean_T = np.mean(T)
# SE_n：1 - 變異係數
if mean_T < 1e-10:
se_n = 0.0
else:
se_n = float(np.clip(1.0 - np.std(T) / mean_T, 0, 1))
# ETN 漂移：張力不對稱的淨力方向
# 物理意義：⊛ 往 GOD POINT 更強的方向漂移
F_x = float(np.mean(T * np.cos(self.angles)))
F_y = float(np.mean(T * np.sin(self.angles)))
drift = np.array([F_y, F_x]) * 0.1
# GOD POINT 平衡：上下半球對比
upper = np.mean(T[:self.n_angles // 2])
lower = np.mean(T[self.n_angles // 2:])
total = upper + lower
god_balance = float(1.0 - abs(upper - lower) / total) if total > 1e-10 else 0.0
return ETNDiagnostic(
se_n=se_n,
intensity=float(mean_T),
drift=drift,
god_balance=god_balance,
is_well_defined=se_n >= self.SE_WELL_DEFINED,
etn_risk=1.0 - se_n
)
def from_pressure_wind(self,
pressure: np.ndarray,
wind_u: np.ndarray,
wind_v: np.ndarray,
eye: np.ndarray,
radius: float = 20.0) -> ETNDiagnostic:
"""
從氣壓場和風場直接估算角向張力剖面並診斷。
（橋接至真實 NWP 資料的接口）
"""
ny, nx = pressure.shape
T = np.zeros(self.n_angles)
for i, theta in enumerate(self.angles):
px = np.clip(eye[1] + radius * np.cos(theta), 0, nx - 1)
py = np.clip(eye[0] + radius * np.sin(theta), 0, ny - 1)
ix, iy = int(px), int(py)
p_val = pressure[iy, ix]
p_eye = pressure[int(eye[0]), int(eye[1])]
u_val = wind_u[iy, ix]
v_val = wind_v[iy, ix]
wind_in = -(u_val * np.cos(theta) + v_val * np.sin(theta))
T[i] = max(0, -(p_val - p_eye) / (radius + 1e-8) + 0.3 * wind_in)
return self.diagnose(T)
# ───────────────────────────────────────────────────────
# § 2 吸引子環境元件（慢速/全局）
# 兩種版本：A. 環境向量版（實用）
# B. Lorenz 玩具版（理論教學）
# ───────────────────────────────────────────────────────
@dataclass
class AttractorDiagnostic:
"""吸引子環境診斷結果。"""
env_score: float # 環境支持度：1=極有利，0=極不利
distance_to_boundary: float # 距消散流形的距離
env_risk: float # 1 - env_score（環境消散風險）
hostile_factors: list # 已觸發的敵對因子
attractor_state: str # "deep"（盆地深處）/ "edge"（邊緣）/ "outside"（已出盆地）
class EnvironmentAttractor:
"""
環境狀態吸引子元件（實用版）。
理論對應：
風暴在多維環境空間中的軌跡。
「吸引子盆地」= 能維持熱帶氣旋的環境條件集合。
「消散流形」= 吸引子的邊界。
關鍵環境變數（狀態向量 x）：
sst 海溫（℃），門檻 26°C
shear 垂直風切（m/s），門檻 15 m/s
humidity 中層濕度（%），門檻 50%
vorticity 低層渦度（×10⁻⁵ s⁻¹），門檻 5
intensity 當前強度（hPa 氣壓差），門檻 15 hPa
設計哲學：
不需要積分完整的 Navier-Stokes。
環境條件直接告訴你風暴「還在不在有利的盆地裡」。
"""
# 各環境因子的門檻與權重
THRESHOLDS = {
'sst': {'min': 26.0, 'weight': 0.30, 'direction': 'above'},
'shear': {'max': 15.0, 'weight': 0.25, 'direction': 'below'},
'humidity': {'min': 50.0, 'weight': 0.20, 'direction': 'above'},
'vorticity': {'min': 5.0, 'weight': 0.15, 'direction': 'above'},
'intensity': {'min': 15.0, 'weight': 0.10, 'direction': 'above'},
}
def diagnose(self,
