重溫2012(一)理性看森林火燒

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

最近，印尼蘇門答大島上的廖內省(Riau)因為砍燒森林造成森林大火，燃燒產生的煙霧嚴重影響附近地區，杜邁市(Dumai City)的空氣汙染指數(Air Pollution Index, API)一度高達500，遠遠超過安全值100。這些煙霧因為風向飄過麻六甲海峽，嚴重影響對岸的新加坡與馬來西亞等鄰國，新加坡21日空氣汙染指數亦飆破400，許多國際會議因而取消或延期，馬來西亞南部亦傳出有婦女因為霾害而死亡。

空氣污染指數為反映一地空氣的污染程度，如最常見的氮氧化物、懸浮微粒和二氧化硫，根據實際的污染物觀測值與特定公式計算。各國對空氣污染指數的計算方法和規定有所不同，名稱也稍有區別，不過普遍以100為安全值。

雖然霾害的近因是印尼蘇門答臘島的森林大火，但是東南亞地區的霾害絕非單純的天然災害，真正主因是近年來東南亞各國積極追求經濟發展，在此趨勢之下伴隨越來越極端的氣候變遷，因為人為因素與自然環境共同導致的環境災變。

東南亞地區地處熱帶，終年雨量充沛，然而每年的6〜11月，由於雨帶北移到東亞與東北亞的季風區，為印尼、馬來西亞的乾季，每年這段期間在先天環境上便是發生森林大火的高風險時期。

此外，東南亞諸國自2000年後積極進行區域經貿整合，為了維持出口成長及產業競爭力，政府鼓勵農民與商業集團種植高經濟價值作物或進行其他開發，砍燒(slash and burn)森林在印尼、馬來西亞等東南亞國家已經行之有年。在先天環境不佳的情形下，農民與商業集團的伐木與開墾行為，更使情況火上加油，讓近年來東南亞的霾害影響範圍更廣、規模也更巨大。

霾害之所以可怕，在於它影響層面甚廣。霾害看起來和一般的煙霧一樣，然而，其中所含的懸浮微粒一旦進入人體，會造成支氣管炎、肺氣腫、頭部血管疾病、肺病和心臟血管疾病等，對於長期健康危害的影響亦不容忽視。此外，霾害會嚴重影響一地的交通運輸系統，並對經濟造成衝擊，例如本次新加坡的觀光業便深受霾害所苦。

東南亞的霾害顯現天然災害的複雜性，幾乎所有災害都是自然與人為因素交互影響所造成。此外，天然災害無國界之分，國際的防災合作與交流便顯得非常重要。不過，東南亞各國如果不能在經濟發展與環境之間取得平衡，每年總會有那麼幾天，太陽將在濃厚的煙霾之後黯淡無光。（本文由國科會補助｢新媒體科普傳播實作計畫─重大天然災害之防救災科普知識教育推廣｣執行團隊撰稿）

責任編輯：鄭國威 | 元智大學資訊社會研究所

本文原發表於行政院國家科學委員會–科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！

延伸閱讀：

經濟發展與環境永續：東南亞霾害治理之困境與展望

Fires in Indonesia: Causes, Costs and Policy Implications
東南亞的霾害：現代啟示錄
台灣的空氣汙染指標

我們人類算不算是自然的一部分？如果我們是以人為本位，把自然當成資源，我們會希望木材、獵物能夠被使用，住在森林附近的居民也不想要受火災威脅，因此認為森林火是一種「災」。林朝欽博士是林業試驗所森林保護組的研究員，他長期支援國內森火防範工作、研究國內外森林火，他以中性的觀點出發，以更廣的視野看「森林火燒」的防災與生態意義。

