災前如何快速判斷堰塞湖風險？用壩體類型估算堰塞湖潰決洪峰與壩體沖刷深度

災前如何快速判斷堰塞湖風險？用壩體類型估算堰塞湖潰堤洪峰與沖刷深度

馬太鞍溪堰塞湖災後，外界與各防災實務單位普遍關心：若堰塞湖發生溢流後潰決，要如何模擬潰決後的淹沒範圍及洪峰流量？而要精確模擬這個問題，又必須先評估壩體開始溢流沖刷時，壩體可能沖刷的深度？特別是壩體沖刷深度在災前模擬時到底要設為多少，會嚴重影響到後續模擬的結果。

近期國科會也正邀集專家學者，針對堰塞湖潰決的相關議題進行研討。剛好同仁最近在一篇期刊論文中看到相似的研究成果，我嘗試將該文提出的公式套用到馬太鞍溪堰塞湖案例中，驚奇地發現不論是壩體潰決沖刷深度或洪峰流量的估算，都與實際情況具有相當程度的一致性與準確性。因此，我希望把這篇論文的重點做成快速摘要與重點分析，提供同仁參考，讓大家能快速掌握該研究的核心

這份研究探討了如何針對山崩堵塞河道所形成的堰塞湖，建立一套快速評估其潰決洪水峰值流量的預測模型。作者 David Froehlich 透過分析全球 42 個歷史案例，根據土石材質組成與崩塌土體滑移的距離，將堰塞壩系統性地歸類為三種侵蝕等級。研究指出，壩體高度、蓄水體積以及壩體類型（易侵蝕等級）是決定潰決規模的核心變數，並據此開發出一套比過往更精確的回歸公式。此外，文中亦提供預測區間的統計估算方式，旨在協助決策者在災害發生前，能有科學依據地進行下游居民的緊急疏散與風險控管。這項成果不僅提升了對自然壩體潰散機制的理解，更為山區防救災實務提供了實用的計算工具。

論文原文：

Froehlich, D. C. 2022. “Peak Flood Discharge from a Landslide Dam Outburst.” Natural Hazards Review, 23 (2): 04022001. American Society of Civil Engineers. https://doi.org/10.1061/(ASCE)NH.1527-6996.0000545

---

一、快速判斷堰塞湖風險的第一步：了解壩體類型

並非所有堰塞湖都是一樣的，壩體的組成直接影響其穩定性及潰堤後的災難規模。根據壩體的組成和形成過程，作者將堰塞湖壩體分為三類，每一類壩的風險特徵、洪峰流量及潰決時壩體的沖刷深度均有所不同。

• 第一類壩 (Type 1)：主要由土石流或長距離滑動的山崩所形成。這類壩體的結構極為鬆散，最易遭受侵蝕，因此，一旦水流溢頂，壩體很可能會瞬間崩塌，釋放出大量洪水。

• 第二類壩 (Type 2)：由岩崩形成，壩體中包含大塊岩石和礫石。這類壩體比第一類壩更穩固，但仍然容易受到侵蝕，造成洪水災難。

• 第三類壩 (Type 3)：由滑動距離較短的巨大岩體所構成。這類壩的結構最為堅固，能抵抗洪水的沖刷，即使潰堤，造成的洪水量也相對較小。

這些分類有助於我們根據壩體的構成特徵來評估潰堤的潛在風險。了解堰塞湖的類型，無論是在災前的風險評估，還是對應的應急行動，都至關重要。

---

二、估算潰堤深度的簡單經驗法則

在現場情況有限的情況下，還有一個簡單的經驗法則，可以幫助我們迅速估算壩體潰決時的沖刷深度。這個法則基於堰塞湖的壩體類型，對潰決後的沖刷深度進行預測：

• 第一類壩 (Type 1)：潰決沖刷深度約為原始壩高的90%，幾乎會被完全沖毀。

• 第二類壩 (Type 2)：潰決沖刷深度約為原始壩高的60%。

• 第三類壩 (Type 3)：潰決沖刷深度約為原始壩高的50%。

這個經驗法則能夠在災前快速幫助專家做出初步的評估，確定洪水對下游的威脅程度。

不再只是存資料！NotebookLM + Google Docs：打造「會成長」的卡片盒筆記工作流

身為專業人士或研究者，我們都面臨一個共同的挑戰：電腦裡堆滿了各種報告、PDF 和會議記錄，但這些寶貴的資訊卻像一座座孤島，難以串連。當需要撰寫新報告時，我們總得重新翻找、閱讀、消化，耗費大量時間。這些靜靜躺在硬碟裡的檔案，本質上是「死的」資訊，無法主動為我們服務。

