除了蚯蚓、地震魚和民間達人，那些常見的臺灣地震預測謠言

• 作者／賴昭正｜前清大化學系教授、系主任、所長；合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒，那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬．霍金（Stephen Hawking）　英國理論物理學家

大約在八十年前，當第一台數位計算機出現時，一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧；但七十年後，還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」（Artificial Intelligent，簡稱 AI）的能力最近十年突然起飛，在許多（所有？）領域的測試中擊敗了人類，正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元（graphic process unit，簡稱 GPU）是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia（英偉達）股票從每股不到 $5，上升到今天（5 月 24 日）每股超過 $1000（註一）的全世界第三大公司，其創辦人（之一）兼首席執行官、出生於台南的黃仁勳（Jenson Huang）也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人！可是多少人了解圖形處理單元是什麼嗎？到底是時勢造英雄，還是英雄造時勢？

在回答這問題之前，筆者得先聲明筆者不是學電腦的，因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事，不是我們外行人需要了解的；但作為一位現在的知識分子或公民，了解基本原理則是必備的條件：例如了解「能量不滅定律」就可以不用仔細分析，即可判斷永動機是騙人的；又如現在可攜帶型冷氣機充斥市面上，它們不用往室外排廢熱氣，就可以提供屋內冷氣，讀者買嗎？

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」（central process unit，簡稱 CPU）。CPU 是電腦的「腦」，其電子電路負責處理所有軟體正確運作所需的所有任務，如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作；但為了簡單化，我們在這裡所談的工作將只是執行算術和邏輯運算的工作（arithmetic and logic unit，簡稱 ALU），如將兩個數加在一起。在這一簡化的定義下，CPU 在任何一個時刻均只能執行一件工作而已。

在個人電腦剛出現只能用於一般事物的處理時，CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後，CPU 開始顯示心有餘而力不足：例如電玩動畫需要應用程式處理數以萬計的像素（pixel），每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年，英偉達將其一「具有集成變換、照明、三角形設定／裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」（註二）定位為「世界上第一款 GPU」，「GPU」這一名詞於焉誕生。不像 CPU，GPU 可以在同一個時刻執行許多算術和邏輯運算的工作，快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢？因每一時刻只能做一件事，所以其步驟為：

• 計算 7×5；
• 計算 6/3；
• 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢？很多工作便可以同時（平行）進行：

• 同時計算 7×5 及 6/3；
• 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間，但如果我們有 16 對 a×b 要相加呢？單獨的 CPU 需要 31 個運算的時間（16 個 × 的運算時間及 15 個 + 的運算時間），而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間（1 個 × 的運算時間及 4 個 + 的運算時間）！

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了，如何將它擺正成右圖呢？ 一句話：「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點（座標 x, y）組成的，所以這句簡單的話可讓 CPU 忙得不亦樂乎了：每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

即每一點均需要做四個 × 及兩個 + 的運算！如果每一運算需要 10^-6 秒，那麼讓《我愛科學》一書做個簡單的角度旋轉，便需要 6 秒，這豈是電動玩具畫面變化所能接受的？

人類的許多發明都是基於需要的關係，因此電腦硬件設計家便開始思考：這些點轉換都是獨立的，為什麼我們不讓它們同時進行（平行運算，parallel processing）呢？於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 10⁶ 運算，那上圖的轉換只需 10^-6 秒鐘！

GPU 的興起

GPU 可分成兩種：

• 整合式圖形「卡」（integrated graphics）是內建於 CPU 中的 GPU，所以不是插卡，它與 CPU 共享系統記憶體，沒有單獨的記憶體組來儲存圖形／視訊，主要用於大部分的個人電腦及筆記型電腦上；早期英特爾（Intel）因為不讓插卡 GPU 侵蝕主機的地盤，在這方面的研發佔領先的地位，約佔 68% 的市場。
• 獨立顯示卡（discrete graphics）有不與 CPU 共享的自己專用內存；由於與處理器晶片分離，它會消耗更多電量並產生大量熱量；然而，也正是因為有自己的記憶體來源和電源，它可以比整合式顯示卡提供更高的效能。