sst: float,
shear: float,
humidity: float,
vorticity: float,
intensity: float) -> AttractorDiagnostic:
"""
從環境狀態向量計算吸引子診斷量。
env_score 的計算：
每個因子計算「距門檻的正規化距離」
加權平均後得到總環境支持度
吸引子意義：
env_score ≈ 1.0 → 深在盆地，環境極有利
env_score ≈ 0.5 → 接近盆地邊緣
env_score ≈ 0.0 → 已出盆地，消散不可避免
"""
values = {
'sst': sst,
'shear': shear,
'humidity': humidity,
'vorticity': vorticity,
'intensity': intensity,
}
scores = {}
hostile = []
for var, cfg in self.THRESHOLDS.items():
v = values[var]
w = cfg['weight']
if cfg['direction'] == 'above':
threshold = cfg['min']
# 正規化：高於門檻越多越好，最多得 1.0
raw = np.clip((v - threshold) / (threshold * 0.5), -1, 1)
score = (raw + 1) / 2 # 映射到 [0,1]
if v < threshold:
hostile.append(f"{var}<{threshold}（實際{v:.1f}）")
else:
threshold = cfg['max']
# 正規化：低於門檻越多越好
raw = np.clip((threshold - v) / (threshold * 0.5), -1, 1)
score = (raw + 1) / 2
if v > threshold:
hostile.append(f"{var}>{threshold}（實際{v:.1f}）")
scores[var] = score * w
env_score = float(sum(scores.values()))
d_boundary = max(0.0, env_score - 0.5) # 0.5 為邊界
if env_score > 0.75:
state = "deep"
elif env_score > 0.5:
state = "edge"
else:
state = "outside"
return AttractorDiagnostic(
env_score=env_score,
distance_to_boundary=d_boundary,
env_risk=1.0 - env_score,
hostile_factors=hostile,
attractor_state=state
)
class LorenzToyAttractor:
"""
Lorenz 玩具吸引子（純教學版）。
理論對應：
把風暴系統的「環境狀態」抽象為 3D Lorenz 系統。
當軌跡遠離 Lorenz 吸引子核心 → 環境在惡化。
當軌跡逃出吸引子盆地 → 系統不可恢復。
注意：
這不是真實颱風的物理模型。
它是一個「理解吸引子概念」的數學玩具。
實際使用請用 EnvironmentAttractor。
Lorenz 方程：
dx/dt = σ(y - x)
dy/dt = x(ρ - z) - y
dz/dt = xy - βz
"""
def __init__(self, sigma=10.0, rho=28.0, beta=8/3):
self.sigma = sigma
self.rho = rho
self.beta = beta
# Lorenz 吸引子的近似「中心」（兩個葉片中心）
self.attractor_centers = [
np.array([np.sqrt(beta * (rho-1)), np.sqrt(beta * (rho-1)), rho-1]),
np.array([-np.sqrt(beta * (rho-1)), -np.sqrt(beta * (rho-1)), rho-1]),
]
self.attractor_radius = 15.0 # 經驗性盆地半徑
# 當前狀態
self.state = np.array([1.0, 1.0, 1.0])
def step(self, dt=0.01) -> np.ndarray:
"""積分 Lorenz 系統一步。"""
x, y, z = self.state
dx = self.sigma * (y - x)
dy = x * (self.rho - z) - y
dz = x * y - self.beta * z
self.state += np.array([dx, dy, dz]) * dt
return self.state.copy()
def distance_to_attractor(self) -> float:
"""
計算當前狀態到最近吸引子中心的距離。
吸引子意義：
距離小 → 深在盆地（環境穩定）
距離大 → 遠離吸引子（環境惡化）
距離 > attractor_radius → 系統逃出盆地（消散不可逆）
"""
dists = [np.linalg.norm(self.state - c) for c in self.attractor_centers]
return float(min(dists))
def env_score(self) -> float:
"""將距離映射到 [0,1] 的環境分數。"""
d = self.distance_to_attractor()
