從遙測到數位孿生：坡地防災技術的演進與下一步
如果問我，從事防災工作二十年來，哪一個領域的技術進步與迭代速度最快，我心中的答案一直都是遙測科技。
但我所說的遙測，並不只是拍幾張空照圖、做幾幅衛星判釋圖而已。
它真正的意義，在於讓我們對山區環境的認識，不再只停留在災害發生之後的現地查勘，而是逐漸具備一種更完整的能力：能夠快速掌握現場、辨識風險、理解地形變化，甚至進一步推演災害可能如何發生、工程應該如何回應。
如果回頭看這二十多年來臺灣坡地防災科技的發展，我認為可以很清楚地看到一條技術演進的脈絡。
從最早期強調災前災後影像比對，到後來突破雲層與植生遮蔽限制的 SAR 與 LiDAR；再到整合跨時代圖資的 BigGIS 與 Google Earth Engine；而今天，AI、VR／MR 與數位孿生（Digital Twin）所代表的，則是另一個更值得期待的新起點。
這條路走到現在，我越來越相信一件事：
科技在防災上的價值，從來不只是因為它很新，而是因為它真的能幫助我們更早看見問題、更快形成判斷，並且把原本困難的事情，變得可以被理解、被溝通、被執行。
一、第一階段：從「有圖有真相」開始
那是一個先把現場看清楚的年代
今天談 UAV、衛星影像，很多人會覺得很自然，甚至是理所當然。
但如果把時間拉回二十多年前，情況並不是這樣。
在坡地災害發生的第一時間，真正困難的事情往往不是分析，而是連「現場到底變成什麼樣子」都還不知道。山區交通中斷、天候不穩、資訊零散，第一線最迫切需要的，就是儘快取得現地畫面。因為只有先看見，才有可能開始研判。
也因此，早在 2000 年 5 月豪雨期間，水土保持局便已開始應用 UAV 拍攝南投豐丘等地土石流災區全景，這可以說是臺灣土砂防災應用 UAV 的很早期起點 [文件1]。
以今天的眼光來看，那也許只是技術發展史上的一小步；但如果放在當時的脈絡中，它其實是一個很重要的觀念轉變：我們開始嘗試從空中快速建立災情認知，而不是被動等待零碎的地面訊息。
到了 2012 年，UAV 的應用又往前跨了一步。豐丘土石流事件中，已能精準取得災前與災後只相隔兩天的珍貴比對影像 [文件2]。
這類資料的價值，不只是留下紀錄而已，而是讓我們第一次更有系統地理解：「到底哪裡變了、變了多少、變化是怎麼發生的」。
後來，當時的水土保持局也曾推動免費的災害前後影像比對網站，整合福衛二號、高解析航照與 UAV 影像，並放進 Google Earth 環境中，同時加上雙視窗與同步功能，希望讓防災人員能更直覺地進行災前災後判讀 [文件3]。
現在回頭看，這件事的重點其實不在網站本身，而在於我一直很在意一件事：好的科技，最後一定要能變成現場人員真的用得上的工具。
因為如果資料再多、解析度再高，但第一線人員仍然不容易判讀，那技術的價值就打了折扣。
二、第二階段：當我們不只想看見，還想「看穿」
SAR 與 LiDAR 打開了另一層地形真相
第一階段解決的是「能不能盡快看到現場」；
第二階段面對的，則是另一個更棘手的問題：很多時候，現場其實看不到。
臺灣山區災害最麻煩的地方在於，往往越是需要判斷的時候，天候越差。颱風、豪雨、厚雲、地形遮蔽，常常使光學衛星完全失效。這不是解析度夠不夠高的問題，而是根本看不見地表。對防災而言，這是非常致命的限制。
因此，SAR 的重要性就在這裡顯現出來。
合成孔徑雷達不受雲層影響，能在惡劣天候下掌握地表狀況；若再搭配地震儀訊號，更能成為山區大規模崩塌與堰塞湖確認的重要手段 [文件4]。
我過去也曾以「SAR於土砂災害之應用與期待」為題，思考它在公務體系中未來可能扮演的角色 [文件5]。
我一直認為，政府部門推技術，不能只停留在「這項技術很厲害」。
真正要思考的是：它能不能在最需要的時候派上用場？能不能納入標準作業流程？能不能成為穩定的防災能力，而不是一次性的展示？
除了 SAR 之外，另一個帶來很大改變的工具，就是空載光達（LiDAR）。
過去我們看地形，主要依賴等高線圖、陰影圖或立體判釋，但這些方法多少都會受到植被、視角與光線條件影響。尤其在臺灣這種植生茂密的山區，很多真正重要的微地形訊號，其實藏在樹林底下，不容易被看見。