2007 年，英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後，科學家發現獨立 GPU 不但能夠快速處理圖形變化，在需要大量計算才能實現特定結果的任務上也非常有效，因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理，不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化，也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬（註三）等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分，正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲，遠遠落在英偉達（80%）及超微半導體公司（Advance Micro Devices Inc.，19%，註四）之後，大約只有 1% 的市場。

事實上現在的中央處理單元也不再是真正的「單元」，而是如圖二可含有多個可以同時處理運算的核心（core）單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心，因此其核心功能不如 CPU 核心強大，但它們能同時高速執行大量相同的指令，在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心；GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書，不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等，也知道它擺斜了。這種「平行運作」的能力不僅限於視覺，它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是：嘴巴在講，腦筋思考已經不知往前跑了多少公里，常常為了追趕而越講越快，將不少學生拋到腦後！這不表示筆者聰明，因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技，因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣（matrix）的讀者應該知道，如果用矩陣和向量（vector）表達，上面所談到之座標轉換將是非常簡潔的（註五）。而矩陣和向量計算正是機器學習（machine learning）演算法的基礎！也正是獨立圖形處理單元最強大的功能所在！因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石：它們的架構就是充分利用並行處理，來快速執行多個操作，進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」（deep learning）。

黃仁勳在 5 月 22 日的發布業績新聞上謂：「下一次工業革命已經開始了：企業界和各國正與英偉達合作，將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升，幫助企業降低成本和提高能源效率，同時擴大收入機會。」

附錄

人工智慧的實用例子：下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後，讀者是不是認為筆者該退休了？

GPU（圖形處理單元）和 AI（人工智慧）之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力，特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步，使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率，使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐，而且使其更具成本效益，因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展，GPU 的角色可能會變得更加不可或缺，推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標，這些神經元網路可以獨立但有凝聚力地工作，使我們能夠執行複雜的任務，例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外，研究表明，與非人類動物相比，人類大腦具有更多平行通路，這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上，一邊聽音樂一邊做飯，或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技，因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵：透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

（註一）當讀者看到此篇文章時，其股票已一股換十股，現在每一股約在 $100 左右。

（註二）組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」（GeForce 256）插卡吧?

（註三）筆者於 1984 年離開清華大學到 IBM 時，就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士（fellow）」Enrico Clementi 的團隊：因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層，我們只能自己寫軟體將 8 台中型電腦（非 IBM 品牌！）與一大型電腦連接來做平行運算，進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

（註四）補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商：英偉達及 ATI（Array Technology Inc.）。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立，2006 年被超微半導體公司收購，品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐（Lisa Tzwu-Fang Su）博士為執行長後，股票從每股 $4 左右，上升到今天每股超過 $160，其市值已經是英特爾的兩倍，完全擺脫了在後者陰影下求生存的小眾玩家角色，正在挑戰英偉達的 GPU 市場。順便一題：超微半導體公司現任總裁（兼 AI 策略負責人）為出生於台北的彭明博（Victor Peng）；與黃仁勳及蘇姿豐一樣，也是小時候就隨父母親移居到美國。

（註五）或。

延伸閱讀

• 「熱力學與能源利用」，《科學月刊》，1982 年 3 月號；收集於《我愛科學》（華騰文化有限公司，2017 年 12 月出版），轉載於「嘉義市政府全球資訊網」。
• 「網路安全技術與比特幣」，《科學月刊》，2020 年 11 月號；轉載於「善科教育基金會」的《科技大補帖》專欄。

本文由 交通部中央氣象署 委託，泛科學企劃執行。

• 文／陳儀珈

從地震儀感應到地震的震動，到我們的手機響起國家級警報，大約需要多少時間？

臺灣從 1991 年開始大量增建地震測站；1999 年臺灣爆發了 921 大地震，當時的地震速報系統約在震後 102 秒完成地震定位；2014 年正式對公眾推播強震即時警報；到了 2020 年 4 月，隨著技術不斷革新，當時交通部中央氣象局地震測報中心（以下簡稱為地震中心）僅需 10 秒，就可以發出地震預警訊息！