return float(np.clip(1.0 - d / self.attractor_radius, 0, 1))
def perturb(self, strength: float = 5.0):
"""施加環境擾動（模擬風切增加、乾空氣入侵等）。"""
self.state += np.random.randn(3) * strength
# ───────────────────────────────────────────────────────
# § 3 聯合預測器（核心）
# ───────────────────────────────────────────────────────
@dataclass
class JointPrediction:
"""聯合預測結果。"""
# ETN 信號
se_n: float
etn_risk: float
is_well_defined: bool
drift: np.ndarray
# 吸引子信號
env_score: float
env_risk: float
attractor_state: str
hostile_factors: list
# 聯合判斷
joint_risk: float
dissipation_imminent: bool
prediction: str # 文字判讀
confidence: float # 預測置信度
# 時步
t: int = 0
class JointStormPredictor:
"""
聯合風暴消散預測器。
核心邏輯：
ETN ⊛ × 吸引子環境 → 雙重確認機制
┌─────────────────────────────────────────┐
│ ETN 風險 │
│ 低 │ 高 │
├────────────┼────────────────────────────┤
│ 穩定 │ 短期波動 │ 吸引子風險低
│ （環境好 │ （眼牆暫時混亂） │
│ 眼也好） │ 可能恢復 │
├────────────┼────────────────────────────┤
│ 環境惡化 │ ★ 高確信度消散 │ 吸引子風險高
│ 但眼尚穩 │ 內外同時失守 │
│ 觀察等待 │ 即將發生 │
└────────────┴────────────────────────────┘
聯合風險公式：
joint_risk = √(etn_risk × env_risk)
幾何平均的選擇原因：
任一信號為 0 → 聯合風險歸零
（一個信號不夠，需要雙重確認）
兩者都高 → 聯合風險高
（這才是真正的消散信號）
"""
DISSIPATION_THRESHOLD = 0.65 # 聯合風險門檻
HIGH_CONFIDENCE_THRESHOLD = 0.80
def __init__(self,
etn: Optional[ETNStormEye] = None,
attractor_type: str = "environment"):
"""
attractor_type:
"environment" → EnvironmentAttractor（實用，推薦）
"lorenz" → LorenzToyAttractor（教學概念）
"""
self.etn = etn or ETNStormEye()
self.attractor_type = attractor_type
if attractor_type == "lorenz":
self.attractor = LorenzToyAttractor()
else:
self.attractor = EnvironmentAttractor()
self.history: list[JointPrediction] = []
self._t = 0
def predict(self,
angular_tension: np.ndarray,
env_state: Optional[dict] = None,
lorenz_perturb: float = 0.0) -> JointPrediction:
"""
聯合預測主函式。
angular_tension:
shape (n_angles,) 的角向張力剖面
來源：ETN v0.1 的 TensionField.angular_profile()
env_state（attractor_type = "environment" 時使用）:
{
'sst': 28.5, # 海溫 (℃)
'shear': 8.0, # 垂直風切 (m/s)
'humidity': 65.0, # 中層濕度 (%)
'vorticity': 8.0, # 低層渦度 (×10⁻⁵ s⁻¹)
'intensity': 35.0, # 強度（氣壓差 hPa）
}
"""
# ETN 診斷（快速/局部）
etn_diag = self.etn.diagnose(angular_tension)
# 吸引子診斷（慢速/全局）
if self.attractor_type == "lorenz":
if lorenz_perturb > 0:
self.attractor.perturb(lorenz_perturb)
self.attractor.step()
env_score = self.attractor.env_score()
env_risk = 1.0 - env_score
d_boundary = self.attractor.distance_to_attractor()
if env_score > 0.75:
a_state = "deep"
elif env_score > 0.5:
a_state = "edge"