防災觀點一：如何進行預防工作

如果從災害的觀點來看，第一步就是「森林火災危險度」的預測，就像氣象局預測今天會不會下雨，在森林火燒發生之前，每天都會計算今天發生的機率。

機率計算原理其實很簡單，假想今天有10個火點丟到這片森林，會有多少個火點引起燃燒？能引發火燒的比例就是森林火災危險度。

而測量需要從起火因子著手，第一是燃料的溼度，如果燃料越乾燥，就越容易點燃；第二是燃料的性質，就如同烤肉不會拿最大塊的木炭來燒，而是將木炭先打碎，在森林中容易引起火災的也是樹幹較細小的樹木，像是松針。

所以我們在一整片森林中，只要測量最易燃種類樹木的濕度，就可以預測森林火災危險度，並將全國森林火災危險分布圖發布在林務局的網站上。

防災觀點二：如果真的發生了 怎麼應變？

農委會的林業試驗所目前正協助訓練森林救火隊，而滅火成功的關鍵是：預測火接下來會往哪邊燒？前進的速度多少？稱為「林火行為預測」。

要能夠掌握林火行為預測，得要熟悉3個要點：森林的氣象變化、森林特性、地形。就氣象變化而言，風向是預測火燒方向、速度的重要因子，濕度也會影響火燒的強度。

就森林特性而言，像是松樹屬於易燃性質，因為它含有油脂；二葉松的樹皮含有高含量的矽(Si)，就像砂子的成分一樣，因此火不易燒死有較厚樹皮的老松樹。再者，針葉林的樹形是下寬上窄的三角形，接觸火的面積大而容易擴大燃燒；如果是樹型下空上滿的闊葉林，接觸火的面積小，比起針葉林不那麼容易燃燒。

不同的地形也會對森林火燒產生重要的影響，不同的坡向所受的太陽光也不同，進而影響森林的乾濕度；在山谷地區的起火會順著山勢往上燒，比山稜上的起火而造成的燃燒面積更大。

為了要建立林火行為預測的模型，研究者會在實驗室進行模擬，將這3個因子在控制下進行試驗住。比方說選擇特定的燃料來實驗，經過浸水來控制濕度，接著可以製作不同地形的實驗場地，控制它的坡度。點火後，得到一些數據，從實驗中找出這些變因的影響關係。

但是真實世界是變化萬千的，所以我們接著會到野外實驗，再來修正預測模型的數學公式。這數學模型的運算結果會呈現在地圖上，讓林務局在救火的時候，可以清楚看到林火行為。

目前世界各國都累積了很多經驗，也投入許多心力在林火行為預測的研究上，因此現在的預測可以做得很好。

防災觀點三：森林滅火有什麼策略？

最有效的森林滅火不是直接去撲滅已經起火的地方，去救已經燒掉的森林沒有意義，要規畫犧牲哪些地方，盡我們所能保留最大的安全區塊。因此飛機的阻燃劑不是直接燃燒的森林上噴撒，而是撒在要擋下火勢的防線上，阻燃劑的成分是與一般肥料的成分類似，所以可能避免汙染森林環境。

滅火人員的有效策略是「引火回燒」，火燒很快的時候，你怎麼追趕都無法滅的比燒得快，但是我們在火勢前頭透過人為引火往回燒，製造出缺乏燃料的「防火線」。要能夠準確的擋下火勢，最重要的是能夠準確預測林火行為，否則真的需要擋的地方沒擋到，救火時間就會延長且損失更多森林面積。

雖然飛機的速度較快，但是滅火人員的引火回燒更強效，沒有燃料絕對可以確保阻擋火勢，但是阻燃劑卻不一定能阻擋太大的火勢，所以重要的部分會優先派人進行任務，其他人力不足的地方才透過飛機支援。

生態觀點：森林火燒 v.s. 森林火災

如果我們從森林生態的角度，我們使用「火燒」這個中性的詞，而不把森林火視為災害。火其實有更新的作用，能夠幫助生態循環，避免森林老化。大自然本身就會有規律的小火燒發生，透過雷電等自然現象就可能引發。