然而，地震中心並未因此而自滿，而是持續擴建地震觀測網，開發新技術。近年來，地震中心執行前瞻基礎建設 2.0「都會區強震預警精進計畫」，預計讓臺灣的地震預警系統邁入下一個新紀元！

連上網路吧！用建設與技術，換取獲得地震資料的時間

「都會區強震預警精進計畫」起源於「民生公共物聯網數據應用及產業開展計畫」，該計畫致力於跨部會、跨單位合作，由 11 個執行單位共同策畫，致力於優化我國環境與防災治理，並建置資料開放平台。

看到這裡，或許你還沒反應過來地震預警系統跟物聯網（Internet of Things，IoT）有什麼關係，嘿嘿，那可大有關係啦！

當我們將各種實體物品透過網路連結起來，建立彼此與裝置的通訊後，成為了所謂的物聯網。在我國的地震預警系統中，即是透過將地震儀的資料即時傳輸到聯網系統，並進行運算，實現了對地震活動的即時監測和預警。

地震中心在臺灣架設了 700 多個強震監測站，但能夠和地震中心即時連線的，只有其中 500 個，藉由這項計畫，地震中心將致力增加可連線的強震監測站數量，並優化原有強震監測站的聯網品質。

在地震中心的評估中，可以連線的強震監測站大約可在 113 年時，從原有的 500 個增加至 600 個，並且更新現有監測站的軟體與硬體設備，藉此提升地震預警系統的效能。

由此可知，倘若地震儀沒有了聯網的功能，我們也形同完全失去了地震預警系統的一切。

把地震儀放到井下後，有什麼好處？

除了加強地震儀的聯網功能外，把地震儀「放到地下」，也是提升地震預警系統效能的關鍵做法。

為什麼要把地震儀放到地底下？用日常生活來比喻的話，就像是買屋子時，要選擇鬧中取靜的社區，才不會讓吵雜的環境影響自己在房間聆聽優美的音樂；看星星時，要選擇光害比較不嚴重的山區，才能看清楚一閃又一閃的美麗星空。

地表有太多、太多的環境雜訊了，因此當地震儀被安裝在地表時，想要從混亂的「噪音」之中找出關鍵的地震波，就像是在搖滾演唱會裡聽電話一樣困難，無論是電腦或研究人員，都需要花費比較多的時間，才能判讀來自地震的波形。

這些環境雜訊都是從哪裡來的？基本上，只要是你想得到的人為震動，對地震儀來說，都有可能是「噪音」！

當地震儀靠近工地或馬路時，一輛輛大卡車框啷、框啷地經過測站，是噪音；大稻埕夏日節放起絢麗的煙火，隨著煙花在天空上一個一個的炸開，也是噪音；台北捷運行經軌道的摩擦與震動，那也是噪音；有好奇的路人經過測站，推了推踢了下測站時，那也是不可忽視的噪音。

因此，井下地震儀（Borehole seismometer）的主要目的，就是盡量讓地震儀「遠離塵囂」，記錄到更清楚、雜訊更少的地震波！​無論是微震、強震，還是來自遠方的地震，井下地震儀都能提供遠比地表地震儀更高品質的訊號。

地震中心於 2008 年展開建置井下地震儀觀測站的行動，根據不同測站底下的地質條件，​將井下地震儀放置在深達 30~500 公尺的乾井深處。​除了地震儀外，站房內也會備有資料收錄器、網路傳輸設備、不斷電設備與電池，讓測站可以儲存、傳送資料。

既然井下地震儀這麼強大，為什麼無法大規模建造測站呢？簡單來說，這一切可以歸咎於技術和成本問題。

安裝井下地震儀需要鑽井，然而鑽井的深度、難度均會提高時間、技術與金錢成本，因此，即使井下地震儀的訊號再好，若非有國家建設計畫的支援，也難以大量建置。

人口聚集，震災好嚴重？建立「客製化」的地震預警系統！

臺灣人口主要聚集於西半部，然而此區的震源深度較淺，再加上密集的人口與建築，容易造成相當重大的災害。

許多都會區的建築老舊且密集，當屋齡超過 50 歲時，它很有可能是在沒有耐震規範的背景下建造而成的的，若是超過 25 年左右的房屋，也有可能不符合最新的耐震規範，並未具備現今標準下足夠的耐震能力。 