else:
a_state = "outside"
hostile = [f"Lorenz距離={d_boundary:.2f}"] if d_boundary > 12 else []
else:
if env_state is None:
# 預設：中立環境
env_state = {
'sst': 28.0, 'shear': 10.0,
'humidity': 60.0, 'vorticity': 7.0, 'intensity': 25.0
}
a_diag = self.attractor.diagnose(**env_state)
env_score = a_diag.env_score
env_risk = a_diag.env_risk
a_state = a_diag.attractor_state
hostile = a_diag.hostile_factors
# 聯合風險：幾何平均
joint_risk = float(np.sqrt(etn_diag.etn_risk * env_risk))
# 文字判讀
prediction, confidence = self._interpret(
etn_diag.etn_risk, env_risk, joint_risk,
etn_diag.is_well_defined, a_state
)
result = JointPrediction(
se_n=etn_diag.se_n,
etn_risk=etn_diag.etn_risk,
is_well_defined=etn_diag.is_well_defined,
drift=etn_diag.drift,
env_score=env_score,
env_risk=env_risk,
attractor_state=a_state,
hostile_factors=hostile,
joint_risk=joint_risk,
dissipation_imminent=joint_risk >= self.DISSIPATION_THRESHOLD,
prediction=prediction,
confidence=confidence,
t=self._t
)
self.history.append(result)
self._t += 1
return result
def _interpret(self, etn_r, env_r, joint_r,
well_defined, a_state) -> tuple:
"""
將數值風險轉化為可理解的文字判讀。
對應教學框架的四個象限。
"""
if joint_r >= self.HIGH_CONFIDENCE_THRESHOLD:
return "★ 高確信度消散：ETN ⊛ 退化 + 環境失守，內外同時失守", 0.90
if joint_r >= self.DISSIPATION_THRESHOLD:
if etn_r > env_r:
return "眼牆崩潰主導消散，環境尚有餘地", 0.70
else:
return "環境惡化主導消散，眼牆已開始響應", 0.70
if etn_r > 0.45 and env_r < 0.35:
return "⚡ 短期波動（眼牆暫亂），環境支持，可能恢復", 0.60
if env_r > 0.45 and etn_r < 0.35:
return "⚠ 環境緩慢惡化中，眼尚穩，持續監測", 0.55
if not well_defined and a_state == "outside":
return "★ 高確信度消散：⊛ 退化 + 已出吸引子盆地", 0.88
if well_defined and a_state == "deep":
return "✓ 穩定維持：⊛ 成立，環境有利", 0.80
return "中性：繼續觀察", 0.50
def trend(self, n: int = 5) -> dict:
"""
分析最近 n 步的趨勢。
關鍵趨勢信號：
ETN 快降 + 吸引子邊界迫近 → 消散加速
ETN 上升 + 吸引子深入 → 急速增強
"""
if len(self.history) < 2:
return {'error': '歷史不足'}
recent = self.history[-min(n, len(self.history)):]
d_se_n = recent[-1].se_n - recent[0].se_n
d_env = recent[-1].env_score - recent[0].env_score
d_joint = recent[-1].joint_risk - recent[0].joint_risk
trend_label = "持平"
if d_se_n > 0.05 and d_env > 0.05:
trend_label = "⚡ 急速增強中（ETN↑ + 環境↑）"
elif d_se_n < -0.05 and d_env < -0.05:
trend_label = "★ 快速消散中（ETN↓ + 環境↓）"
elif d_se_n < -0.05:
trend_label = "眼牆退化中（ETN↓）"
elif d_env < -0.05:
trend_label = "環境惡化中（環境↓）"
return {
'trend': trend_label,
'se_n_change': round(d_se_n, 3),
'env_change': round(d_env, 3),
'joint_risk_change': round(d_joint, 3),
}