小火也有把地面清乾淨的功能，可以讓一些植物種子容易扎根。甚至在美國需要火的森林，如果沒有火反而還要主動去燒，火也是森林經營、管理的工具，稱為「計畫性火燒」(prescribed burning，醫學上prescription是處方，意思經過診斷後開的藥方，也隱含了經過燃燒學研究後要引燃的森林)。

如果將所有森林火燒都視為要撲滅的災害，會遇到什麼負面結果？除了抑制生態系更新，累積過多燃料，反而會造成大火發生。

1張山頭裸露的照片對台灣民眾而言是很驚悚的景象，但是幾個月後，這個地方經過次級演替又再度充滿生命力，小火燒對森林而言其實是益大於害的。

這個概念在台灣行政上還不被接受，認為有火就要滅，有火就是災。我們的研究還在蒐集更充足的證據，證明大自然有足夠的生命力進行周期循環，提倡「森林火燒」而非「森林火災」的概念。

每一個自然現象都有其功能，颱風、火山、森林火燒都不是只有害處。就森林火燒而言，我們應該要釐清哪些森林是需要火，讓它規律的燒；也要清楚強度多大的火燒會帶來危險、多小的火燒不會燒到人類居住地，再決定要如何防範。

(本文原發表於行政院國家科學委員會-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！)

延伸學習：

• 林朝欽（民91），細說森林火 : 害怕它?不如了解它，行政院農業委員會林務局，台北。
• 林朝欽（民 92），野火，是森林的敵人還是朋友？科學人，11， 85-87。

自1901至2006年，台灣地區共有97次災情較嚴重的地震災害，如果不論災情，台灣位於板塊交界帶，大小地震是家常便飯，在台灣人心中，或許頻繁的地震就像「黃鼠狼拜年」令人畏懼。郭鎧紋博士是中央氣象局地震測報中心主任，從台大地質系求學到多年的地震研究工作，經驗豐富的他由淺入深地介紹地震原理和近代趨勢，也探討多年觀察下來的有趣問題。

地震與原子彈釋放能量比一比

常常聽到地震幾級、規模多少，到底代表什麼意思？其實幾「級」指的是地震強度，各地隨著距離震源遠近不一，感受到的強度也不一樣，因此同一個地震在不同地方會有不一樣的強度。但是規模指的是這個地震本身所釋放的能量大小，因此同一個地震的規模不會因地而異。

地震規模有不同的算法，因此有的時候會看到同一個地震有不同的規模紀錄。比較常見的是「震矩規模」和「芮氏規模」，前者是依照地震的破裂面大小來計算，後者是從最大振幅的測量來計算。

從地震釋放能量的觀點來看，芮氏規模6.2的地震所釋放的能量相當於1顆原子彈，芮氏規模8.2的地震就相當於1,024顆原子彈，規模每增加0.2，能量就會增加為2倍。

全球地震趨勢

隨著監測技術進步，1900年以後芮氏規模7.0以上的地震都不會遺漏，因此根據近一百多年來的紀錄，發現每年全球大約有17個規模7以上的地震。

全球規模8以上平均每年有1個，有時候某一年沒有芮氏規模8.0以上的地震，有時候1年卻來了兩個以上。如果統計每年全球所有的地震釋放的能量總和，平均大約等於1個芮氏規模8.3的地震。

1965年以後的近40年，全球的大地震比較少，進入平緩時期，直到2004南亞大海嘯造成28萬人死亡，舉世震驚。加上當時正是歐洲國家的聖誕假期，許多歐洲人到南亞度假，北歐國家在南亞大海嘯當中喪生的國民平均有4000人。

在南亞大海嘯之前，研究海嘯的專家少之又少，因為近幾十年來國際上嚴重的海嘯事件不多，直到南亞大海嘯之後才有新的研究趨勢。

迷思一：台灣的地震都在下班時發生？

有一天我晚上值班的時候，龜山島連續發生5個地震，後來我們注意到1件事情，台灣地過去20年來規模6以上的地震共有19個發生在正常上班時間，61個發生在半夜或假日，在下班時間發生重大地震的機率竟是上班時間的3.5倍，怎麼會這樣？

