[原始碼檢視 / source view]
"""
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)