# ───────────────────────────────────────────────────────
# § 4 合成資料生成器（教學用）
# ───────────────────────────────────────────────────────
def make_angular_tension(n_angles: int = 36,
base: float = 10.0,
asym_angle: float = 0.0,
asym_strength: float = 0.0,
noise: float = 0.3) -> np.ndarray:
"""
生成合成角向張力剖面 T(θ)。
base : 對稱基礎張力
asym_angle : 不對稱方向（弧度）
asym_strength : 不對稱強度（0 = 完全對稱）
noise : 隨機擾動強度
"""
angles = np.linspace(0, 2 * np.pi, n_angles, endpoint=False)
T = (base
+ asym_strength * np.cos(angles - asym_angle)
+ noise * np.random.randn(n_angles))
return np.maximum(T, 0)
def make_env_state(sst: float = 28.0,
shear: float = 8.0,
humidity: float = 65.0,
vorticity: float = 8.0,
intensity: float = 30.0) -> dict:
return {
'sst': sst,
'shear': shear,
'humidity': humidity,
'vorticity': vorticity,
'intensity': intensity,
}
# ───────────────────────────────────────────────────────
# § 5 教學示範
# ───────────────────────────────────────────────────────
def _header(title: str):
print("\n" + "═" * 62)
print(f" {title}")
print("═" * 62)
def _row(pred: JointPrediction):
"""格式化輸出一行預測結果。"""
flag = "💀" if pred.dissipation_imminent else ("⚡" if pred.se_n > 0.85 and pred.env_score > 0.80 else " ")
print(
f" t={pred.t:02d} │ "
f"SE_n={pred.se_n:.2f} ETN_r={pred.etn_risk:.2f} │ "
f"ENV={pred.env_score:.2f} ENV_r={pred.env_risk:.2f} │ "
f"聯合={pred.joint_risk:.2f} {flag}"
)
def demo_four_quadrants():
"""
教學示範一：四象限情境
驗證聯合預測器的核心邏輯。
"""
_header("示範一：四象限情境驗證")
print("""
情境 A：ETN 低風險 + 吸引子深處 → 穩定
情境 B：ETN 高風險 + 吸引子深處 → 短期波動，可能恢復
情境 C：ETN 低風險 + 吸引子邊緣 → 環境惡化，觀察等待
情境 D：ETN 高風險 + 吸引子邊緣 → 高確信度消散
""")
scenarios = {
'A（穩定）': {
'T': make_angular_tension(asym_strength=0.0, base=12.0, noise=0.2),
'E': make_env_state(sst=29.0, shear=5.0, humidity=70.0),
},
'B（短期波動）': {
'T': make_angular_tension(asym_strength=8.0, asym_angle=1.0, base=10.0),
'E': make_env_state(sst=29.0, shear=5.0, humidity=70.0),
},
'C（環境惡化）': {
'T': make_angular_tension(asym_strength=0.5, base=10.0, noise=0.2),
'E': make_env_state(sst=26.5, shear=18.0, humidity=45.0),
},
'D（高確信消散）': {
'T': make_angular_tension(asym_strength=9.0, asym_angle=0.5, base=8.0),
'E': make_env_state(sst=25.5, shear=22.0, humidity=40.0, intensity=12.0),
},
}
for name, data in scenarios.items():
pred = JointStormPredictor().predict(data['T'], data['E'])
print(f"\n [{name}]")
print(f" SE_n={pred.se_n:.3f} "
f"ENV={pred.env_score:.3f} "
f"聯合風險={pred.joint_risk:.3f}")
print(f" → {pred.prediction}")
def demo_full_lifecycle():
"""
教學示範二：完整生命週期模擬
從發展到成熟到消散的完整過程。
"""
_header("示範二：颱風完整生命週期（環境版）")