LiDAR 之所以重要，就是因為它讓我們有機會「穿過植被看地形」，取得高精度數值高程模型（DEM）[文件6]。
而在這個基礎上，若再結合地形開闊度與坡度分析所產製的紅色地圖（HOST Map），便能把原本不容易辨識的古崩塌地、滑動遺跡與敏感地形結構，以更強烈、直觀的方式呈現出來 [文件6]。
我對 HOST 地圖一直很有感。
因為它不只是一種新的地形表現方式，而是在某種程度上，把原本偏專業、偏經驗的地形判讀知識，轉化成更多人可以看懂的視覺語言。這對防災溝通非常重要。技術如果只有專家看得懂，它的影響力就有限；但如果能讓更多人更直覺地理解地形背後的風險，那它的價值就完全不同了。
三、第三階段：當資料越來越多，真正重要的是整合能力
BigGIS 與 GEE 所代表的新工作方法
技術的發展，常常會帶來新的能力，也同時帶來新的負擔。
遙測也是一樣。
早期最大的問題是資料不夠；後來則變成資料太多。
不同年代的航照、衛星、UAV、LiDAR、HOST 圖層，如果彼此分散、格式不一、系統各自獨立，最後就會變成「資訊很多，但難以使用」。
這也是為什麼我認為 BigGIS 的意義非常大。
BigGIS 整合了超過 70TB、跨越半世紀的各類航遙測影像與 HOST 地圖，並提供雙視窗觀測、地景變遷分析、挖填方分析等功能 [文件7][文件8]。
它讓我們開始有能力不只看單一事件，而是把一個事件放回更長時間尺度中去理解。
例如，透過 BigGIS 觀察 2020 年猴硐崩塌事件，可以發現它其實並不是完全新的崩塌，而是位在舊崩塌地邊緣 [文件7]。
這類判讀非常重要，因為它提醒我們：很多災害其實不是「突然發生」，而是長期脈絡中的再次活化。若沒有跨時序圖資整合能力，我們很容易只看到災害的表面，而忽略它背後更長期的地形背景。
另一個例子，是 BigGIS 在堰塞湖判識與量體估算上的應用。
像 2021 年臺東卑南堰塞湖事件，即可透過挖填方分析，快速推估其蓄水規模 [文件8]。
這種能力代表的，是遙測不再只是「看圖說故事」，而是開始有能力直接支援數量化研判。
此外，Google Earth Engine（GEE）的出現，也讓我對遙測應用的推廣抱持更高期待。
因為 GEE 不只是個雲端平台而已，它真正改變的是工作門檻。過去很多遙測分析，需要大量硬體設備、資料下載與前處理；現在則有可能透過雲端資料庫與雲端算力，快速完成大範圍、長時序的分析工作。
例如利用 GEE 結合 Sentinel-1 雷達影像，可以快速偵測淹水範圍 [文件9]；也可以應用在更大尺度的全球水域變化監測 [文件10]。
這些事情之所以重要，不只是因為技術更快，而是因為它讓很多原本只有少數專業團隊能做的事情，逐漸變成更多單位可以參與、可以複製、可以擴散的能力。
對公部門來說，這一點特別關鍵。
因為真正有價值的科技，不只是能做一次，而是能不能形成制度、形成方法、形成一種可持續推動的能力。
四、第四階段：從智慧判釋走向數位孿生
未來真正值得期待的，不只是看圖，而是能推演、能設計、能決策
如果說前三個階段，主要是在解決「如何更快看見現場、如何更深入理解地形、如何更有效整合圖資」，那麼到了下一個階段，我關注的重點已經不只是資料取得，而是：我們能不能把這些資料，進一步變成可操作、可推演、可協作的決策環境？
這也是為什麼我認為，AI、VR／MR 與數位孿生，會是坡地防災下一階段非常值得投入的方向。
先從 AI 談起。
當 UAV 與 LiDAR 已能大量取得高解析三維空間資訊後，若再結合 AI 電腦視覺技術，便有機會針對災區影像進行二維與三維的快速判釋、自動分類與災損評估，大幅降低人力需求並提升效率 [文件11]。
這對防災單位而言，不只是省工，而是把原本耗費大量時間的人工作業，轉化成更快速的初步篩選與重點標記。災後黃金時間非常有限，若 AI 能先替我們把「可能有問題的地方」圈出來，後續判斷與調度就會快很多。
但我覺得，真正更有意思的還不只如此。
