2026年5月5日 星期二

我們一直誤解了數值模擬的意義

防災科技 數值模擬 決策支援 土砂災害
一個在防災圈流傳已久的誤解

我們一直誤解了
數值模擬的意義

很多人以為,模擬不夠準確就沒有價值。但在防災決策的現實世界裡,這個邏輯本身才是最危險的誤解。

防災工程觀點 · 閱讀約 8 分鐘 · 數值模擬 / 土石流 / 風險評估

「這個模擬不可能準確,那做它有什麼意義?」

這個問題,在防災工程圈裡時常出現。每當有人提出數值模擬的結果,總會有人質疑它的精確度。而這個質疑,背後藏著一個更根本的誤解——我們以為,工具的價值取決於它有多準確。

但在防災管理的實務世界裡,這個邏輯本身就危險。

「數值模擬的本質,並非追求百分之百的精準預測,而是透過情境模擬來收斂問題、識別重點,並降低決策的不確定性。」

為什麼「不準確」不等於「沒意義」

以氣候變遷模擬為例:沒有任何模型敢拍胸脯說,2050 年的均溫將精確上升 1.7 度。但這不代表氣候模擬沒有價值。它的價值在於——讓我們提早聚焦在「可能面臨的挑戰」上,尋找應對重點,而不是等到問題發生才開始思考。

土砂災害的數值模擬,道理相同。要求模擬精確告訴你「800毫米降雨下,這條溪流的堆積量是多少立方公尺」,幾乎是不可能的任務。參數的不確定性、降雨的空間分布、土體的非均質性——變數太多,精確預測本來就是個偽命題。

但模擬能給你的,是決策所需的關鍵資訊:哪個區域危險、哪條撤離路線可能被堵死、哪座橋樑首當其衝。

引導關注未來風險
不預測結果,而是提醒我們哪些問題需要提早應對
降低決策不確定性
在模糊的情境中,找出相對危險、需要優先處理的區域
多情境風險評估
50 組參數、50 種情境,看哪個熱區最常被命中
工程效益量化
在動工前,用虛擬實驗室測試每一種工程方案的效果

數值模擬真正在做的事

1
敏感度分析:找出「致命特徵」
模擬最大的功用不是告訴你土石會堆多高,而是告訴你這個坑溝對什麼最敏感。如果模擬顯示「降雨強度增加 10%,堆積範圍就擴大 50%」,這代表該區域對極端降雨的容忍度極低——預警指標就必須設得更保守。重點不是那 50% 的具體數值,而是這個關係本身。
2
空間機率的邊界化
我們無法預測土石流何時發生,但模擬可以告訴我們「如果發生,哪裡一定逃不掉」。單點的流深預測可能偏差很大,但整體的「受災包絡線」,在多次模擬後會呈現穩定的趨勢。這個包絡線,直接決定了疏散避難點的選取,以及重要設施的避讓準則。
什麼是「受災包絡線」?
跑 50 次不同參數的模擬,把每次的影響範圍疊加起來。疊加後出現的那個最大輪廓,就是在最壞情況下,土石流可能波及的最外緣。這個邊界不代表「一定會發生」,但代表「如果最壞的情況出現,這裡一定要撤離」。
3
工程手段的「虛擬實驗室」
在動輒數千萬甚至上億的防災工程面前,模擬是唯一的低成本試錯方式。不同配置的防砂壩、梳子壩,對攔沙量與流速削減的效果,都可以在電腦上先試過一遍。更重要的是,當有人主張「蓋一座壩就能解決所有問題」,模擬可以直接指出「當規模超過 50 年頻率時,壩體可能被越流」——防止我們陷入工程萬能的錯誤決策。
4
建立「情境意識」,讓溝通變得可能
這對政策推動者尤為重要。模擬將抽象的「危險」轉化為具體的「情境」:「在 24 小時 800 毫米降雨下,這條溪流的土石會衝上這座橋樑。」這種情境描述,是跨部會溝通、編列預算、啟動強制疏散時,最有力的科學背書——不是一個數學真理,而是一個邏輯自洽的敘事。

校正(Calibration):不是為了預測,而是為了確信

很多人混淆了「校正」與「預測」的概念。

校正,是透過對標「已發生」的歷史案例,確認模擬程式是否符合物理現象與實際狀況。它的目的不是讓未來預測更準確,而是讓我們確信:這個模型背後的物理邏輯是正確的,它產出的數據不是憑空捏造的。

校正做得再精準,也不代表對未來的預測能百分之百準確。校正是確保模擬工具「體質健全」的過程;而面對充滿變數的未來,模擬更多是作為決策參考,而非絕對預言。

關鍵認知
「校正」的意義在於確認模型符合物理現實。「預測」的意義在於評估未來的可能情境。兩者都重要,但不能混為一談——否則我們會對模擬抱持錯誤的期待,最終因為它「不夠準確」而棄之不用。

