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。」
核心概念
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、哪座橋梁首當其衝。
◎
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
四個核心意義
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，而是告訴你這條野溪或坑溝對什麼最敏感。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，對防砂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。
關於「校正」
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。
觀點轉換
「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。」
實務建議
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。
沒有留言:
張貼留言