print(" t=00-04 : 發展期（環境有利，眼牆組織化）")
print(" t=05-09 : 成熟期（對稱高張力，深在吸引子）")
print(" t=10-14 : 消散期（登陸後摩擦 + 乾空氣入侵）")
predictor = JointStormPredictor(attractor_type="environment")
print()
print(f" {'t':>3} │ SE_n ETN_r │ ENV ENV_r │ 聯合 診斷")
print(f" {'─'*3}─┼─{'─'*11}─┼─{'─'*11}─┼─{'─'*16}")
phases = [
# (T_params, E_params, n_steps)
# 發展期
({'base': 5.0, 'asym_strength': 5.0, 'noise': 0.8},
{'sst': 29.0, 'shear': 7.0, 'humidity': 68.0, 'vorticity': 9.0, 'intensity': 18.0},
5),
# 成熟期
({'base': 14.0, 'asym_strength': 0.5, 'noise': 0.3},
{'sst': 30.0, 'shear': 4.0, 'humidity': 75.0, 'vorticity': 12.0, 'intensity': 45.0},
5),
# 消散期
({'base': 8.0, 'asym_strength': 7.0, 'noise': 1.0},
{'sst': 25.5, 'shear': 20.0, 'humidity': 42.0, 'vorticity': 4.0, 'intensity': 15.0},
5),
]
for t_params, e_params, steps in phases:
for _ in range(steps):
T = make_angular_tension(**t_params)
E = make_env_state(**e_params)
pred = predictor.predict(T, E)
flag = "💀" if pred.dissipation_imminent else ("★" if pred.se_n > 0.85 else " ")
print(f" {pred.t:>3} │ "
f"{pred.se_n:.3f} {pred.etn_risk:.3f} │ "
f"{pred.env_score:.3f} {pred.env_risk:.3f} │ "
f"{pred.joint_risk:.3f} {flag}")
tr = predictor.trend(5)
print(f"\n 最後 5 步趨勢：{tr['trend']}")
print(f" SE_n 變化={tr['se_n_change']:+.3f} "
f"ENV 變化={tr['env_change']:+.3f} "
f"聯合風險變化={tr['joint_risk_change']:+.3f}")
def demo_lorenz_version():
"""
教學示範三：Lorenz 玩具吸引子版
純概念理解用，不代表真實颱風物理。
"""
_header("示範三：Lorenz 玩具吸引子（概念版）")
print(" Lorenz 系統作為「環境狀態」的抽象替代。")
print(" 當 Lorenz 軌跡遠離吸引子核心 → 環境惡化。")
print()
print(" t=00-05 : 初始穩定軌跡")
print(" t=06 : 強力環境擾動（模擬颱風接近寒流）")
print(" t=07-12 : 觀察系統反應")
print()
predictor = JointStormPredictor(attractor_type="lorenz")
for t in range(13):
T = make_angular_tension(
base=10.0,
asym_strength=(0.5 if t < 6 else 5.0 + t * 0.5),
noise=0.4
)
perturb = 12.0 if t == 6 else 0.0
pred = predictor.predict(T, lorenz_perturb=perturb)
flag = "💥" if t == 6 else ("💀" if pred.dissipation_imminent else " ")
print(f" t={t:02d}: SE_n={pred.se_n:.2f} │ "
f"Lorenz環境={pred.env_score:.2f} │ "
f"聯合={pred.joint_risk:.2f} {flag}")
if t == 6:
print(" ↑ 強力擾動施加（Lorenz 被踢出穩定軌跡）")
def demo_website_api_sketch():
"""
教學示範四：全球氣象網站接口設計草圖
展示如何將本系統整合至實際服務。
"""
_header("示範四：全球氣象網站接口設計草圖")
print("""
概念架構：
[資料源]
NWP 模式（GFS / ECMWF / JMA）
→ 氣壓場、風場（每 6 小時更新）
觀測資料（衛星 IR、雷達）
→ 角向亮溫剖面 → ETN angular_tension
再分析資料（ERA5）
→ 環境狀態向量 → EnvironmentAttractor
[ETN-Storm v0.2 核心]
ETNStormEye.from_pressure_wind() → SE_n、漂移
EnvironmentAttractor.diagnose() → env_score
