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。

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!

【知識管理】讓沉睡 20 年的部落格復活！我如何把 500 篇舊文章變成「個人 AI 助手」

 【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」？

你有沒有想過，如果有一個助理，完整讀過你過去 10 年、20 年寫下的每一篇文章，還能隨時幫你整理重點、撰寫摘要、延伸想法，那會是什麼感覺？

如果你和我一樣，長年經營部落格，累積了數百篇生活紀錄、專業心得或技術觀察，那麼這些文字其實不只是過去的回憶，更是一座尚未被真正啟動的知識寶庫。

最近，我完成了一次很有意思的數位整理實驗：把自己經營近 20 年、累積將近 500 篇與防災、技術觀察相關的 Blogger 文章，系統化整理後匯入 Google 的 NotebookLM。完成之後，它就像變成了一位熟讀我所有文字脈絡的「個人 AI 助手」，不但能幫我快速整理內容，還能協助撰寫講稿、提煉觀點，甚至回顧自己多年來思考的演變。

這不只是備份舊文章而已，而是把原本沉睡在雲端角落的內容，重新轉化成可以對話、可以查詢、可以延伸應用的智慧資產。

第一步：先把資料從平台裡取出來

要讓舊部落格重生，第一件事就是把資料掌握回自己手上。

我利用 Google Takeout，將 Blogger 網誌的內容完整匯出。匯出後會得到一個像 feed.atom 這樣的檔案。它看起來不像一般文章檔，但其實裡面已經包含了文章標題、內文、日期等重要資訊，只是夾雜了不少網頁格式與標記語法。

換句話說，這份資料就像一座尚未整理的倉庫，東西都在，只是還不適合直接拿來給 AI 使用。

第二步：把舊文章轉成 AI 更容易吸收的形式

原始匯出的部落格資料，通常混有 HTML 標籤、排版格式與各種網頁程式碼。雖然 AI 不是不能讀，但如果能先做適度整理，後續的利用效率會好很多。

所以我做了兩件事。

1. 把文章轉成 Markdown

我利用 Python 將這些部落格內容轉成 Markdown（.md）格式。Markdown 的好處很明顯：它保留了標題層次與文章結構，又比原始 HTML 更乾淨、輕巧，無論是人閱讀、機器解析，還是後續再加工都非常方便。

轉成 Markdown 後，這些文章就不再只是「舊部落格備份」，而是正式成為可以攜帶、整理、搜尋與再利用的知識素材。

更重要的是，這些 Markdown 檔案不只能上傳到 NotebookLM，未來若有需要，也可以整批匯入 Obsidian、Logseq、Joplin 等知識管理軟體，建立自己的第二大腦。像我這樣近 500 篇的舊文章，一旦轉成 Markdown，就等於替多年來的寫作成果建立了一個更容易保存、整理與延伸使用的基礎格式。

這件事的意義很大。因為平台會改版，服務也可能終止，但 Markdown 是相對通用、長期可用的格式。把文章從部落格平台轉成 Markdown，本質上就是把內容從「依附平台」變成「自己真正擁有」。這不只是整理資料，更是一種數位保存與知識保存。

2. 將文章分批打包

另一個實務問題是，AI 工具通常會有檔案數量限制。以我當時的需求來說，近 500 篇文章若一篇一檔上傳，操作上並不方便，而且NotebookLM即便是Pro版，每個筆記本的來源上限也只有300個。

因此，我把文章每 100 篇整理成一個較大的 Markdown 檔，最後形成 5 個主題包或批次包。這樣一來，既能保留內容完整性，也更方便匯入 NotebookLM 之類的工具。