但讓我們再想想，周休二日和國定假日約佔1年的1/3，上班日只有2/3，一天上班的時間算八小時要再乘上1/3，這樣平均每年只有2/9的時間在上班，下班時間是7/9，兩者相除竟然真的是3.5！可見這傳言只是庸人自擾。

迷思二：鄰國發生地震 代表台灣接著也會發生地震？

一般民眾可能認為日本發生強震之後，台灣很可能也受到影響而發生大地震，這是真的嗎？日本東部的地震，起因侷限於北美板塊與歐亞大陸板塊的作用，與台灣距離兩千五百公里，就算在相近的時間點發生地震，也只是巧合。

環太平洋火山地震帶是地球上地震發生最頻繁的區域，台灣的地震與菲律賓海板塊和歐亞大陸板塊有關，和太平洋板塊並沒有直接關係。世界上最深的馬里亞納海溝深度達10,911公尺，將菲律賓海板塊與太平洋板塊隔開來，日本地震一般是由太平洋板塊碰撞其他板塊造成，因此台灣與日本地震較無連動效果。

而中國大陸時常發生地震的西南一帶，為印澳板塊與歐亞大陸板塊交界處，雖然汶川地震的斷層破裂面長達三百多公里，但是距離台灣仍有幾千公里的距離，因此並不會影響台灣發生地震。

如果擔心地震災害的連動影響，我們可以先去了解這些事件背後的原理。平時就做好防震準備，並且理性面對天災，才能避免聽信謠言，造成非必要的恐慌。

（本文原發表於行政院國家科學委員會-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！）

我們人類算不算是自然的一部分？如果我們是以人為本位，把自然當成資源，我們會希望木材、獵物能夠被使用，住在森林附近的居民也不想要受火災威脅，因此認為森林火是一種「災」。林朝欽博士是林業試驗所森林保護組的研究員，他長期支援國內森火防範工作、研究國內外森林火，他以中性的觀點出發，以更廣的視野看「森林火燒」的防災與生態意義。

防災觀點一：如何進行預防工作

如果從災害的觀點來看，第一步就是「森林火災危險度」的預測，就像氣象局預測今天會不會下雨，在森林火燒發生之前，每天都會計算今天發生的機率。

機率計算原理其實很簡單，假想今天有10個火點丟到這片森林，會有多少個火點引起燃燒？能引發火燒的比例就是森林火災危險度。

而測量需要從起火因子著手，第一是燃料的溼度，如果燃料越乾燥，就越容易點燃；第二是燃料的性質，就如同烤肉不會拿最大塊的木炭來燒，而是將木炭先打碎，在森林中容易引起火災的也是樹幹較細小的樹木，像是松針。

所以我們在一整片森林中，只要測量最易燃種類樹木的濕度，就可以預測森林火災危險度，並將全國森林火災危險分布圖發布在林務局的網站上。

防災觀點二：如果真的發生了 怎麼應變？

農委會的林業試驗所目前正協助訓練森林救火隊，而滅火成功的關鍵是：預測火接下來會往哪邊燒？前進的速度多少？稱為「林火行為預測」。

要能夠掌握林火行為預測，得要熟悉3個要點：森林的氣象變化、森林特性、地形。就氣象變化而言，風向是預測火燒方向、速度的重要因子，濕度也會影響火燒的強度。

就森林特性而言，像是松樹屬於易燃性質，因為它含有油脂；二葉松的樹皮含有高含量的矽(Si)，就像砂子的成分一樣，因此火不易燒死有較厚樹皮的老松樹。再者，針葉林的樹形是下寬上窄的三角形，接觸火的面積大而容易擴大燃燒；如果是樹型下空上滿的闊葉林，接觸火的面積小，比起針葉林不那麼容易燃燒。