「工具的價值取決於精準度」——這個邏輯本身就危險

當有人問「模擬不準,那做它有什麼用」,這個問題背後隱含了一個假設:精準度決定價值。

但在防災領域,如果我們因為模擬不準就不做,我們只能依賴過去的經驗——而在極端氣候下,過去的經驗往往是失效的。

模擬提供的是一個物理邊界,讓我們在面對未知時,至少知道「最壞的情況可能長什麼樣子」。這比什麼都沒有,要好太多了。

更好的看法
「模擬的意義在於定義『不確定性』的範圍,而不是消除它。」

與其追求單一精準,不如推動「情境集模擬」

針對同一地點,跑 50 組不同的降雨與土體參數組合,觀察它們重疊的熱區。那個熱區,就是計畫與資源配置中最該優先投入的地方。

這種方法稱為「情境集模擬(Ensemble Simulation)」,它的邏輯不是找到「最正確」的那一組模擬,而是從所有可能的情境中,找出風險最集中、最需要關注的區域。

而在 AI 時代,模擬還有一個新任務:模擬產出的這些「不準確但具物理意義」的資料,正是訓練 AI 判讀災情、優化預警模型最好的合成數據(Synthetic Data)。它的價值,遠超過我們習慣的思維框架。

總結
數值模擬永遠是現實的「簡化模型」。它不能告訴你未來一定會發生什麼,但它能告訴你哪裡最脆弱、哪種情境最危險、哪個工程方案最有效。在充滿不確定性的防災決策中,這已經是最好的工具——不是因為它夠準,而是因為它能把不確定性,收斂到一個我們可以行動的範圍內。

2026年4月19日 星期日

時間序列預測進入大模型時代,Google TimesFM 值得你現在就了解

Google 悄悄發布了一個預測模型,防災領域的人該注意了
防災科技

時間序列預測進入大模型時代,Google TimesFM 值得你現在就了解

它叫 TimesFM,由 Google 開發,一種可以快速架構的時間序列預測模型。對防災監測來說,這件事可能代表效率的飛躍!

在防災體系中,監測站每天持續產生大量時間序列資料——雨量、水位、地殼位移,資料從不缺席。但真正的瓶頸在於:這些資料往往無法即時轉化為穩定、可用、可決策的資訊。

資料斷訊、雜訊干擾、模型維運成本過高,使得「有資料」不等於「用得好」。過去,我們習慣用工程方式解決這個問題:為每一類監測資料、甚至每一個站點,建立專屬模型。這種做法雖然精細,卻難以規模化,也難以快速應對環境變化。

去年,一種不同的方法開始出現。Google 提出的 TimesFM(Time Series Foundation Model)正在改變這個基本假設——這不只是模型升級,而是分析思維的轉變。

TimesFM 是什麼?一種「通用型」的時間序列預測模測

如果把傳統模型比喻為「特種兵」,那麼 TimesFM 更像是一位「受過廣泛訓練的參謀」。

過去熟悉的 ARIMA、LSTM 等時間序列模型,通常需要針對特定任務重新訓練。一旦應用場景改變,例如從水位預測轉為邊坡位移,模型往往需要重建。但 TimesFM 不同——它是一種經過大規模跨領域資料預訓練的模型,具備所謂的「Zero-shot(零樣本學習)」能力:在沒有額外訓練的情況下,就能對新的時間序列進行預測。

01 // 時間
部署速度

從數週縮短至數小時,新監測站無需等待模型訓練週期

02 // 規模
統一管理

單一模型架構同時處理全國異質監測站,降低維運複雜度

03 // 門檻
操作友善

非資料科學背景的工程人員也能操作,降低技術人力需求

04 // 思維
從點到面

從「解單一問題」轉向「提供通用能力」,建立可規模化系統

對防災體系而言,這代表一件重要的事:我們開始有機會建立一個可規模化的監測分析系統,而不是靠一個個分散的模型拼湊而成。

它是怎麼運作的?

TimesFM 的設計思路,其實和 GPT 這類大型語言模型非常相似——只是把「文字」換成了「數字序列」。理解這三個核心機制,就能掌握它為什麼能做到零樣本預測。

模型使用 Transformer 架構,將時間序列切割成 patch 進行處理,支持單變量預測,最長可達 2048 個時間點(2.0 版本),並可擴展至更長上下文如 16k(2.5 版本)。它透過預訓練於數十億時間點,學習共享模式,適用於金融、零售、能源等領域,無需針對每個數據集重新訓練。

01 大規模預訓練

在超過 1,000 億個真實時序數據點上預訓練,資料來源涵蓋 Google 搜尋趨勢、維基百科流量、氣象數據等跨領域資料集。這是它具備「通用能力」的根本原因。

02 Decoder-only 架構

採用與 LLM 相同的解碼器架構,透過「預測下一個數據點」的方式學習時間序列的規律。熟悉 GPT 運作原理的讀者,可以把它理解為「數值版的語言模型」。

03 Patching 機制

不逐點處理數據,而是將時間序列切成一塊塊的「補丁(Patches)」再輸入模型。這能大幅提高處理長序列的效率,也更容易捕捉局部趨勢與週期規律。

和傳統方法相比,差在哪裡?

