重溫2012(二)土石流之險

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

爬山是許多人熱愛的休閒運動，而台灣得天獨厚，儘管在繁華的市區附近，也不乏許多親山步道。爬山時除了眺望美景外，你是否低頭留意腳下的步道，以及雙足與土地親近踩踏的感覺呢？

「為什麼郊山距離短走完膝蓋痛，但百岳的步道走很久，可爬起來卻比較舒服？」10 多年前徐銘謙是個熱愛征服百岳的年輕人，她從爬山的經驗拋出這個問題，沒想到在找解答的過程中，竟轉換了自己的生涯方向，開始在台灣推動手作步道，成為台灣少數的資深步道師，現為「千里步道協會」副執行長，亦是臺大國發所兼任助理教授。

大學就讀歷史系，畢業後在臺大國發所攻讀碩博士，以海洋政策、兩岸政策作為她的研究領域。那是怎麼跟「步道」結緣的呢？

在2002年時，她只是個熱愛攀登百岳的登山客，但注意到陽明山坪頂古圳步道安山岩的石階因生青苔被挖起棄置路旁的消息，新的步道工程為了搬運外來材料，必須砍樹作施工便道，以換上新的花崗岩石階，這才讓她開始留意到一般工程對山林破壞的問題，遂接二連三參與環保、文史及許多民間團體的運動，包括陽明山「刷青苔、救步道」、「愛山林、反纜車」等倡議活動。然而，在當時她及這些民間團體都是工程「外行」，面臨「欠缺步道工程專業」的質疑，步道難道只能用修築馬路的工程形式修建嗎？修步道還有無更好的方式呢？於是 2006 年她帶著好多問題，加入阿帕拉契山徑志工的行列，在山林裡待了快兩個月，每天揮汗如雨地學習如何用鋤頭、石頭和木材鋪設山林合一的小徑。

她笑著表示，手作步道的精髓就是「渾然天成、大隱無形」，施作時通常會就地取材，讓步道與周圍環境融為一體，表面上看來它僅是一條鋪著落葉、塵土或石子的路痕，你甚至感受不到人工斧鑿的痕跡。

這與郊山常見的塑膠木棧道、水泥強制固定的石階，或是各大風景區瘋狂蓋的天空步道是差很多的！

手作步道不安全？手作步道可以解決很多問題

經歷阿帕拉契山徑志工的洗禮後，徐銘謙加入徐仁修、小野、黃武雄辦理的「千里步道協會」，在 2007 年與林務局合作開始「步道工作假期」，以志工自費出力的工作假期形式，希望結合公民與志工的力量，以手作步道的工法進行步道日常維護，喚起大眾對山林步道受到工程過度破壞的問題。

然而，缺乏工程背景的人做步道安全嗎？山區常見的土石流、山崩問題，不是應該靠水泥才將石階穩穩黏在地上嗎？上述是大家對手作步道工法常見的質疑。

「礫石地、泥土都是質地軟硬不同的，你拿水泥去黏石板，面對大自然的水沖刷怎麼會穩？」徐銘謙表示，一下大雨，水泥與土壤的黏接接縫容易被掏空，步道很容易就壞了，相反地石頭卡進泥裡抓地性更強，土壤亦不容易受到沖刷。

手作步道反而能解決很多傳統工程無法解決的問題呢！擦拭天使的眼淚，修補嘉明湖的沖蝕溝就是個好例子。

嘉明湖是登山客熱點，被譽為一輩子一定要去一次的地方，但這段通往天使眼淚的陡坡上，地質相當破碎，遊客數量太多，產生凹陷，再有水沖刷就形成深溝，久之步道就形成深度超過「100 公分」的沖蝕溝，人就避開走旁邊，在好漢坡路段上更有四五條複線步道，這不是遊覽車輾過的車道，而是人走出來的瘡疤！

為了拯救沖蝕溝，千里步道協會與台東林管處合作，自 2014 年起每年辦理手作步道工作假期。30 名志工得連續七天不洗澡，在酷寒天裡排起一列的人龍傳遞現地石塊，用大量石塊把沖蝕溝補起來，並用土石設計導流裝置，讓水順利排除。