第三步：匯入 NotebookLM，讓資料開始「活起來」

當這些整理好的 Markdown 檔案匯入 NotebookLM 之後，效果比我原本預期的還要明顯。

它不再只是被動存放文章的地方，而像是一位真正讀過我多年文章脈絡的研究助理及個人秘書。現在，我可以直接問它：

• 這 20 年來，我對坡地監測技術的觀點有哪些變化？

• 請根據我過去的寫作風格，幫我起草一篇推廣 AI 應用的短文。

• 幫我整理過去關於防災科技、遙測、資料治理這幾個主題的核心觀點。

它不僅能快速整理答案，還能指出相關內容出自哪些文章、哪些時期。這種感覺很特別，彷彿自己多年來分散在不同年份、不同情境中的思考，被重新串聯起來了。

額外收穫：這不只是給 AI 用，也是給自己未來用

這次整理過程，另一個讓我很有感的地方是：當文章轉成 Markdown 之後，它的用途其實遠遠超過「拿去餵 AI」。

這近 500 篇文章，可以進一步放進 Obsidian 這類知識管理軟體中，搭配標籤、連結、資料夾分類，慢慢整理成自己的長期知識庫。過去寫在部落格裡的內容，多半是依時間順序排列；但進入知識管理系統後，就能改以主題、概念、專案、年代等不同方式重新組織。

例如：

• 把歷年對防災政策的觀察集中成一條知識脈絡

• 把土砂災害、防災監測、遙測技術等文章彼此串連

• 將舊文章變成未來演講、寫作、研究或教學的素材庫

這時候，部落格就不再只是「文章發表平台」，而是升級成了「個人知識資產中心」。

技術門檻其實沒有想像中高

很多人看到這裡，可能會擔心：「可是你提到 Python，我不會寫程式怎麼辦？」

其實現在這已經不是大問題了。

文中提到的那些 Python 小工具，不論是把 feed.atom 轉成 Markdown、批次整理文章、合併檔案、重新命名、清理格式，幾乎都可以直接請 Gemini、ChatGPT 這類 AI 協助生成。你只要把需求講清楚，例如：

• 幫我把 Blogger 匯出的 atom 檔轉成 Markdown

• 幫我寫一段 Python，把每 100 篇文章合併成一個檔案

• 幫我保留標題、日期與內文，並去除 HTML 標籤

AI 通常就能直接幫你產生可用的程式碼。即使第一次執行有小問題，也只要把錯誤訊息貼回去，它往往就能繼續幫你修正。換句話說，這類工作現在已經不一定需要自己從零學會寫程式，而是可以透過 AI 協作，大幅降低技術門檻，幾乎做到「無痛完成」。

對多數人來說，真正需要的不是程式設計能力，而是知道自己想整理什麼、想保留什麼、想怎麼使用這些舊資料。

這次整理後，我最深的三個感想

老資料其實很有價值

以前總覺得舊文章只是過去寫過的東西，放著就放著。但當 AI 能把它們重新串聯、比較、歸納之後，這些內容立刻展現出新的價值。它們不只是歷史紀錄，更是觀點演化、經驗累積與專業脈絡的見證。

效率提升非常有感

過去要整理一個主題，常常得自己進部落格翻找半天。現在透過 AI 與整理後的知識庫，只要幾十秒就能得到可用的初稿、摘要與線索，節省大量時間。

這其實是在整理自己的數位遺產

我們每個人長年寫下的文章、筆記、觀察與心得，都是重要的數位資產。如果只是讓它們留在單一平台裡，久了很可能被遺忘；但如果把它們轉成通用格式、匯入 AI 或知識管理工具，它們就能持續被保存、被搜尋、被再利用。

寫給也想嘗試的你

如果你也經營多年部落格，不論是在 Blogger、WordPress，還是其他平台，都很值得花一點時間，把那些舊文章重新整理出來。

因為你真正擁有的，從來不只是幾百篇舊文章，而是多年來累積下來的思考、經驗與觀點。

當這些內容被轉成 Markdown、進入 NotebookLM、Obsidian 或其他知識管理系統後，它們就不再只是靜靜躺在雲端的舊資料，而是能夠陪你工作、陪你思考、陪你寫作的個人知識助手。

讓舊部落格復活，不只是一次整理，更像是替自己建造一座可以延續未來的數位知識基地。

公務員使用AI輔助公共治理的關鍵原則及重要觀念

隨著人工智慧技術快速成熟，其在公共治理領域的應用潛力日益受到關注，特別是在防災與風險管理工作中，AI 所展現的資料處理與分析能力，確實為傳統高度仰賴人力的作業流程帶來新的可能。然而，防災工作的核心從來不只是資訊效率，而是如何在高度不確定與時間壓力下，做出能夠被社會承擔的判斷。這也使得 AI 的導入，成為一個必須同時面對技術、制度與責任問題的治理課題。