TimesFM 與過去常見的預測方法,在幾個關鍵維度上有本質差異:

特性 傳統統計模型
ARIMA、Prophet
專用深度學習
Informer、PatchTST
TimesFM
資料需求 依賴單一序列歷史 需針對特定領域訓練 跨領域預訓練
微調需求 每次需重新擬合 需在目標資料集訓練 直接零樣本預測
泛化能力 弱,難處理非線性 中,受限於訓練域 強,具基礎模型特性
部署成本 低,但維運多套 高,需逐站訓練 單一模型統一管理

但在防災領域,不能對 AI 抱持幻想

即使 TimesFM 帶來新的可能,它仍然有清楚的邊界。在防災決策中,這些限制必須被正確認知。

⚠ 本質限制

TimesFM 本質上是統計模型,它擅長捕捉趨勢,但不理解物理機制。它可以預測數值的延續,卻無法解釋崩塌為何發生。因此,它不應被用來取代水文模型或地質判釋,而應作為輔助工具。

目前多數時間序列基礎模型仍以單變量預測為主,對於防災中關鍵的因果關係——例如降雨導致水位上升——掌握有限。如果完全依賴模型輸出,可能忽略突發的外在變因。

此外,台灣的地形條件與降雨型態具有高度特殊性。短延時強降雨、陡峭集水區,都與全球平均情境不同。直接套用預訓練模型,往往會產生偏差,仍需透過在地資料進行調整與微調。

真正有價值的,不是取代決策,而是提升效率

與其期待 TimesFM 做出決策,不如把它放在最能發揮效益的位置。目前防災實務中,有幾個非常適合導入的場景:

場景 A
資料品質處理

感測器斷訊、跳值、雜訊的補值與趨勢修正,數小時人工縮短至分鐘級

場景 B
異常偵測

數值看似正常但已偏離歷史規律時,提前發出警訊,辨識感測器故障

場景 C
短期趨勢預測

1 至 6 小時時間尺度的水位或位移趨勢判斷,為決策者爭取反應時間

場景 D
跨站點管理

統一架構同時處理全國異質站點,降低維運複雜度與人力負擔

一個更合理的架構:AI 做前哨,人做決策

在防災系統中,TimesFM 最適合的角色不是「指揮中心」,而是「前哨雷達」。一個穩健的分層架構可以是:

資料層 資料清理與缺值補全 TimesFM
模式層 異常偵測與趨勢變化識別 TimesFM
物理層 水文與地質機制驗證 領域模型
決策層 綜合判斷與防災決策 專家人員

AI 負責提高敏感度,人類負責判斷合理性。這樣的分工,才能同時兼顧效率與風險控管。

想試試看?從這裡開始

TimesFM 目前以開源形式釋出,模型權重托管在 Hugging Face,程式碼則在 GitHub 上公開維護。目前最新版本為 TimesFM 2.5,參數量 200M,相較前代在推論速度與預測準確度上都有明顯改善。

有三種主要取得與使用方式,依技術門檻由低到高排列:

安裝完成後,最基本的預測流程只需要幾行程式碼——載入模型、傳入時間序列陣列、指定預測長度,即可取得輸出。官方 GitHub 的 timesfm-forecasting/ 資料夾中也提供了多個範例 notebook,涵蓋微調與異常偵測等進階用法,是入門的好起點。

防災系統真正的瓶頸,往往不在模型是否最先進,而在於資料是否可靠、系統是否能即時反應

TimesFM 的價值,不在於取代既有的物理模型,而在於讓整個監測體系更有效率、更具延展性。

它不會替你發布警報,但可以避免你在錯誤的資料上做出正確的判斷。
當資料變乾淨、異常更早被看見、趨勢更早被掌握——決策品質自然會提升

延伸關注 ── 若未來需要處理更複雜的多變量因果關係(如降雨與位移的交互影響),可關注 Lag-Llama 或 Amazon Chronos 等新一代模型。這些技術仍在快速發展中,建議先進行小規模測試與評估,再考慮整合至正式流程。

2026年4月14日 星期二

不是所有河道阻塞都叫堰塞湖

不是所有河道阻塞都叫堰塞湖
防災科普

不是所有河道阻塞都叫堰塞湖

在山區災害中,「堰塞湖」常被視為高風險的代名詞。但它究竟危不危險,取決的不是名字,而是三個你可能從沒認真想過的問題。

防災知識 · 閱讀約需 6 分鐘

每當颱風過後,新聞上常出現「某某溪發現堰塞湖」的報導,配上空拍畫面,看起來觸目驚心。民眾開始擔憂、地方政府緊急應變,整個系統進入高度警戒。

但有時候,那個「湖」根本算不上堰塞湖。更精確地說——它有阻塞,有積水,但沒有真正的風險。

問題的核心在於:我們把「現象」當成了「風險」,但兩者不一定相等。

真正該問的三個問題

要判斷一個堰塞湖是否危險,不是看它有多大、顏色多混濁,而是要回答這三件事:

風險判斷核心問題
1
規模有多大?
蓄水量與水壓是否足以造成下游災害
2
會不會突然潰決?
壩體結構是否穩定、是否已開始溢流
3
還有多少時間?
能否在危險發生前完成評估與應變

「有阻塞」不等於「有堰塞湖」

堰塞湖的形成,需要同時滿足兩個條件:一是崩塌或土石流阻斷河道,二是這個阻塞體具有足夠的蓄水能力,讓上游水量持續累積,形成水壓。

如果只是暫時堵住水流,水卻很淺、會從側邊漫流出去,那充其量只是「河道阻塞」——水面看起來很大,但沒有壓力積累,也沒有潰決的動能。

現場常見的誤判模式,是這樣的:

  • 回水範圍很廣,看起來像一座湖
  • 水甚至淹過了路面
  • 空拍畫面十分壯觀

但實際測量後發現:水深很淺、已有側向溢流、沒有壓力累積。這種情況,本質只是大規模淺層積水,而不是高風險堰塞湖。

大多數堰塞湖,撐不過兩週

>50%
的堰塞湖在 10 天內潰決或自然消失
>70%
發生在上游林班地,而非人口稠密區

這個數字告訴我們兩件事:堰塞湖是短生命週期的現象,但在它消失之前,存在一段高度不確定的風險窗口。

真正的問題不是「它最後會不會消失」——而是「它會不會用最危險的方式消失」

真正的威脅:是潰決,不是湖本身

堰塞湖本身不是災害的來源,潰決才是。一旦壩體瞬間破壞,大量蓄積的水體在極短時間內釋放,形成高能量洪峰,夾帶土砂與漂流木,以排山倒海的力道衝擊下游。

這種「洪水 + 土砂」的複合流,破壞力遠大於一般洪水。判斷重點應該是:會不會突然爆掉,而不只是有沒有一個湖。

為什麼上游比下游更容易出現堰塞湖?

這是個容易被忽略、但其實非常關鍵的空間觀念。統計上,超過七成的堰塞湖發生在上游林班地,原因並不複雜:

上游的河道窄、谷地收斂、邊坡陡,崩塌一旦發生,土石很容易直接橫跨整條河道,形成完整的阻塞。下游則相反——河道寬廣、洪氾空間大,即使有崩塌,也很難完全截斷水流。

這代表堰塞湖的發生位置是可以預判的。風險不是隨機分布的,而是有其地形邏輯。

兩個被誤認為堰塞湖的真實案例

案例一

新竹尖石秀巒

颱風後河道遭崩塌阻塞,上游回水使水位上升,積水甚至蔓延到路面,空拍看起來像一座湖。但實際評估後:水深僅三至五公尺,且水體已從側邊堤防溢流,水位不會再上升。

判定:河道阻塞,非堰塞湖

拍攝時間 : 2021/09/13

案例二

高雄荖濃溪上游布唐布那斯溪

颱風期間大量土砂湧入主河道,水位上升三到五公尺,形成大範圍回水。但關鍵在於:水體已溢流,對下游的衝擊實際上相當有限。

判定:廣域積水型河道阻塞,下游衝擊有限

拍攝時間 : 2017/07/12

防災邏輯:搶時間,而不是急著動手

在「短生命週期、高不確定性」的堰塞湖情境下,應變的核心邏輯不是趕快去處理,而是盡早取得足夠資訊,再決定要不要介入。

越早發現,判斷時間就越充裕;判斷越準確,就越不需要冒著誘發人為潰決的風險強行介入。

現場有一個最實用的觀察指標:

壩體是否已穩定溢流?如果答案是肯定的,代表水位不會再上升、流路已建立,壩體正在進入自然沖刷——風險其實已在下降。

日本的參考標準:20 公尺門檻

日本《土砂災害防止法施行令》第 8 條第 1 號イ

壩高超過 20 公尺者,視為高風險,由中央層級介入處理;規模較小、蓄水有限者,多數會自然消散,由地方政府自行處理或加強監測為主即可。

這個門檻背後的邏輯很直接:規模一旦超過臨界點,潰決的影響就難以控制。反之,小規模的阻塞,等待與監測往往比冒險介入更安全。

三種最常見的錯誤決策

  • 把「看起來很大」當成「真的很危險」
    —— 忽略了水深與量體才是關鍵指標
  • 還沒判斷壩體穩定性,就急著用工法介入
    —— 可能反而誘發人為潰決
  • 沒有搶在時間窗口內完成評估
    —— 該做決策時,還停在觀察階段

回到風險的本質,而不是名詞

堵住河道不一定是堰塞湖,有堰塞湖也不一定代表高風險。名字從來不是重點,背後的物理機制才是。

在面對任何山區水患時,真正要問的是:

規模夠不夠大?會不會瞬間潰決?還有多少時間?它發生在上游還是下游?

這四個問題,決定的是一個現象會不會成為災難——而不是它叫什麼名字。

2026年4月6日 星期一

當災害變得更快、更複雜: 台灣坡地智慧防災的進化進行式【好讀版】

 智慧防災

水土保持極端氣候農村水保署

當災害變得更快、更複雜:
台灣坡地智慧防災的進化進行式

從 48 小時警戒推估、客製化細胞廣播到 BigGIS 整合,農村水保署如何把風險資訊轉化為行動能力。

農村發展及水土保持署坡地防災 · 智慧治理閱讀時間約 8 分鐘

台灣位處板塊交界,地形陡峭,每逢颱風豪雨,山區聚落常面臨土石流、大規模崩塌、道路中斷等多重風險。近年極端氣候加劇,災害不再只是單一事件,而是常與地震、坡地失穩等因素交互影響,形成更複雜的複合型災害。

2024 年 0403 花蓮地震後,山區土體鬆動,後續再遭颱風豪雨侵襲,二次災害風險明顯升高。這再次提醒我們:防災必須更早掌握風險、更快做出判斷,也更精準地把資訊送到需要的人手上。