如果把三維建模成果與 VR／MR 技術結合，那麼我們面對的就不再只是螢幕上的資料，而是一個可以進入其中、共同討論的虛擬場景。我曾構想，未來可將 UAV 產製的三維模型與 VR／MR 整合，建立一個與真實坡地環境高度對應的虛擬世界 [文件12]。
這樣的環境，能讓不同地點的工程師、監測人員與決策者，同時站在「同一個現場」裡面討論設計、理解模擬結果、檢視風險熱區，甚至用於教育訓練與風險溝通。
對我來說，這件事最重要的地方在於：
它讓溝通的基礎改變了。
過去我們用平面圖、照片、簡報、文字在討論複雜地形；未來，我們可能直接走進那個三維空間裡討論。這不只是工具升級，而是理解方式的改變。
而當這樣的虛擬場景進一步結合監測資料、物理模式與工程規劃能力時，數位孿生就不再只是好看的展示，而會變成真正有用的工作平台。
我認為，數位孿生在水土保持與坡地防災上的第一個關鍵，是高精細且具物理真實性的模擬能力。
臺灣山區的野溪尺度很特殊，很多河段寬度只有 10 至 20 公尺。若用過粗的地形網格去模擬，常常看起來有結果，實際上卻無法反映真實的水流與構造物互動。因此，在重要治理區段，局部網格的精細度恐怕必須做到 10 至 20 公分等級，才能支撐較可信的分析；至於外圍區域，則可採較簡化的網格，以節省算力。
這樣的多尺度設計，不是為了追求漂亮模型，而是因為工程尺度本來就需要這樣的精度。
第二個關鍵，是基礎結構力學不能缺席。
很多模擬畫面看起來很生動，水流也很漂亮，但若護岸、固床工或相關設施的基礎深度、地質條件與淘刷效應沒有被納入，那這樣的數位孿生其實只是一個「會動的展示」，還談不上真正的工程決策工具。
我認為，未來更有價值的方向，應該是讓系統有能力反映：當河床下切超過基礎深度時，設施會如何失穩、如何傾倒、如何引發後續連鎖效應。只有這樣，虛擬世界才不只是看起來像真的，而是在物理邏輯上也盡可能接近真實。
第三個關鍵，是與既有模式整合，而不是重做一套新的孤島系統。
例如目前已有的 Wflow 降雨逕流模式，可以提供集水區降雨反應、流量與洪峰歷線。若未來能把這些計算結果直接串接到數位孿生平台中，作為動態輸入資料，那麼數位孿生就不只是靜態地形，而是一個隨時間演變的系統。
換句話說，它能讓我們看到的，不只是地貌本身，而是降雨來了之後，水怎麼走、哪裡可能沖刷、哪裡可能堆積、哪裡可能失穩。
另外，模擬邊界的設定其實也是一個非常實務、但經常被低估的問題。
如果模型範圍設得太小，水流到了邊界就出不去，結果很容易出現不合理的積水或回堵。比較務實的作法，可能是把模擬範圍擴大到降雨影響區的 2 至 3 倍，讓水流能有足夠腹地自然宣洩。這會增加運算負擔，但在物理合理性上，往往是必要的代價。
而真正讓我覺得未來很有潛力的，是 AI 在這個平台上的角色，可能會從「協助回答問題」，轉變成「直接參與工程規劃的 Agent」。
也就是說，未來如果能把工程規範、設計條件、操作邏輯與設計軟體控制能力，透過 MCP 等架構整理起來，並與 Rhino、AutoCAD 或其他工具串接，那麼 AI 就不再只是給意見，而有機會直接參與設計過程。
工程師只要先設定邊界條件，例如預算 3,000 萬元、安全係數達特定標準、不可影響下游特定區域，AI Agent 便可在數位孿生場景中自行反覆配置、模擬、測試與修正，逐步找出可行方案。
簡單講，就是讓 AI 開始學會「自己畫、自己模擬、自己檢查有沒有倒」。
這樣的未來，也許現在聽起來還有點前瞻，但我認為它已經不是科幻，而是值得開始布局的方向。
若再進一步搭配語音介面，現場使用的可能性就更高。
未來第一線人員也許不必再透過複雜的指令操作，而可以直接用口語下達命令，例如：「這段河道再挖深一點」、「左岸退縮一些」、「這裡加一道保護工」，讓系統自動轉換成模型調整與模擬參數。
對現場人員而言，這樣的互動才真正接近工作情境，也比較有機會落地。
所以如果要我用一句話來說明數位孿生的意義，我會說：
它不是把真實世界做成一個看起來很厲害的 3D 模型，而是把監測、模擬、工程設計、風險推演與決策溝通，慢慢放進同一個可操作的平台裡。
這才是我認為它最值得期待的地方。
結語：真正重要的，不是技術有多新，而是我們能不能用它把防災做得更好
