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？

防災科技 × 數位孿生應用 · 深度解析

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。

註：這篇文章源自我近期與 AI 的一段討論，主題是如何在數位孿生平臺中重現「土砂災害模擬」的三種途徑。

在討論過程中，AI 提供了明確的分析方向，也直接指出哪些想法可行、哪些不可行。經過逐步討論與反覆收斂後，我們最後整合出一個較為合適且具可行性的方案。

我也將這段討論內容另行整理於 Google Doc 文件中，一方面作為事後反思的紀錄，另一方面也提供給大家參考。