但如果有一種方法，能將這些分散的檔案，轉化為一個動態、可對話的智慧知識庫呢？這正是本文要介紹的工作流。透過結合我們日常使用的 Google Docs 和強大的 AI 工具 NotebookLM，我們可以打造一個專屬於自己的「第二大腦」。這套系統不僅能儲存知識，更能理解你的思考脈絡，讓你的檔案從被動的儲存品，蛻變為隨時能提取、重組、創造新價值的智慧資產。。

1. 核心策略：NotebookLM 當「思考夥伴」，Google Docs 當「永久大腦」

這套系統的成功關鍵，在於明確分工。我們將 NotebookLM 定位為「思考夥伴」，專門負責對話、分析與多檔案的內容合成；而 Google Docs 則扮演「永久大腦」的角色，作為結構化筆記的理想長期儲存與編輯器。

整個工作流程可以分為四個清晰的階段：

• 原始資料 (Word/PDF) -> 上傳至 NotebookLM
• NotebookLM -> AI輔助閱讀與摘要 -> 產生「靈感與文獻筆記」
• Google Docs -> 建立「永久筆記 (Permanent Notes)」與「索引筆記 (Index Notes)」
• Google Docs 的永久筆記 -> 反向匯入 NotebookLM -> 進行跨知識點的合成與查詢
• 最終產出 -> 在 Google Docs 完成正式文件

這種分工是知識管理的核心原則。我們將 volatile（易變的）「處理層」（NotebookLM）與 stable（穩定的）「儲存層」（Google Docs）徹底分開。這能防止您精心提煉的知識被未經處理的原始資料稀釋，確保了整個知識系統的長期健全與穩定。

2. 知識原子化：不是為了整理，而是為了餵養 AI

「原子化筆記」（Atomic Notes）是卡片盒筆記法（Zettelkasten）的核心原則，意指每一份筆記文件只專注於一個核心觀點、一項數據或一個概念。在這個系統中，每一份 Google Doc 就是一張原子卡片。

以一份名為《堰塞湖防災必須探討的關鍵議題》的報告為例，與其將整份文件存檔，不如將其拆解成三張獨立的「原子卡片」：

• 卡片 1：【特性卡】堰塞湖形成的時效性與偵測關鍵

    ◦ 專注於堰塞湖的高度不確定性，並指出關鍵數據：「超過 50% 的堰塞湖在形成後 1 週內會自然破壞」。

• 卡片 2：【比較卡】地震與降雨型堰塞湖之壩體差異

    ◦ 專注於比較兩種成因導致的壩體結構不同，例如地震型壩體相對鬆散，而降雨型壩體相對密實。

• 卡片 3：【技術卡】利用 DBI 指數評估壩體穩定性

    ◦ 專注解釋 DBI 指數的評估標準，並標明關鍵風險閾值：「DBI < 2.75 代表較穩定，而 DBI > 3.08 則代表具瞬間潰決的高度風險」。

這樣做的好處是，一份靜態的報告被轉化為數塊靈活的「知識樂高」。當未來需要撰寫一份**「114 年提升堰塞湖偵測時效性計畫」**的說明文件時，你可以對 NotebookLM 下達這樣的指令：「根據卡片 1 的數據，說明為何我們需要投入預算發展『地動訊號快速偵測』而非傳統衛星監測？」AI 就能立刻利用這塊「樂高」，為你生成精準的論述。

3. 用「@」智慧晶片，把 Google Docs 打造成網狀知識庫

你不需要複雜的專業軟體，就能在 Google Docs 中模擬出如 Obsidian 或 Roam Research 般的網狀知識系統。關鍵在於活用內建的「@」智慧晶片（Smart Chips）功能。