步道補完並不代表傷痕就消失，步道師每年都會回來巡查，確保步道狀況，若原路沖蝕狀況仍然嚴重，就需要另尋平緩路段改道。她也建議，政府應針對脆弱地質環境，定期做環境乘載量評估和踩踏分析，必要時限制入山人數，調節森林的呼息節奏，找到環境與人更好的共處之道。

師法大自然、耆老學修步道

手作步道的工法看似樸實，但裡頭藏著許多 know-how。去年徐銘謙、幾位步道師以及千里步道協會同仁，受林務局委託，集結國內外、自身修建步道的經驗，編纂《步道工法設計手冊》。

手冊厚達 400 頁，裡頭涵蓋 120 種工法、44 張施工設計圖，說「手作步道是門紮實的學科」一點也不為過！

特別的是，步道學的建立並非只有師法國際經驗，還有許多是向台灣在地資深步道師請教的成果。這才發現每條步道都有豐富歷史文化意涵，且與工法的施作是息息相關。

徐銘謙舉例，竹苗山城客家庄一帶的步道常見大顆鵝卵石鋪設的階梯，細看鵝卵石並不是平卡進斜坡，而是有些斜卡入土中，稱為「龍抬頭」，這是因為卵石表面比較圓不夠平整，為了防止往下滑的設計。此外，每階的高度亦是精準估計，讓人扛著扁擔爬階梯時，配合步調能夠省力，有時步道旁還有平滑的斜坡，那是古代牽牛時，牛在走的路。

屏東排灣族的「舊達來部落」則可見另一種步道修建方式。

舊達來部落大都是易碎頁岩石板，但碎石塊其實很難鋪在斜坡上、咬住地面，因此族人採用日本人教導的「立砌小石」工法：

先將步道挖凹槽，然後回填石塊，將大塊的放在第一層增加摩擦力，並以石塊長徑埋入為原則，每塊石頭都要交錯、咬合，像排拼圖一樣，最後再將細碎的石子卡入石頭縫隙中，即完成平整美觀又兼顧水土保持的砌石步道。

族人稱這個工法「cemu kad」（類似國語「怎麼幹」音），徐銘謙笑說：「當時聽到族人講『怎麼幹』時，就有點嚇到，想說自己是不是冒犯他們了。」後來才知道這個「立砌小石」工法的動詞用法在排灣族語就唸成「怎麼幹」，一經解釋後，大家才豁然開朗，算是在舊達來部落遇到的歡樂插曲。

排灣族的砌石工藝實在了得，石頭更是排灣族的靈魂 ，每顆石頭依大小都有不同的名字，太大顆的石頭 (ta gulj) 還不能動，否則會帶來厄運。徐銘謙表示，當工法加入脈絡和在地歷史特色時，我們看工法就會有截然不同的感受，在做步道的同時，也將老祖先的智慧給傳下去了！

扼殺步道生態的怪獸：發包工程制度

千里步道協會自 2006 年成立至今，已辦理數百場的手作步道工作假期，修築的步道遍佈全台，累積超過 100 多條。為了系統化訓練手作步道人才，2015 年提出「步道學課程體系」及公布「步道師」認證方式，現在全台已有 40 多位的手作步道師。

從環境運動開始，一路走來快 20 年。徐銘謙坦言：「做步道不難，最困難的還是改變體制。」過往國家訂立各類工程發包制度，主導步道景觀設計，但發包制度卻成為扼殺步道生態的怪獸。

她感嘆，政府發包工程的「建造百分比」規定，以及長期最低標惡性競爭，將步道設計費壓低，設計費佔實際工程決算的比例往往須低於 5%，因此步道設計圖大都畫得簡略，僅大致說明步道材質、寬度而已，然後施工者就照著做了，而工程大部分的費用除了用於鋪設人力之外，就是買更多外來建材。

發包工程的作法完全違背手作步道的精神，徐銘謙苦笑說：「照現在的發包制度，廠商根本沒有誘因採用手作步道工法，所以集結公民社會的力量，改變現存國家和營建業者為主的工程技術模式。」