延伸閱讀：

在地震界有句名言「地震不會殺人，但建築物會」，因此，若建築物的結構不符合地震規範，地震發生時，在同一面積下越密集的老屋，有可能造成越多的傷亡。

因此，對於發生在都會區的直下型地震，預警時間的要求更高，需求也更迫切。

地震中心著手於人口密集之都會區開發「客製化」的強震預警系統，目標針對都會區直下型淺層地震，可以在「震後 7 秒內」發布地震警報，將地震預警盲區縮小為 25 公里。

111 年起，地震中心已先後完成大臺北地區、桃園市客製化作業模組，並開始上線測試，當前正致力於臺南市的模組，未來的目標為高雄市與臺中市。

永不停歇的防災宣導行動、地震預警技術研發

地震預警系統僅能在地震來臨時警示民眾避難，無法主動保護民眾的生命安全，若人民沒有搭配正確的防震防災觀念，即使地震警報再快，也無法達到有效的防災效果。

因此除了不斷革新地震預警系統的技術，地震中心也積極投入於地震的宣導活動和教育管道，經營 Facebook 粉絲專頁「報地震 – 中央氣象署」、跨部會舉辦《地震島大冒險》特展、《震守家園 — 民生公共物聯網主題展》，讓民眾了解正確的避難行為與應變作為，充分發揮地震警報的效果。

此外，雖然地震中心預計於 114 年將都會區的預警費時縮減為 7 秒，研發新技術的腳步不會停止；未來，他們將應用 AI 技術，持續強化地震預警系統的效能，降低地震對臺灣人民的威脅程度，保障你我生命財產安全。

本文由 交通部中央氣象署 委託，泛科學企劃執行。

• 文／何其恩

大家印象中的地震是什麼樣子呢？是災難電影中，地震來了就是天搖地動、山崩地裂？還是曾經在新聞上看到路面裂開、房屋損壞？

其實地震可以根據不同區域、產生原因等分成許多種類。像是火山地震、隕石地震、冰川地震⋯⋯等。如果我們用物理特性來分類，可以把地震分為快地震及慢地震。

什麼是慢地震訊號？

一個斷層存在著接近脆性變形（可以想像這時地層像餅乾一樣，受到壓力會破碎）的孕震區，當應力累積到極限時，就會發生破裂產生地震；隨著溫度及壓力改變，會慢慢接近韌性變形（這時地層比較像黏土，受到壓力不會破碎，而是直接變形，難以累積應力）的穩定滑移區。

當然也存在介於兩個性質之間的區域，就是慢地震常發生的地方，累積應力到一定程度時破裂，但又緩慢回彈，形成維持時間長但瞬時能量不大的一種地震，稱為「慢地震」。

在 21 世紀前，地球科學家們就有共識，斷層依照破裂方式可大約分成兩個種類：一種是會被鎖定一段時間，發生錯動產生地震的黏滑斷層（stick-slip faults）；另一種則是持續穩定滑移的潛移斷層。

慢地震的發現，讓我們了解並驗證斷層的錯動方式，有介於上述兩者之間的模式，可以像黏滑斷層一樣累積應力，錯動的方式卻類似潛移斷層。

慢地震的發現

慢地震分成非常多種，像是長微震（Tremor）、低頻事件（LFT）、超低頻事件（VLF）、慢滑移事件（SSE）⋯⋯等。有些名字很早就被拿去火山地區使用，因為岩漿等流體造成的震動，也會有長微震、低頻事件出現。2002 年，日本學者首次發現非火山區的板塊交界帶出現了長微震，臺灣則是在 2008 年開始出現相關研究。現在學界會特別區分這些微震是屬於火山區（volcanic ）還是非火山區（non-volcanic）。