預警,不只是發得早,更要讓地方來得及準備

山區災害往往發展快速。當連續降雨造成坡地含水量升高,一旦超過臨界條件,災害常在短時間內發生。

重要進展

農村水保署已在土石流及大規模崩塌防災資訊網提供未來 48 小時紅黃警戒發布區域的推估資訊,從過去的 24 小時延長至 48 小時,大幅提升地方防災應變的準備空間。

對地方政府而言,多出的 24 小時代表能更早檢視保全對象、盤點避難收容空間、安排交通接駁,並啟動社區防災整備。居民也不必等到大雨已落下、道路可能中斷時,才倉促決定是否撤離。

預警時間的延長,真正改變的是防災節奏。它讓原本容易落入臨場反應的工作,有機會轉化為更從容的提前部署




一則警報,要讓民眾知道「現在該做什麼」

再精準的預警,若無法被民眾迅速理解並轉化為行動,效果仍然有限。每一則防告警細胞廣播都會附上客製化網頁連結,民眾點入後可看到:

📍
警戒區位置
清楚標示我現在所在地是否在風險範圍內
目前降雨情形
即時雨量資訊協助判斷當下風險程度
🏃
行動指示
明確告知應採取哪些行動、是否需要疏散
🏠
避難處所
附上鄰近避難點地址與聯絡電話

考量台灣新住民人口日益增加,防災資訊現已支援多種語言,讓更多生活在這片土地上的人都能在第一時間理解風險、採取行動。

中文EnglishTiếng ViệtBahasa Indonesia

防災資訊不能停留在「提醒有風險」,而必須進一步轉化為「協助民眾做判斷」。這也是把「防災平權」真正落實到通報機制的具體作法。




地震之後的山區,需要重新判讀風險

一場強震之後,坡地可能出現新的裂隙、鬆動區與崩塌地。這些變化未必立即造成大規模災情,卻可能使地形變得更脆弱——只要後續再遭遇強降雨,就可能迅速引發二次災害。

強震發生
坡地出現新裂隙、鬆動區與崩塌地,地形整體脆化
快速判識
透過衛星影像、空拍資料與地形判釋,掌握新生崩塌分布
動態調整警戒
重新評估哪些溪流需提高警戒、哪些聚落需特別注意
持續監測
後續颱風、豪雨期間持續動態管理,防範二次災害

風險不是靜止的,防災管理自然也不能是靜態的。當環境條件已因地震改變,警戒判斷也必須跟著調整。




讓地形會說話:BigGIS 如何成為防災底圖

農村水保署持續運用與推廣 BigGIS(巨量空間資訊系統),整合長時間序列的航空照片、衛星影像與數值地形資料,支援防災分析與決策判讀。

🛰
跨時間比對
比較不同時期影像,觀察坡地崩塌擴張趨勢
🗺
2D / 3D 展示
從立體角度理解地貌條件,輔助現場判斷
🤝
跨單位共享
中央、地方、工程、監測等單位站在同一張圖上討論
📊
動態風險管理
整合完整空間資訊,支援即時決策與應變同步

BigGIS 讓原本分散的空間資料,轉化為可共享、可對話、可支援決策的共同平台——這是許多防災判斷背後看不見卻不可或缺的基礎。




智慧防災,是治理方式的改變

從 48 小時警戒推估、客製化細胞廣播、多語言防災頁面,到 BigGIS 空間資訊整合,這些措施都在回答同一個問題:政府如何把抽象的風險,轉化成具體、可理解、可行動的公共安全能力。

智慧防災真正重要的,從來不是「智慧」兩個字有多新,而是它能否讓更多人及早避開危險,讓防災不只停留在專業系統內,而能真正進入社會每一個需要被保護的角落。




相關連結

當物理模型跑不夠快,AI 代理模型能撐起土砂災害的即時模擬嗎?

 數位孿生

土砂災害AI 模擬防災科技

當物理模型跑不夠快,AI 代理模型能撐起土砂災害的即時模擬嗎?

想在數位孿生平台上即時模擬土石流、崩塌這類土砂災害,一個問題幾乎不可避免:傳統物理模式太慢了。那麼,有沒有一種架構,能讓模擬「又準又快又看得懂」?答案是有的——但前提是你得把對的工作交給對的工具。


為什麼物理模型無法直接上線?

物理模型本身沒有問題。它的優點是具備工程可信度、模擬結果有物理解釋基礎,長期以來也是土砂災害模擬的核心工具。問題出在「速度」上——物理模型的運算量龐大,要做到即時互動,幾乎是不可能的任務。

這就是為什麼,單靠物理模型上線這條路走不通。我們需要的,是一個分層式的整合架構:讓物理模型做它最擅長的事,讓 AI 做另一件事,再讓數位孿生平台負責最後一哩路。

三層架構:分工才能做到「又準又快」

這套架構的核心邏輯很清楚:不同層做不同的事,互相銜接,而不是互相取代。

🧱物理模型層負責「對」
AI 代理模型層負責「快」
🖥數位孿生平台層負責「看得懂、用得動」

物理模型的角色不是即時運算,而是在離線狀態下大量產製高可信度模擬案例,作為 AI 的訓練資料與校驗基準。AI 代理模型則透過學習降雨、地形、土壤、含水狀態與災害行為之間的關係,在線上快速推論出結果。數位孿生平台則是整套系統的最終介面,負責視覺化呈現、情境操作與決策支援。