與傳統的超連結相比，「@」智慧晶片有兩大顯著優勢：

• 關鍵字搜尋：你只需輸入 @ 再加上文件標題的關鍵字，就能即時搜尋並連結到另一份筆記。
• 懸停預覽：將滑鼠移到智慧晶片上，不必離開當前頁面，就能看到被連結筆記的內容縮圖。

特性	傳統超連結 (Ctrl+K)	「@」智慧晶片
外觀	藍色底線文字	帶有圖示的膠囊狀按鈕
預覽	需點開連結才知道內容	滑鼠懸停即可看縮圖
搜尋	需手動貼上網址	直接打關鍵字搜尋檔案

當然，這是一個權衡下的實用方案。要實現真正的「雙向連結」，我們需要在每張筆記的底部手動建立一個「引用自 (Cited from)」的區塊，標註是哪份文件連結到這裡。

而要讓這個網絡真正發揮威力，關鍵在於建立專門的「索引筆記（Index Notes）」，又稱為「內容地圖（Map of Content）」。例如，建立一份名為「主題地圖：@2025策略規劃總索引」的文件，在裡面用 @ 智慧晶片彙整所有相關的原子筆記。這能讓你從宏觀視角管理整個知識網絡，避免迷失在零散的筆記中。

4. 反向匯入：讓 AI 不只讀原始資料，而是讀「你消化過的思想」

這是整個工作流中最具顛覆性的一步。當你在 Google Docs 中累積了一定數量的原子化筆記後，你需要將這些你親手撰寫的筆記，反向匯入回 NotebookLM。

這個動作帶來了根本性的轉變：

這時候，NotebookLM 的對話對象不再只是原始 PDF，而是「您思考過的知識」。

這個轉變至關重要。AI 此刻是在對您經過篩選、驗證和情境化的洞見進行推理，而不是在總結充滿雜訊的原始材料。這將大幅提升 AI 產出內容的品質、關聯性與原創性。它從一個單純的資料摘要工具，蛻變為你個人思想的合成夥伴。你可以向它提出這樣的問題：「根據我最近寫的 10 份關於數據分析的卡片，幫我整理出這半年的成長趨勢趨勢圖文描述。」此刻，AI 不再是總結原始數據，而是在綜合、提煉你自己的獨特見解。

5. 低科技的「#」標籤，驅動高效率的 AI 合成

最簡單的技術，往往最有效。在這套系統中，我們使用最低科技的純文字井字號（#）來進行標籤管理，例如在文件中直接寫下 #數據、#2025年度計畫。這麼做的原理很簡單：Google Drive 的搜尋引擎會索引文件內的所有文字內容。

這裡需要釐清一個常見的視覺困惑：

• # 標籤（純文字）：主要用途是為了搜尋功能，讓你在 Google Drive 中能快速篩選出特定主題的卡片。
• 膠囊狀標籤（視覺化）：這是透過 @下拉式選單 智慧晶片建立的，外觀更美觀，最適合用於標示狀態（例如：「待補充」、「已完成」）。

為了兼顧搜尋效率與視覺化管理，最佳實踐是在筆記範本中同時包含兩者。當你需要撰寫報告時，只需在 Google Drive 進行一次進階搜尋（例如：type:document "#數據" "#2025"），就能精準篩選出所有相關的筆記。這能讓你立即調出所有標記了 #數據 與 #2025年度計畫 的卡片，為製作年度報告建立一個完美的、高度相關的資料集，接著再將它們匯入 NotebookLM 進行快速合成。

結論：從文件管理者到知識創造者

這套結合 Google Docs 與 NotebookLM 的工作流，其核心不僅是工具的應用，更是一種思維模式的轉變——從一個被動的資訊收藏家，轉型為一個主動的知識創造者。

這個系統能將您的思維轉化為一種可複利成長的智慧資產。您寫下的每一則筆記，都不再只是對過去的記錄，而是一個可被程式化組合的未來洞見積木，隨時等待一位理解您個人觀點的 AI 夥伴來加以合成。