臺灣的慢地震：中央山脈南段底下的長微震

在臺灣，非火山長微震主要位於中央山脈南段下方的地震空區。那裡有高 Vp/Vs 值、高地熱梯度、低電阻⋯⋯等特性，說明了在隱沒過程中，脫水產生的流體在此富集。往北方經歷更多碰撞作用時，應力在深部呈現局部集中，孔隙壓劇烈變化產生了長微震訊號。

臺灣發現的長微震比其他國家的更短、更微弱。根據文章的描述，2007 年至 2012 年中在臺灣搜尋到的長微震，最長僅約半小時左右。

此外，臺灣的慢地震有明顯的年週期性：長微震數量多時，氣壓較低、潮位較高、降水量較低，地下水位也較低。這跟我們說明了，地下水位變化帶來的應力擾動和潮汐力一樣重要，其綜合效應可能有效加速慢地震的活動性。

開啟地震前兆研究的另一條路

為什麼近年來慢地震開始受到地震前兆研究關注呢？因為研究發現，這些微震對應力的變化非常敏感，甚至潮汐力的改變都有可能影響長微震的發生率。那是不是有個可能，地震發生前的應力改變，也會反映到長微震身上呢？

一篇 2017 年發表在《美國地球物理研究期刊》的論文，就以 2010 年甲仙地震（規模 6.4）為目標，研究團隊分析地震發生前的長微震發生率。結果顯示在甲仙地震發生的 2 個月前以及 3 週前都看到長微震發生率的顯著變化！另一方面，研究團隊也比較了 GPS 地表位移場的資料，同樣發現在這兩個時間點出現了異常變化。

除了主震之外，團隊還研究了比較大的餘震。同樣在 2011 年 1 月一場規模 4.2 的餘震也看到類似的異常現象。不過，並不是所有餘震都能觀察到，像是 2010 年 7 月規模 5.7 的餘震就沒有觀察到任何異常變化。研究團隊表示，可能是主震造成長微震的影響還在，所以沒辦法觀測到顯著的變化。

這也說明了，利用長微震異常作為地震預測的手段還是存在許多限制。但這份研究的確為地震前兆開啟新的可能，觀察到顯著的關聯並提出可能的物理機制，為地震前兆研究注入一股新的力量！

延伸閱讀

• 什麼是長微震？從長微震中能找尋大地震的前兆？

• Kato, K. Obara, T. Igarashi, H. Tsuruoka, S. Nakagawa, N. Hirata, Propagation of Slow Slip Leading Up to the 2011 Mw 9.0 Tohoku-Oki Earthquake, Science, vol335, 705 (2012)
• Chao, K., Z. Peng, Y.-J. Hsu, K. Obara, C. Wu, K.-E. Ching, S. van der Lee, H.-C. Pu, P.-L. Leu, and A. Wech （2017）, Temporal Variation of Tectonic Tremor Activity in Southern Taiwan Around the 2010 ML6.4 Jiashian Earthquake, J. Geophys. Res. Solid Earth, 122, 5417-5434, DOI:10.1002/2016JB013925.
• 慢地震 Slow Earthquake https://academic-accelerator.com/encyclopedia/zh/slow-earthquake#google_vignette

• Yoshihiro Ito, Ryota Hino, Motoyuki Kido, Hiromi Fujimoto, Yukihito Osada, Daisuke Inazu, Yusaku Ohta, Takeshi Iinuma, Mako Ohzono, Satoshi Miura, Masaaki Mishina, Kensuke Suzuki, Takeshi Tsuji, Juichiro Ashi,
  Episodic slow slip events in the Japan subduction zone before the 2011 Tohoku-Oki earthquake,
  Tectonophysics, Volume 600, 2013, Pages 14-26, ISSN 0040-1951, https://doi.org/10.1016/j.tecto.2012.08.022

• 慢地震解密：中央山脈的呢喃 https://rh.acad.ntnu.edu.tw/tw/article/content/40