因此，持續辦理工作假期、培育手作步道人才，甚至為政府設計手作步道工程發包的 SOP 及系統化整理手作步道工法……這些都是必要的事情。唯有如此，才能喚起更多人的重視，進而推翻鞏固以久的體制。

「我一個人絕對做不了這些事情，要大家一起才行！」徐銘謙表示，今年淡蘭古道修建，政府決定全面採用手作步道的工法，這正是公民社會一起促成步道施工技術改善的結果。

台灣山多，步道還很長，但徐銘謙相信在公眾齊心努力下，有天全台步道都可以是手作步道，讓山林得以用渾然天成的樣貌迎接每位登山者。

台灣的「山」多「谷」也多，山谷地的氣候若濕潤，就容易有小河，平常，這些小河是涓涓流水、旅客絡繹不絕，但是土石流一旦發生，1米的小水溝瞬間變成50米，釀成災害。台灣大學土木系的劉格非教授為麻省理工學院的土木工程博士，土石流正是其研究專長。

為什麼會有土石流「災害」？

土石流是土石運移的自然現象，只要念過高中地理課程就知道，在地形從年輕的高山變成年老均夷的地貌過程中，土石流就是其中1種形式。

劉格非說：「發生土石流的3大要素就是土、水、坡度。」雖然台灣有足夠的條件使我們容易發生土石流，但是並不等於發生「土石流災害」，土石流發生的地區得要有需要保全的對象，像是居民或財產，才會有治理和防災的概念產生。

因為需要坡度，一般而言山坡地就是土石流發生的危險區域，而台灣兩千三百多萬人口中，就有三分之一住在山坡地區，很難不面對土石流災害。台灣降雨非常集中，颱風與暴雨提供了充足的水分，只要有料源的山坡地，自然就容易發生土石流。

而土石流料源的源頭，除了自然風化土壤與常見的崩坍外，也受其他自然事件影響，如颱風與地震。1999年921大地震的芮氏規模為7.3，地牛翻身使得台灣地層破裂、脆弱的地質更加鬆動，是產生土石流料源的重要過程之一。

另外，人為因素也可能產生土石流料源，包括非法使用河道、在山地開闢道路、過度開發和超限利用等，這些行為致使完整的地層被攔腰截斷，失去保護，易發生崩坍進而帶來土石流的料源。

從上游到下游─認識土石流的不同面貌

在台灣第1部土石流紀錄影片中，1996年賀伯颱風期間的情景被清楚紀錄下來，拍攝地點在南投縣神木村流域上游，「這部影片震驚全世界，很多人不知道這麼大的石頭會快速流動。」劉格非教授說。中上游的時候土石流隨陡坡降低有更多動能、流速快；而充滿了礫石的土石流稱為石流，強大的破壞力能把橋樑沖走。

到了下游，土石流看起來已經呈現泥流狀態，因為大石頭已慢慢沉積，但是絕對別因為看起來像泥流就把手伸進去，因為其實內部有很多礫石恐造成傷害。

土石流對下游破壞力很大，因此常見用攔砂壩來阻擋。但是豪雨造成的土石流，只要1次，就足以將攔沙壩淤滿。除非進行清淤，否則很難阻攔下一次土石流。因此，「以建壩來防治土石流的大目標應該是改變局部區域的地質和地形，而不是單單為了阻擋一次土石流。」劉格非教授說。

土石流防災第一步 平時減災

「台灣的土石流的研究水平很高，但說實話，土石流至今還無法準確預測。」劉格非不只提示了土石流災害的困境，也提出了台灣天然災害防災的概念，在災害當下的應變措施之前，平時減災和災前準備都是重要的防災環節。

儘管無法預測土石流的發生，平時減災可以藉由評估每個地方發生土石流的「危險度」來建立災害潛勢。根據農委會水土保持局的「土石流災害潛勢資料公開辦法」，危險度的分級考量到自然環境的「發生可能」與人身財產的「保全度」。如果地質越脆弱則發生度越高；如果周圍有很多居民、公共設施、農地則保全度高，兩者相乘起來就是危險度。