有一點值得特別強調:把 Omniverse 或其他數位孿生平台的內建物理引擎直接當成核心模擬器,通常只會得到「看起來很像、工程上卻不可信」的結果。土砂災害涉及顆粒流、侵蝕堆積與入滲等複雜機制,核心模擬仍必須建立在專業的土砂物理模式上。

輸入資料設計:讓模型「學得到」才是關鍵

要讓 AI 代理模型真正可用,最重要的不是再談概念,而是把問題轉成一個模型可以學習的輸入資料結構——所有資料必須在時間與空間上彼此對齊,並具備合理的物理意義與變動範圍。

雨量條件:10 分鐘解析度才抓得住觸發訊號

土石流與坡地災害的觸發,往往與短延時高強度降雨密切相關。如果只使用逐小時資料,峰值容易被平均掉,模型就學不到真正的觸發訊號。建議採用 10 分鐘時間解析度。

雨量指標建議範圍
10 分鐘雨量強度0–50 mm / 10 min
1 小時累積雨量0–250 mm / hr
24 小時累積雨量0–2,000 mm
事件總累積雨量0–5,000 mm
前期累積雨量(前 7 日)0–6,500 mm

這組數值的設計目標,是讓訓練資料足以涵蓋臺灣颱風與複合型降雨的極端情境,避免模型在面對罕見大事件時失效。

地形資料:5 公尺是理想,10 公尺是務實

地形資料是整個系統的空間骨架。5 公尺 DEM 能更細緻描述微地形,但會大幅增加格網數量與運算負擔;10 公尺 DEM 在系統原型開發階段是合理的務實選擇。更重要的是,DEM 不應只用作高程資料,還必須衍生出坡度、曲率、流向與集水面積等因子,否則等於只用了表面資訊。

土壤參數:放棄分類代碼,改用物理量

土壤條件若只輸入分類代碼,模型通常學不到真正控制災害行為的因子。建議直接輸入具物理意義的參數:

參數建議範圍
摩擦角(φ)20°–40°
凝聚力(c)0–50 kPa
滲透係數(k)10⁻⁷ ~ 10⁻³ m/s(建議 log scale 處理)

初始含水量:這個變數不能少

決定坡地會不會失穩的,不只是「現在下多少雨」,更關鍵的是「地本來已經濕到什麼程度」。初始含水量(建議範圍 0.10–0.45 m³/m³)必須納入輸入變數,否則模型就是半盲——它只會學到單一降雨反應,而學不到前期濕潤條件對災害觸發的影響。

模型輸出:不只算範圍,還要能判斷「是否已成災」

如果輸出只停留在單一圖層,例如流動範圍,那其實不夠用。業務需求不只是「哪裡可能流過去」,還需要知道「堆多厚、跑多快、是否已達災害門檻」。模型輸出至少應涵蓋四個面向:

OUTPUT 01
流動範圍
二元遮罩或機率圖,標示受土砂流動影響的格網區域。
OUTPUT 02
堆積厚度
連續值格網,單位公尺。一般情境 0–15 m,極端情境可放寬至 0–25 m。
OUTPUT 03
流速
連續值格網,單位 m/s,建議範圍 0–20 m/s,可先預測最大流速。
OUTPUT 04
災害是否發生
根據流動範圍、堆積厚度與流速綜合判定,而非單一變數硬判斷。
關於災害發生的判定,第一版系統建議先採用門檻式邏輯作為初步定義。但必須誠實說:門檻值沒有靠歷史災例校正,就只能叫合理,不能叫可信。往實務上線走時,仍必須用歷史事件與現地調查資料回頭修正這些判定條件。

整合起來,這個系統長什麼樣子?

把前面所有條件整合,這套系統的輸入本質上是一個時空張量——時間維度是 10 分鐘雨量序列,空間維度是對齊 DEM 的格網,變數維度則包含雨量、地形衍生因子、土壤物理量與初始含水量。輸出則是流動範圍、堆積厚度、流速與災害是否發生的綜合判斷。

到這一步,整個系統才不再只是概念,而是一個真正可以設計資料流程、建立訓練資料集、發展 AI 模型並部署至數位孿生平台的工程架構。

結語:最難的不是有沒有模型,而是問題定義對不對

如果目標是土砂災害的即時互動模擬,答案其實已經很清楚:核心推論靠 AI 代理模型,物理模型負責離線資料生成與校驗,數位孿生平台負責展示與決策支援。

而在架構之外,真正決定系統能否落地的,是問題有沒有被定義成一個既符合物理邏輯、又能被 AI 學習、還能即時運作的結構。

只要這件事定清楚,後面的模型設計與平台建置才有意義。


2026年4月3日 星期五

當災害變得更快、更複雜:台灣坡地智慧防災的進化進行式

當災害變得更快、更複雜:台灣坡地智慧防災的進化進行式

從48小時警戒推估、客製化細胞廣播到BigGIS整合,農村水保署如何把風險資訊轉化為行動能力

在台灣,防災從來不是遙遠的議題,而是與土地、聚落與日常生活緊密相連的現實。

這座島嶼位處板塊交界,地形陡峭、河川短促,每逢颱風、豪雨,山區聚落常面臨土石流、大規模崩塌、道路中斷與孤島化等多重風險。近年來,隨著極端氣候加劇,降雨型態愈來愈集中、強度愈來愈高,災害也不再只是單一事件,而是常常與地震、地形破碎、坡地失穩等因素交互影響,形成更複雜的複合型災害。