透過嚴謹的原子化筆記、智慧型的「@」連結、強大的「#」搜尋，以及獨特的「反向餵養」AI 模式，你所累積的每一份筆記都不再是孤立的資訊。它們會逐漸成長為一個相互連結、能夠自我增值的智慧資產。隨著時間的推移，你的知識庫將會複利成長，成為你思考和創新的強大引擎。

摘要簡報下載

影片摘要(連結)

自主防災20年成果紀念誌：守護台灣的韌性故事

自主防災20週年成果記念誌下載

自主防災20年：守護台灣的韌性故事

二十年來，台灣的防災工作走過了一條充滿挑戰與希望的道路。在這條路上，無數人共同努力，為我們的家園築起了一道又一道防災的屏障。

今天，我們站在這個特殊的時刻，回顧「自主防災」20年的歷程，心中充滿感動與敬意。這段旅程不僅見證了政策與技術的發展，更見證了每一位防災專員與社區居民的堅持與奉獻。他們的行動，讓台灣在每一次災難面前都能夠迎難而上，並化險為夷。

1. 從一支雨量筒開始的防災力量

二十年前，台灣的防災工作面臨嚴峻的挑戰。然而，一切的改變都從一個簡單的物品開始——一支雨量筒。這支不起眼的工具，卻承載了阿嬌姨對自己家鄉的守護與責任。2004年七二水災，她在台中市和平區松鶴部落，親手觀測雨量，並依據這些數據通知社區巡守隊提早疏散民眾至避難處所。這一小小的行動，成功減少了當地災難的傷亡，也為台灣的防災工作奠定了基礎。

「如果每個社區都有一位阿嬌姨」，這個念頭促成2005年土石流防災專員制度的誔生。

2. 防災專員的無畏奉獻

回顧這二十年的防災歷程，防災專員的身影無處不在。他們不僅是第一線的災難監測者，也是社區防災行動的核心。每一次災難的來臨，防災專員都在第一時間響應，協助撤離、監測、報告災情，並且幫助社區居民制定與執行疏散計劃。

2009年莫拉克颱風期間，防災專員的工作展現了無可取代的價值。當時，防災專員成功協助約9100名居民撤離，減少了1046人的傷亡。這一切並非偶然，而是長期積累下來的防災準備和默默無聞的努力，最終在災難面前發揮了決定性作用。

3. 自主防災社區的成就與啟示

「自主防災」這一概念的推動，從社區開始，逐漸蔓延至全台。這並非一蹴而就，而是透過與地方政府的合作，動員社區居民參與防災演練和疏散計劃，逐步建立起有效的防災體系。現在，台灣已有超過600個社區實現了自主防災的模式，每個社區都在根據自己的地理環境與社會背景，設計最適合自己的防災方案。

這不僅是防災策略的創新，更是社會力量的凝聚。在這些社區中，無數居民通過與防災專員的合作，積極參與到防災行動中，並在演練中不斷強化自身的應變能力。正如一個金質社區所展示的那樣，長期的自主防災運作，讓這些社區能夠在面對災難時迅速反應，有效降低災害損失。

4. 防災專員的成長與賦能

隨著防災工作的不斷發展，防災專員的培訓也逐漸變得更加專業化和多元化。從最初的基礎雨量測量，到後來的VR訓練、應急救護技巧、災情回報等一系列課程，防災專員的能力不斷提升。他們不僅能夠應對各種災難情境，還能夠使用先進的技術來輔助決策與行動。

此外，透過政府與私營部門的合作，防災專員們得到了更多的資源和支持。這樣的公私協力，不僅提升了防災的效率，也促進了各界的共同參與和責任感，為台灣的防災事業注入了強大的動力。

5. 展望未來：智慧防災與跨域合作

站在二十年的起點，我們依然面臨著未來的挑戰。然而，從過去的經驗中，我們汲取了寶貴的教訓，並已經做好了迎接未來的準備。未來，我們將進一步推動智慧防災，利用科技手段提升預警和應急響應能力。同時，跨域合作也將成為防災工作的核心，無論是政府、企業還是學術界，都需要攜手合作，共同提升台灣的防災韌性。