經過危險度的估算，台灣不同風險高低的土石流「潛勢溪流」目前共有1,552條，並且有36,841人的人口居住地位於土石流潛勢溪流周圍，而且這還不包括可能到潛勢溪流附近遊玩的遊客。

到底這些具有風險的潛勢溪流在哪裡？現在水土保持局的「土石流防災資訊網」以及新推出的「土石流防災App」都已將潛勢溪流的地圖公開、註明雨量警戒值，民眾可以先了解自家周圍有災害風險的溪流，雨天時民眾也務必做好功課再出發。

台灣的面積小、交通易達性高，不論是居住、工作、或者旅遊，民眾在山地活動的機會相當大。但是土石流不只是單靠工程、政府措施就能達到防災效果，一般民眾也須要有基本的風險的概念，才能保障自己的生命安全。

(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！)

2015-16年入冬以來第一波寒流即將在1月23日來襲，早在一週之前，許多人就開始流傳手機app上接近0度誇張的低溫預報。更有甚者，日本氣象協會在18日預測台北市在25日有下雪機會，引起軒然大波；網路上甚至一度傳出號稱台北101下雪的影片，後經網友指出應為下雨影片放慢所造成的錯覺。

其實中央氣象局在17日的預報並沒有反映出寒流（定義台北市預測氣溫低於10度方為寒流），直到18日才將預測氣溫逐步下修。19日，日本氣象協會預測台北24日低溫為1度，而中央氣象局早上初步預測低溫8度，後改為6度。

是什麼原因造成不同氣象預報來源的預報差異？我們又應該相信誰呢？尤其寒流又是台灣四大氣象災害之一（另三大為颱風、梅雨與乾旱），往往造成生命財產損失，預報不一致讓大家何去何從？

PanSci泛科學2012年《祛除氣象預報的迷思》一文中已探討過，大氣現象瞬息萬變，並非現代科技可以全盤掌握。儘管中央氣象局2012年向日本添購超級電腦，可望將預報精確度提高百倍，但超級電腦並非萬能。因此在了解、分析與討論氣象預報前，必須了解「預報必定存在誤差」的事實。

氣象預報的基礎—數值天氣模式

前文以颱風的定量降雨預報切入，而定量降雨預測技術尚未成熟，大幅誤差在所難免；但最近的話題則是寒流的低溫預測，溫度是氣象觀測與預報最基本的項目之一，為何依然存在可觀的預測誤差呢？現代氣象預報的主要依據是電腦模擬的「數值天氣模式」。數值天氣模式將大氣分割成許多網格，好比電腦以點陣圖的方式把圖片化為一整個表格的數字，才能進行儲存與處理。氣象機構蒐集觀測資料（氣溫、濕度、氣壓、風速、風向等）之後，計算出每一個網格中的各種大氣數據，接著將這些數據輸入超級電腦，根據模式設定的複雜大氣方程式進行大量運算，取得未來可能的天氣情況。

網格解析度

由於數值天氣計算極為複雜，實務上氣象機構會依照需求，對地球上的不同區域採用不同的分割解析度：數值天氣模式可粗略分為全球模式與區域模式，首先由「全球模式」模擬整個地球表面的大氣，再逐步使用網格解析度更高的「區域模式」，分析預測部分區域的天氣。

以中央氣象局為例，由於服務的主要對象是台灣地區，因此數值天氣模式在台灣與周邊區域的解析度較高（網格較細密），方便進行更精密的計算與預測。中央氣象局採用的全球模式網格大小為55公里見方，越靠近台灣網格尺寸越小，台澎金馬地區的區域模式網格最為細密，為5公里見方。如此逐步計算，確保在台灣地區取得最精確的計算結果。

此時氣象機構預測差異的一大來源已經顯而易見：不同地區的氣象機構，由於主要服務客群不同，也會在數值天氣模式中，對不同區域採用解析度較高的區域模式，以便達成節省運算量與精確預測本地天氣的平衡。因此歐美日等地氣象網站對台灣的天氣預測，在數值天氣模式多半直接採用低解析度的全球模式，未經區域模式的精密計算優化，因此預測的氣溫自然會與中央氣象局有所差異了。