不同的地形也會對森林火燒產生重要的影響，不同的坡向所受的太陽光也不同，進而影響森林的乾濕度；在山谷地區的起火會順著山勢往上燒，比山稜上的起火而造成的燃燒面積更大。

為了要建立林火行為預測的模型，研究者會在實驗室進行模擬，將這3個因子在控制下進行試驗住。比方說選擇特定的燃料來實驗，經過浸水來控制濕度，接著可以製作不同地形的實驗場地，控制它的坡度。點火後，得到一些數據，從實驗中找出這些變因的影響關係。

但是真實世界是變化萬千的，所以我們接著會到野外實驗，再來修正預測模型的數學公式。這數學模型的運算結果會呈現在地圖上，讓林務局在救火的時候，可以清楚看到林火行為。

目前世界各國都累積了很多經驗，也投入許多心力在林火行為預測的研究上，因此現在的預測可以做得很好。

防災觀點三：森林滅火有什麼策略？

最有效的森林滅火不是直接去撲滅已經起火的地方，去救已經燒掉的森林沒有意義，要規畫犧牲哪些地方，盡我們所能保留最大的安全區塊。因此飛機的阻燃劑不是直接燃燒的森林上噴撒，而是撒在要擋下火勢的防線上，阻燃劑的成分是與一般肥料的成分類似，所以可能避免汙染森林環境。

滅火人員的有效策略是「引火回燒」，火燒很快的時候，你怎麼追趕都無法滅的比燒得快，但是我們在火勢前頭透過人為引火往回燒，製造出缺乏燃料的「防火線」。要能夠準確的擋下火勢，最重要的是能夠準確預測林火行為，否則真的需要擋的地方沒擋到，救火時間就會延長且損失更多森林面積。

雖然飛機的速度較快，但是滅火人員的引火回燒更強效，沒有燃料絕對可以確保阻擋火勢，但是阻燃劑卻不一定能阻擋太大的火勢，所以重要的部分會優先派人進行任務，其他人力不足的地方才透過飛機支援。

生態觀點：森林火燒 v.s. 森林火災

如果我們從森林生態的角度，我們使用「火燒」這個中性的詞，而不把森林火視為災害。火其實有更新的作用，能夠幫助生態循環，避免森林老化。大自然本身就會有規律的小火燒發生，透過雷電等自然現象就可能引發。

小火也有把地面清乾淨的功能，可以讓一些植物種子容易扎根。甚至在美國需要火的森林，如果沒有火反而還要主動去燒，火也是森林經營、管理的工具，稱為「計畫性火燒」(prescribed burning，醫學上prescription是處方，意思經過診斷後開的藥方，也隱含了經過燃燒學研究後要引燃的森林)。

如果將所有森林火燒都視為要撲滅的災害，會遇到什麼負面結果？除了抑制生態系更新，累積過多燃料，反而會造成大火發生。

1張山頭裸露的照片對台灣民眾而言是很驚悚的景象，但是幾個月後，這個地方經過次級演替又再度充滿生命力，小火燒對森林而言其實是益大於害的。

這個概念在台灣行政上還不被接受，認為有火就要滅，有火就是災。我們的研究還在蒐集更充足的證據，證明大自然有足夠的生命力進行周期循環，提倡「森林火燒」而非「森林火災」的概念。

每一個自然現象都有其功能，颱風、火山、森林火燒都不是只有害處。就森林火燒而言，我們應該要釐清哪些森林是需要火，讓它規律的燒；也要清楚強度多大的火燒會帶來危險、多小的火燒不會燒到人類居住地，再決定要如何防範。

(本文原發表於行政院國家科學委員會-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊，也有臉書喔！)

延伸學習：

• 林朝欽（民91），細說森林火 : 害怕它?不如了解它，行政院農業委員會林務局，台北。
• 林朝欽（民 92），野火，是森林的敵人還是朋友？科學人，11， 85-87。