我們深知，防災不僅是政府的責任，它需要每個社會成員的參與。從個人到社區，從防災專員到每一位居民，大家的共同努力才構成了我們防災體系的核心。在這樣的集體努力下，台灣的防災未來將更加智慧、更加韌性、更加安全。

結語：一個充滿希望的未來

二十年，從一支雨量筒開始，台灣的自主防災逐步走向成熟。我們的每一步，都是為了未來的安全與希望。未來的防災工作，將更加智慧、更加高效，將跨越更多領域，與全球防災經驗接軌。而最重要的是，防災的力量永遠來自於我們每一個人——來自我們每一個努力的步伐，來自每一份共同的心意與行動。

台灣的防災之路，永遠不會停止。讓我們攜手前行，繼續打造一個更加安全、更加堅韌的家園。

AI 彌補數據空白：如何在「無儀器流域」精準預測洪水？

核心困境：「未量測流域」的預警難題

洪水是全球最常見且最具破壞性的自然災害之一。然而，在全球數百萬條河流中，許多地區，特別是中低收入國家，缺乏足夠的實體監測儀器（如：水位計或雨量計）。

這些缺乏數據的區域被稱為「未量測流域 (Ungauged Basins)」。在這些地方，當暴雨來臨時，科學家和政府幾乎無法提前發出可靠的預警，導致數億人口的生命與財產長期暴露在高風險之中。

Google 的 AI 解方：憑空建立 25 萬個「虛擬水文站」

為了克服這個「數據鴻溝」，Google Research 團隊提出了一個革命性的 AI 解決方案，並將成果發表在頂尖學術期刊《Nature》上。其核心概念是使用 人工智慧 (AI)，特別是深度學習模型，來模擬並取代實體監測站的功能。

虛擬監測站 (Virtual Monitoring Station) 的運作方式：

AI 模型不再依賴河流旁的實體儀器，而是從全球開放資源中抓取大量的輔助數據，學習並推演出當地的水文規律：

1. 衛星遙測： 收集地表水分含量、植被覆蓋等宏觀數據。

2. 地形高程： 結合河流走向和地勢，判斷水流的流速與匯集路徑。

3. 氣象預報： 輸入降雨量、溫度等關鍵預測值。

AI 模型透過學習全球數千個有實體數據的流域的歷史水文模式，然後將這些學習到的「物理規律」應用到全球任何一個沒有實體監測站的流域。最終，AI 能夠在河流網格上生成 25 萬個以上的虛擬預測點，實時預測水位和流量。這解決了在沒有實體監測儀器情況下無法進行預報的根本問題。

成果與戰略意義：從 0 天到 7 天的預警時間

透過這項 AI 突破，Google 的 Flood Hub (洪水中心) 平台達成了多項驚人的成果：

• 覆蓋範圍： 服務範圍擴展至 100 多個國家，為全球超過 7 億人口提供預警資訊。

• 預測時效： 將可靠的洪水預警時間從傳統的幾乎零天，提升至長達 7 天，使社區和政府有充足的時間撤離、進行防災準備。

• 數據民主化： 讓數據匱乏的地區也能享受到與發達國家一樣精準的洪水預報服務。

這項技術的戰略意義重大，它與聯合國倡議的「全民預警倡議 (Early Warnings for All)」目標高度一致，旨在利用科技加速為全球最脆弱的人群提供及時、可行的安全資訊，以應對日益嚴重的氣候危機。

相關文獻與官方連結

1. 核心學術論文 (最權威的技術來源)

• 標題： Global prediction of extreme floods in ungauged watersheds (未量測流域的極端洪水全球預測)

• 期刊： 《Nature》

• 發表時間： 2024 年 3 月

2. 官方產品與服務

• Google Flood Hub (洪水中心)：

  • 內容： 提供全球洪水預警的地圖介面。

  • 網址： https://sites.research.google/floods/

3. Google 研究部門部落格 (技術詳解與最新進展)

• 標題範例： Using AI to expand global access to reliable flood forecasts (使用 AI 擴大全球獲取可靠洪水預報的機會)