近期與ChatGPT討論，如何在公務體系內，建立正確使用AI的觀念，不僅是個涉及公共行政倫理準則的重要議題，也是要讓同仁在使用AI時必須時刻提醒的重要準則。

以下是摘錄自與ChatGPT討論後的重點摘要：

我們鼓勵同仁適度運用 AI 工具。然而，AI 的使用並非毫無限制，必須先釐清一項關鍵原則：AI 的角色在於輔助專業判斷，而非取代公共責任。

因此，AI 可以作為決策參考與分析輔助工具，但最終的判斷與責任仍應由公務人員承擔。我們不應將所有判斷完全交由 AI，更不能將 AI 作為規避責任或免責的依據。

公務機關導入AI時的核心立場

我們對 AI 的定位非常明確－它是一種輔助工具，不是決策主體。

AI 可以幫助我們更快看清資料、更完整理解背景、甚至提醒我們可能忽略的角度，但最終的判斷、定調與對外說明，必須由人負責。

這不是對科技的不信任，而是對公共責任的基本尊重。

公務員使用AI的關鍵原則

在實務上，我們遵循三個原則：

第一，責任不外包。
所有涉及風險、政策或對外說明的內容，都必須有人署名與承擔。

第二，內容必須可說明。
凡是 AI 參與產出的文字與分析，都要能被人理解、修正與解釋。

第三，AI 只能補位，不能代位。
它可以補資料、補結構、補視角，但不能替代專業經驗與價值判斷。

防災工作的特色

在防災與監測工作中，
時間壓力與資訊不確定性同時存在，正是最容易「過度依賴工具」的場景。

我們的原則是：
越接近即時決策，AI 使用的空間就越小。

在災前與災後，AI 是很好的整理助手；
但在災中，任何判斷都必須回到專業人員與監測資料本身。

小結

AI 的進步，確實為公共部門帶來新的可能性，
但真正值得信任的，不是工具本身，
而是我們是否清楚界線、是否願意承擔責任。

因此，我們的選擇很簡單，也很堅定：

AI 可以讓工作更快，但公共判斷，不能沒有負責的人。

我們使用 AI，是為了輔助專業判斷，而不是取代公共責任。

 同仁使用AI 時的三條原則＋實務情境

① 責任不外包

AI 可以幫忙整理與建議，但判斷、署名與後果一定是人負責。

📌 實務情境

你用 AI 幫忙整理一份「對外說明用的政策背景或災害說明」。

👉 正確用法：

• AI 協助整理脈絡、重點

• 你確認內容是否與實際狀況一致

• 用你自己的語言重寫關鍵段落

👉 錯誤用法：

• 直接照貼

• 被問到細節時回答：「這是 AI 產生的」

⚠️ 對外單位不會找 AI 負責，只會找你。

⚠️ 如果你不敢為這份內容負責，就不該使用它。

② 內容必須可檢核

凡是 AI 產出，都必須能被閱讀、理解、修改與重組。

📌 實務情境

你請 AI 幫你寫一段技術說明或分析結論。

👉 在送出前，請自問三件事：

• 我能用自己的話解釋這一段嗎？

• 我知道它的依據是什麼嗎？

• 如果長官說「這段不對」，我改得動嗎？

👉 只要有一題是否定，這段就不該直接使用。

⚠️AI 不是黑盒子，看不懂的內容，風險一定在你身上。

③ AI 只能補位，不能代位

AI 是加速器，不是自動駕駛。

📌 實務情境

工作很趕，你請 AI 幫你快速列出幾個方案或選項。

👉 正確用法：

• 把 AI 的內容當「備選清單」

• 你負責判斷哪個可行、哪個不可行

• 明確說清楚為什麼選這個、不選那個

👉 錯誤用法：

• 直接選 AI 看起來最完整的一個

• 沒想過現實限制、制度背景或風險

⚠️AI可以幫我們省時間，但不能幫我們省思考。

總結

「用 AI，是為了把事情做得更好，而不是把責任交出去。」

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)