觀測為預報之母

前面提到數值天氣模式需要觀測資料作為初始條件輸入電腦，才能進行運算以預測未來的氣候變化。觀測資料又分為實測資料與非實測資料，前者以地面測站以儀器（溫度計、風向風速計、雨量計等）直接測量到的數據為主（也包含進入颱風中實測的飛機與投落送），後者則是以氣象雷達和氣象衛星掃描大氣所得。氣象雷達與衛星取得的數據，多半為全球公開或多國合作分享，因此各國氣象機構在這方面取得的觀測資料是相當接近的。

然而，非實測資料存在諸多限制，一來雷達與衛星資料須經複雜的計算解讀後才可使用，使用的方程式多少都對大氣條件做了一定的簡化，因此難免與實際天氣有所出入。二來雷達掃描容易受到地形與人造障礙物阻礙。相比之下，實測資料就是不同氣象機構佔有本地優勢之處。全台目前包括人工氣象站、自動氣象站與自動雨量站在內，共有超過400個氣象測站，蒐集的觀測資料除了更能反映各地的天氣差異、充實數值天氣模式的數據之外，也有助於短期預報與預警（如豪雨特報、土石流警戒等）。除主要測站外，這些氣象測站的完整觀測資料，須向中央氣象局申請才可取得，外國氣象機構特地採用的意義也不大，連帶影響預報的精確度。

人工修正

俗話說盡信書不如無書，更有醫師進一步延伸說道：「盡信實驗數據不如無現代科學儀器」。因此電腦依照數值天氣模式計算出的數據，在發布於氣象機構網站、app與各種平台之前，多半經過預報員依個人專業經驗加以人工修正。中央氣象局對寒流或強烈冷氣團的初期預報多半較為保守、與數值模式有所出入，預報主任鄭明典也於18日指出，過去幾次電腦模式預測寒流，但經預報人員判斷，並沒有降低預測氣溫至寒流水準，事後證明預報員判斷正確。23日開始的這波寒流，客觀資料支持度較高，因此才決定調整預報來反映。鄭明典並在19日進一步表示：

預報員要為提供的資訊負責，所以有幾分把握說幾分話。

而許多手機app的天氣資料來源，不外乎幾家國外知名的氣象公司，例如The Weather Channel、Weather Underground、AccuWeather等等。這些app多半可查詢全球天氣，而這些氣象機構主要服務的客源多來自美國地區，對於全球的預報資料，不太可能全部經過預報員人工校正。因此偶有因數值天氣模式穩定性較差，而造成預報一直改來改去、波動很大，或者預報後期出現誇張數值的情形。

綜合以上幾點，預測台灣地區的天氣，建議大家仍以中央氣象局的預報為主，畢竟在數值天氣模式的網格解析度、地面測站觀測資料與人工修正三個方面，都比外國氣象機構 / 網站的預報更有優勢。

但其他來源的氣象預報也不是全無參考價值，只是在使用前必須了解其限制，以及針對主要服務範圍的優化。不要隨意盡信或拘泥於數字上的差異，面對媒體的誇大報導更須謹慎。尤其現在各大預報齊指寒流，呼籲大家盡早做好防寒準備；不論最後實際溫度如何，別忘了凡是預報必有誤差的基本觀念！

《台北會下雪嗎？》下集將討論台灣氣象史，平地真的下過雪嗎？敬請期待～

• 李名揚 (2009) 氣象預報為什麼會不準？ 科學人2009年第92期10月號
• 張麒偉 (2007) 氣象預報與防災應用。《科學發展》2007年2月，410期
• 于國平，盡信實驗數據不如無現代科學先進儀器。
• tytony，[討論] 關於國外氣象網站或手機APP的預報，批踢踢實業坊
• 鄭明典Facebook
• The Weather Channel
• Weather Underground
• AccuWeather
• 中央氣象局
• 日本氣象協會