回頭看這一路的技術演進，其實每一個階段都很清楚對應著一個實務問題。
當我們需要更快掌握災情時，發展的是 UAV 與災前災後影像比對；
當我們受限於雲層與植生遮蔽時，發展的是 SAR 與 LiDAR；
當資料愈來愈龐大、愈來愈難整合時，推進的是 BigGIS 與 GEE；
而當資料取得、判釋與整合都逐漸成熟後，下一步自然就是 AI、VR／MR 與數位孿生。
這不是為了追逐流行名詞，而是因為防災工作本來就需要這樣一步一步地往前走。
從事後看見災害，到事中掌握變化，再到事前辨識風險，乃至於未來能在虛實整合的環境中直接推演、設計與協作，這其實是一條很連續的發展路徑。
我始終認為，公部門推科技最難的地方，不是技術本身，而是如何讓技術真正變成能力。
也就是說，它不能只存在於報告裡、簡報裡、展示裡，而要能走進制度、走進流程、走進第一線的工作現場。
遙測技術在坡地防災上的演進，正是這件事最好的例子。
它讓我們對山區的理解，從「發生後再去看」逐漸走向「平常就能看、變化時能即時掌握、未來還能事先推演」。而我相信，數位孿生若能沿著這個方向持續發展，未來它所改變的，將不只是分析方法，而是整個坡地防災工作的思考方式。
【引用來源清單】
[文件1] 原文章檔案: 322_老照片說故事台灣土石流防災工程的教科書豐丘土石流治理工程.md
[文件2] 原文章檔案: 415_20120503 豐丘土石流事件UAV影像.md
[文件3] 原文章檔案: 137_水土保持局提供的免費災害前後影像比對網站.md
[文件4] 原文章檔案: 457_日本災害期間山區大規模崩塌事件掌握方式.md
[文件5] 原文章檔案: 197_SAR於土砂災害之應用與期待 202013衛星科學工作坊簡報.md
[文件6] 原文章檔案: 309_新工具更直覺的新型態地形呈現方式紅色地圖.md
[文件7] 原文章檔案: 230_BigGIS應用20201204台鐵猴硐瑞芳段崩塌災害地形判.md
[文件8] 原文章檔案: 351_BigGIS應用堰塞湖判識與評估以2021年台東卑南堰塞湖為.md
[文件9] 原文章檔案: 344_心得論文與論文摘要寫法寫作原則公式及模版.md
[文件10] 原文章檔案: 260_GEE應用案例全球水域變化圖.md
[文件11] 原文章檔案: 320_全球數位孿生技術在防災領域的應用現況願景與挑戰Gemini .md
[文件12] 原文章檔案: 436_構想VRMR技術導入水土保持與土石流防災工作的未來構想.md
後記：
這篇文章有一個很重要的意義：它是我第一次使用 NotebookLM，重新回顧並整理自己過去二十年來的部落格文章內容。透過這樣的方式，我發現，過往累積的經驗與知識其實可以被更快速地整合，進而轉化為新的產出。(參考資料：【知識管理】讓沉睡 20 年的部落格重生！我如何把 500 篇舊文章變成「個人 AI 助手」？)
我也因此更加確信，未來完全可以運用這樣的方法，結合卡片盒筆記法的精神，在平時持續輸出階段性的成果、觀察與心得，並寫成Blog文章。當累積到一定程度後，便能以這些材料為基礎，透過 NotebookLM 協助整理特定議題，產出文章的初步草稿，甚至整理出引用來源；接著再交由 ChatGPT 等 AI 工具進一步潤稿，最後再由我自己進行判斷、修正與定稿。
我相信，這樣的流程無論對資料治理、知識管理，或是知識的生產與輸出，都是一種非常重要且有效的方法。
以這篇文章為例，我先將過去十幾年、將近 500 篇的部落格文章匯入 NotebookLM，再下達指令：「找出我對『遙測技術應用於土石流監測』的所有評論，並整理出一份技術演進報告。」在這個基礎上，NotebookLM 先產生了文章初稿，不但讓整篇文章的觀點都建立在我自己過去的心得之上，也能清楚標示各段內容分別引用自哪一篇部落格文章。之後，我再利用 ChatGPT 協助潤飾文字，並搭配 Nano Banana 生成合適的附圖，逐步完成這篇文章。
我想，這就是對我而言，在AI時代人機協作、賦能及效率提升的具體案例吧!
.JPG)
.JPG)
.jpg)