2024年0403花蓮地震後,山區土體鬆動、邊坡脆弱,後續再遭逢颱風與豪雨侵襲,二次災害風險明顯升高。這類情勢再次提醒我們:防災不能再只停留在災後搶修與被動應變,而必須更早掌握風險、更快做出判斷,也更精準地把資訊送到需要的人手上。

因此,農村發展及水土保持署近年來持續推動「智慧防災」轉型,從預警發布、風險判釋、細胞廣播、空間資訊整合,到災後二次災害管理,逐步建立一套更即時、更精準、也更貼近民眾需求的防災體系。這不只是技術更新,更代表防災治理思維的改變:從過去偏重災後應變,逐步走向災前預防、動態管理與跨系統整合。



預警,不只是發得早,更要讓地方來得及準備

對土石流與大規模崩塌防災而言,時間始終是最關鍵的因素。

山區災害往往發展快速。當連續降雨造成坡地含水量升高,土體強度下降,一旦超過臨界條件,災害常在短時間內發生。這意味著,防災工作的核心任務之一,就是盡可能在危險真正發生之前,把風險看見,並把時間留給地方政府和居民。

過去,土石流紅黃警戒資訊多以未來24小時推估為主;但在近年運算能力、資料整合與模式自動化持續提升之下,農村水保署已進一步在土石流及大規模崩塌防災資訊網提供未來48小時紅黃警戒發布區域的推估資訊。這項調整,表面上只是時間從24小時延長至48小時,實際上卻大幅提升了地方防災應變的準備空間。

因為對地方政府而言,多出來的24小時,不只是「提早知道」,而是能夠更早檢視保全對象、盤點避難收容空間、安排交通接駁、預置機具與人力,並啟動社區防災整備。對居民而言,這也代表不必等到大雨已經落下、道路可能中斷時,才倉促決定是否撤離。

換句話說,預警時間的延長,真正改變的是防災節奏。它讓原本容易落入臨場反應的工作,有機會轉化為更從容的提前部署。這正是智慧防災最重要的價值之一:不是等風險逼近眼前才開始行動,而是用更早的資訊,爭取更大的安全空間。



一則警報,要讓民眾知道「現在該做什麼」

然而,防災不是只有專家看得懂資訊就夠了。再精準的預警,若無法被民眾迅速理解、轉化為行動,效果仍然有限。

近年來,手機細胞廣播已成為災害告警的重要工具。它的優點在於能快速、大範圍地把訊息送到風險區內的民眾手中。但農村水保署也觀察到,單靠短短幾行文字,民眾往往仍會產生疑問:我現在所在的位置到底有沒有風險?我需要馬上離開嗎?該往哪裡去?又該準備什麼?

因此,在防告警細胞廣播的設計上,農村水保署不只著重「發得出去」,更進一步強化「看得懂、做得到」。目前每一則防告警細胞廣播都會提供客製化的網頁連結,民眾點入後,就能看到更清楚、也更貼近在地需求的資訊內容,包括:警戒區在哪裡、我應該作什麼、目前降雨情形、建議防災物品、避難處所及電話。這些頁面不只是補充說明,而是直接提供明確的行動指示,例如當前警戒狀態代表什麼、民眾應採取哪些行動、是否應預作避難準備或配合地方政府疏散,以及相關避難資訊與注意事項等。

這樣的設計背後有一個很清楚的理念:防災資訊不能停留在「提醒有風險」,而必須進一步轉化為「協助民眾做判斷」。尤其在高壓、短時間決策的情境下,資訊愈明確,行動就愈有可能及時且一致。

此外,農村水保署也注意到,防災資訊若只用單一語言傳遞,實際上可能讓部分族群無法完整接收關鍵訊息。隨著台灣新住民人口日益增加,災害風險溝通也必須回應更真實的社會結構。因此,這些客製化防災頁面除了原有的中文與英文版本之外,現在也進一步增加了越南文與印尼文版本。這不只是語言服務的延伸,而是把「防災平權」真正落實到通報機制中,讓更多生活在這片土地上的人,都能在第一時間理解風險、採取行動。



災害不是颱風來了才開始,地震之後的山區更需要重新判讀

對一般民眾而言,地震與豪雨往往被視為兩種不同災害;但對山區治理而言,它們常常是一場接一場、相互牽動的風險鏈。

一場強震之後,坡地可能出現新的裂隙、鬆動區與崩塌地。這些變化未必會在第一時間造成大規模災情,卻可能使整體地形變得更脆弱。只要後續再遭遇強降雨,原本尚未完全失穩的坡面,就可能迅速轉化為土石流、大規模崩塌或其他二次災害。

因此,農村水保署在震後防災工作中,非常重視災後風險的快速判識與動態調整。透過衛星影像、空拍資料與地形判釋,可在較短時間內掌握新生崩塌的分布情形,並據以檢視哪些土石流潛勢溪流需要提高警戒、哪些區域可能須納入新增管理範圍、哪些聚落周邊則需特別注意災後土砂移動風險。