台灣的「山」多「谷」也多，山谷地的氣候若濕潤，就容易有小河，平常，這些小河是涓涓流水、旅客絡繹不絕，但是土石流一旦發生，1米的小水溝瞬間變成50米，釀成災害。台灣大學土木系的劉格非教授為麻省理工學院的土木工程博士，土石流正是其研究專長。

為什麼會有土石流「災害」？

土石流是土石運移的自然現象，只要念過高中地理課程就知道，在地形從年輕的高山變成年老均夷的地貌過程中，土石流就是其中1種形式。

劉格非說：「發生土石流的3大要素就是土、水、坡度。」雖然台灣有足夠的條件使我們容易發生土石流，但是並不等於發生「土石流災害」，土石流發生的地區得要有需要保全的對象，像是居民或財產，才會有治理和防災的概念產生。

因為需要坡度，一般而言山坡地就是土石流發生的危險區域，而台灣兩千三百多萬人口中，就有三分之一住在山坡地區，很難不面對土石流災害。台灣降雨非常集中，颱風與暴雨提供了充足的水分，只要有料源的山坡地，自然就容易發生土石流。

而土石流料源的源頭，除了自然風化土壤與常見的崩坍外，也受其他自然事件影響，如颱風與地震。1999年921大地震的芮氏規模為7.3，地牛翻身使得台灣地層破裂、脆弱的地質更加鬆動，是產生土石流料源的重要過程之一。

另外，人為因素也可能產生土石流料源，包括非法使用河道、在山地開闢道路、過度開發和超限利用等，這些行為致使完整的地層被攔腰截斷，失去保護，易發生崩坍進而帶來土石流的料源。

從上游到下游─認識土石流的不同面貌

在台灣第1部土石流紀錄影片中，1996年賀伯颱風期間的情景被清楚紀錄下來，拍攝地點在南投縣神木村流域上游，「這部影片震驚全世界，很多人不知道這麼大的石頭會快速流動。」劉格非教授說。中上游的時候土石流隨陡坡降低有更多動能、流速快；而充滿了礫石的土石流稱為石流，強大的破壞力能把橋樑沖走。

到了下游，土石流看起來已經呈現泥流狀態，因為大石頭已慢慢沉積，但是絕對別因為看起來像泥流就把手伸進去，因為其實內部有很多礫石恐造成傷害。

土石流對下游破壞力很大，因此常見用攔砂壩來阻擋。但是豪雨造成的土石流，只要1次，就足以將攔沙壩淤滿。除非進行清淤，否則很難阻攔下一次土石流。因此，「以建壩來防治土石流的大目標應該是改變局部區域的地質和地形，而不是單單為了阻擋一次土石流。」劉格非教授說。

土石流防災第一步 平時減災

「台灣的土石流的研究水平很高，但說實話，土石流至今還無法準確預測。」劉格非不只提示了土石流災害的困境，也提出了台灣天然災害防災的概念，在災害當下的應變措施之前，平時減災和災前準備都是重要的防災環節。

儘管無法預測土石流的發生，平時減災可以藉由評估每個地方發生土石流的「危險度」來建立災害潛勢。根據農委會水土保持局的「土石流災害潛勢資料公開辦法」，危險度的分級考量到自然環境的「發生可能」與人身財產的「保全度」。如果地質越脆弱則發生度越高；如果周圍有很多居民、公共設施、農地則保全度高，兩者相乘起來就是危險度。

經過危險度的估算，台灣不同風險高低的土石流「潛勢溪流」目前共有1,552條，並且有36,841人的人口居住地位於土石流潛勢溪流周圍，而且這還不包括可能到潛勢溪流附近遊玩的遊客。

到底這些具有風險的潛勢溪流在哪裡？現在水土保持局的「土石流防災資訊網」以及新推出的「土石流防災App」都已將潛勢溪流的地圖公開、註明雨量警戒值，民眾可以先了解自家周圍有災害風險的溪流，雨天時民眾也務必做好功課再出發。

台灣的面積小、交通易達性高，不論是居住、工作、或者旅遊，民眾在山地活動的機會相當大。但是土石流不只是單靠工程、政府措施就能達到防災效果，一般民眾也須要有基本的風險的概念，才能保障自己的生命安全。

(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！)