JointStormPredictor.predict() → joint_risk、判讀
JointStormPredictor.trend() → 趨勢信號
[輸出接口]
API 端點：/api/storm/{storm_id}/etn_status
回傳 JSON：{
"storm_id": "MAWAR-2026",
"timestamp": "2026-06-05T12:00Z",
"eye_position": [lat, lon],
"se_n": 0.82,
"etn_risk": 0.18,
"env_score": 0.71,
"joint_risk": 0.36,
"dissipation_imminent": false,
"prediction": "✓ 穩定維持",
"confidence": 0.80,
"drift_vector": [0.12, -0.05],
"hostile_factors": []
}
[前端顯示]
地圖覆蓋層：每個活躍颱風的 ⊛ 圈
顏色編碼：綠（SE_n > 0.8）→ 黃 → 紅（⊛ 退化）
時間序列圖：SE_n + env_score + joint_risk 的 72 小時歷史
預警卡片：joint_risk > 0.65 時彈出
""")
# 模擬一個 API 回傳
T = make_angular_tension(base=11.0, asym_strength=1.5, noise=0.3)
E = make_env_state(sst=28.5, shear=9.0, humidity=67.0)
pred = JointStormPredictor().predict(T, E)
import json
api_response = {
"storm_id": "DEMO-2026",
"se_n": round(pred.se_n, 3),
"etn_risk": round(pred.etn_risk, 3),
"env_score": round(pred.env_score, 3),
"joint_risk": round(pred.joint_risk, 3),
"dissipation_imminent": pred.dissipation_imminent,
"prediction": pred.prediction,
"confidence": round(pred.confidence, 2),
"hostile_factors": pred.hostile_factors,
}
print(" 範例 API 回傳：")
print(" " + json.dumps(api_response, ensure_ascii=False, indent=2)
.replace("\n", "\n "))
# ───────────────────────────────────────────────────────
# 主程式
# ───────────────────────────────────────────────────────
if __name__ == "__main__":
np.random.seed(2026)
demo_four_quadrants()
demo_full_lifecycle()
demo_lorenz_version()
demo_website_api_sketch()
print("\n" + "═" * 62)
print(" ETN-Storm v0.2 教學概念版完成")
print(" ⊛ 是局部快信號，吸引子是全局慢信號")
print(" 消散 = 兩個信號的幾何平均 > 門檻")
print("═" * 62)
]附錄 B：符號索引
| 符號 | 定義 | 對應元件 | |---|---|---| | $\circledast_n$ | ETN 動態不動點（風暴眼） | ETN | | $G_n^-$ | n 域下界 GOD POINT | ETN | | $T(\theta)$ | 角向張力剖面 | ETN | | $\text{SE}n$ | ⊛ 對稱度量：$1 - \sigma(T)/\mu(T)$ | ETN | | $R{\text{ETN}}$ | ETN 消散風險：$1 - \text{SE}n$ | ETN | | $\vec{F}{\text{drift}}$ | ⊛ 漂移向量 | ETN | | $\mathbf{x}$ | 環境狀態向量 | 吸引子 | | $E(\mathbf{x})$ | 環境支撐度 | 吸引子 | | $R_{\text{env}}$ | 環境消散風險：$1 - E(\mathbf{x})$ | 吸引子 | | $d_A$ | 距消散流形距離 | 吸引子 | | $R_{\text{joint}}$ | 聯合消散風險：$\sqrt{R_{\text{ETN}} \cdot R_{\text{env}}}$ | 聯合 | | $\tau_{\text{SE}}$ | ⊛ 成立門檻（推薦 0.65） | 聯合 | | $\tau_{\text{joint}}$ | 消散預警門檻（推薦 0.65） | 聯合 |
版本聲明
版本：v1.0（概念論文，實驗站發表版） 對應程式碼：ETN-Storm v0.1（EML-ETN-STORM-2026-v0.1）、v0.2 教學概念版 後續計劃：v1.1 加入時間加權聯合風險；v1.2 加入多中心 ETN 形式化；正式版另行開發 定標需求：$\tau_{\text{SE}}$、$\tau_{\text{joint}}$、環境向量權重 $w_i$ 均需以洋盆歷史資料校準
EveMissLab Logic Matrix（一言諾科技有限公司） 2026 年 6 月