這樣的作法,反映出一個重要觀念:防災不能只依賴歷史資料與固定門檻。當環境條件已經因地震或豪雨改變,警戒判斷也必須跟著調整。風險不是靜止的,防災管理自然也不能是靜態的。

換句話說,農村水保署推動的智慧防災,不只是「把既有流程數位化」,而是更強調在災害發生後,能夠快速重建對現場的理解,重新估計風險、重新調整重點。這也是面對複合型災害時,政府治理能力必須持續進化的原因。



讓地形會說話:BigGIS如何成為山區防災的重要底圖

如果說預警與警報,是防災體系中的「時間軸」,那麼空間資訊系統就是防災決策的「地圖軸」。

山區災害治理的難處之一,在於地形複雜、範圍廣大,單靠現場巡查或局部資料,往往難以掌握全貌。更何況,防災決策涉及中央、地方、工程、監測與行政等多個單位,如果大家看到的是不同版本的地圖、使用的是不同來源的資料,就容易形成判斷落差。

為了讓空間資訊更有效地支撐防災治理,農村水保署持續運用與推廣BigGIS(巨量空間資訊系統)。BigGIS整合了長時間序列的航空照片、衛星影像、數值地形資料與相關空間資訊,不只是圖資的存放平台,更是一個可支援防災分析與決策判讀的重要工具。

透過BigGIS,使用者可以在同一平台上檢視不同時期的影像變化,觀察坡地是否有明顯崩塌擴張、溪流地形是否出現異常變動,也能搭配2D與3D展示方式,從更立體的角度理解地貌條件。這種跨時間、跨尺度的比對能力,對山區災害管理尤其重要,因為很多災害徵兆不是單看一次影像就能看出,而是要放在長期地景變遷中才能真正理解。

從治理角度來說,BigGIS的價值在於,它讓原本分散的空間資料轉化為可以共享、可以對話、也可以支援決策的共同平台。當中央機關、地方政府與技術團隊能夠站在同一張圖上討論風險,防災判斷才更容易聚焦,應變作為也更容易同步。

對一般民眾來說,BigGIS或許不像手機警報那樣直接可見,但它其實正是許多防災判斷背後的重要基礎。沒有完整的空間資訊整合,就很難真正做到動態風險管理;沒有共同的底圖,也很難讓跨單位協作有效運作。


智慧防災,不只是新科技,更是治理方式的改變

從48小時警戒推估、客製化細胞廣播、多語言防災頁面,到BigGIS空間資訊整合,這些措施看似分屬不同面向,實際上指向的是同一件事:政府正在嘗試用更即時、更透明、更貼近使用者的方式,重新建構防災體系。

這種改變很重要,因為災害治理真正的難題,從來不只是「有沒有技術」,而是「技術能不能轉化成可執行的治理能力」。預警資訊再完整,如果地方來不及因應,效果就有限;警報再即時,如果民眾看不懂,也很難形成正確行動;圖資再豐富,如果無法整合應用,就只是堆疊在系統裡的資料。

因此,農村水保署推動智慧防災的重點,並不只是引進新工具,而是讓監測、分析、預警、通報與風險溝通彼此串聯,形成更完整的工作鏈。這條鏈的終點,不是科技展示,而是讓地方政府能更早準備、讓第一線防災人員更快判斷,也讓民眾在接收到風險訊息時,知道自己應該怎麼做。

這也是為什麼,智慧防災的核心從來不只是系統升級,而是治理成熟。當災害變得更快、更大、更複雜,政府不能只是把資料做得更多,而要把資料轉化成行動;不能只是把訊息送出去,而要讓訊息真正產生保護效果。


從防災科技到社會韌性,政府真正要守住的是生命安全

在極端氣候與複合災害逐漸成為常態的今天,台灣不可能期待災害不再發生。真正能做的,是讓整個社會比過去更早理解風險、更快啟動應變、也更有能力降低衝擊。

從這個角度看,農村水保署推動智慧防災的意義,不只是導入更多科技,而是讓防災工作逐步從災後搶救,走向災前預防;從依賴經驗判斷,走向資料支撐與科學分析;從單向發布訊息,走向更重視行動指引與多元溝通。

不論是土石流及大規模崩塌防災資訊網提供的48小時紅黃警戒推估資訊,還是每一則細胞廣播都附上的客製化防災頁面;不論是新增越南文、印尼文版本以照顧更多族群,還是透過BigGIS讓地形與風險變化能被更完整看見,這些措施背後其實都在回答同一個問題:政府如何把抽象的風險,轉化成具體、可理解、可行動的公共安全能力。

說到底,智慧防災真正重要的,從來不是「智慧」兩個字有多新,而是它能否讓更多人及早避開危險,讓更多地方在災害來臨前做好準備,讓防災這件事不只停留在專業系統內,而能真正進入社會每一個需要被保護的角落。

而這,也正是農村水保署持續推動智慧防災的核心目標:用更精準的資訊、更即時的判斷與更周延的溝通,守住山區聚落與民眾的生命安全,讓防災不只是災難發生後的補救,而成為一種更成熟、更有韌性的治理能力。


相關連結: