2018年9月20日在连日的大雨之後，位於菲律宾宿雾的Sitio Sindulan发生大规模土石流。媒体对此形容这是一个毁灭性的时刻，整个地区都变成了瓦砾和废墟，而许多埋在地下的居民利用手机发送简讯，和打电话来寻求帮助，等待着从痛苦中被解救出，不幸的是仍有许多人成为这场灾难的受害者。

大多数被报导出来的土石流都是灾难性的，例如1999年同样位於菲律宾境内的樱桃山发生大规模土石流，造成约60人死亡、378间房屋被掩埋。2009年，Cordillera土石流的死亡人数更是高达450多人。不只菲律宾，2000年之後，全球因为土石流平均每年经济损失超过200亿美元，其中义大利最为严重达到损失26-50亿美元的国家，2013~2017年的经济损失更高达80亿欧元。

虽然台湾山崩的问题和相关研究由来已久，但2009年因为莫拉克台风来袭，所造成的人员受困，以及财产损失和死亡事故，使得山崩和土石流灾害才被凸显出来而受到各界所重视。因此不只是台湾、菲律宾或义大利，土石流的问题已经为全球造成严重的社会经济问题。

使用人工智慧技术开发预测模型

因为天灾的不断发生，严重的威胁了这些地区的生命安全，带动了全球的一些防灾组织，和科学家的关注，期待能更了解它们发生的原因、条件，并且最终学会避免灾难。受惠於今天科技的进步，专家们已经开始使用人工智慧（AI）技术，特别是预测模型，从小型山体滑坡收集数据，并将其输入系统来帮助我们密切关注未来的土石流的出现，并帮助避免发生潜在的悲剧。

不幸的是直至今日，小型土石流在大多数情况下都被忽视，也没有被大众媒体报导。原因是这些浅层土石流的规模都很小，如果没有人死亡的话，就不会有人关注和会报导。

土石灾害大致上可分为土石流、走山、悬岩崩塌石流。土石灾害大多是由降雨、火山爆发等引起的，使山坡、河床的石块、杂物向低处冲刷，冲刷速度可达每小时20～40公里。由於发生後短时间内会对附近的房屋和田地造成毁灭性的破坏，因此需要开发能够检测它们的发生并预测损害规模的技术。

土石崩塌的发生受到多种因素的影响，包括地形的物理属性，例如坡度、起伏和排水区域，以及材料特性，例如土壤和基岩的密度和强度。此外，气候、水文、生态和地震引起的地面运动等环境条件，也可能导致边坡不稳定。

不过土石流崩塌的敏感性可以透过基於物理建立起模型，而根据这些不同的控制因素来计算、再加上统计分析或机器学习（ML）技术的资料驱动方法，包括随机森林、支援向量机和深度神经网路等，来建立起一套基於前述所建立的模型来完成早期土石崩塌警告系统。

虽然基於驱动力和阻力之间的平衡，和物理或机械的方法已被广泛应用於评估边坡稳定性。可惜的是，尽管已经进行了大量工作来评估敏感性，但是每个模型都有其缺点。

此外，机制模型也有局限性，就像是变量数量有限、滑坡几何形状和某些环境条件（包括先前的湿度、基岩结构）的简化假设，以及估计和校正准确的地下特性所需的岩土工程勘探成本非常高昂（内聚强度、孔隙压力、风化剖面）。因此，至今尚未有一套预警系统可以堪称有能力的完美进行监控与正确的发出警告。

SNN架构的机器学习逐渐取代DNN架构

目前模糊逻辑演算法、支援向量机制和深度神经网路（DNN）等机器学习方法已应用於土石崩落的研究，并且可绘制出滑坡敏感性分布图。与统计方法和其他ML方法相比，DNN因其使用非线性、层间连接的复杂相互依赖性，以及数据的内部结论而实现了更高的效能。然而，DNN的黑盒子性质一直是其在实践和研究中采用的主要障碍，使得专家很难理解和信任其结果。

另一方面，使用DNN下，几??不可能确定各个输入和输出之间的确切关联性，缺乏可解释性是DNN的弱点。因此在面对将影响生命的而进行决策时，实在难以估算出其风险性和重建成本。就现今的技术能力而言，在最理想的情况下，仅能为决策者提供依循重要性顺序排列的影响因素列表，以及这些因素之间可能存在的相互作用。

正是因为DNN缺乏可解释性，使得在2017年，美国国防高等研究计划署（DARPA）发起第三波人工智慧的呼吁，并促使了欧盟在2018年颁布《通用资料保护条例》，该条例授予演算法决策解释权，建立起下一代人工智慧系统是指所谓的可解释或可解释的人工智慧（XAI）模型基准，能建构出足够传达给人类的真实世界中现象类别的解释模型。

对此，由美国加州大学洛杉矶分校的K. Youssef、K. Shao、S. Moon，和L.-S. Bouchard等人所组成的团队，针对导致土石流出现的山坡敏感度提出了一项技术框架，来弥补滑坡敏感性模型的可解释性和准确性之间的差距。该框架利用了模型提取方法，和基於特徵方法的混合来产生完全可解释的加性类神经网路（ANN）模型，同时可修正对模型性能和通用性而言冗馀，或次优的特徵间相互依赖性。

团队透过SNN架构，来对喜马拉雅山最东部的三个不同区域进行了建模。为了进行比较，除了最先进的DNN教学模型之外，还包括了基於物理的边坡稳定性模型（SHALSTAB）、两种统计方法（逻辑回归和似然比）的结果。

SNN是强化版的ANN架构，它强制输入之间没有互连（图一）。特徵之间缺乏互连是可解释性的关键。这与特徵之间的相互依赖性嵌入网路连接层中的DNN不同，SNN中的相互依赖性被明确创建为多个原始输入特徵的乘积函数。透过隔离有助於期??结果的复合特徵，可以自动确定特徵之间的重要相互依赖性。有贡献的复合特徵会被明确新增为模型的独立输入，而无贡献的复合特徵则被丢弃。

图一 : ：传统DNN架构与SNN架构（source：Nature Journal）

此外，根据训练模型时使用的最高等级的复合特徵来标记SNN，这是指多变量交互作用中允许的最大特徵数量。使用复合特徵，SNN可以将特定范围内输入的任何连续函数近似为任意所需精度的多项式展开，这种能力使SNN能够保持与最先进的DNN相当的准确度，对於山坡土石滑落敏感度的预测具有相当大的帮助性。

团队透过将手动划定滑坡区域与半自动侦测演算法结合，针对喜马拉雅山最东部进行研究（图二），并且产生出滑坡清单（图三）。在整个4.19×10⁹m²的研究区域内，经过运算後绘制出高风险滑坡总数为2289处，面积范围达到900至1.96×10⁶m²。

图二 : ：喜马拉雅山最东端的研究区域（source：Nature Journal）

图三 : ：土石流地图和敏感度模型（source：Nature Journal）

用AI检测土石流 以无人机预测损失

日本列岛地处欧亚大陆板块、北美洲板块、太平洋板块及菲律宾板块四个板块的交界处，发生地震以及因为地震所引起土石流风险，更是高於其他国家。因此，日本国内的研究单位，对於如何能事先观测到土石流的发生，已经投入相当长的一段时间。

目前检测土石流的方法，日本的研究单位大多采用线传感测器，但是在泥石流可能经过的山涧上游拉起电线的系统，因为强风吹过或动物穿越等意外因素导致电线被切断，导致出现误判土石流发生并送出警示通知，事故发生之後的线传感测重建，更需要费时费力地在现场重新拉线（图四）。

图四 : ：利用人工智慧的土石流探测感测器系统示意图（source：产业技术综合研究所）

对於这样的缺点，日本产业技术综合研究所和国土基础设施管理研究所，组成的研究小组开发了一种系统，透过加速度感测器来收集地面振动数据，并配合人工智慧分析检测土石流是否有可能发生。

该小组针对鹿儿岛县的樱岛仅行为其一个月环境数据收集，这是因为当地平均每周就发生一次土石崩塌。例如，研究小组在距离当地的离陨石坑约2公里处安装了17个加速度感测器来测量振动，当火山爆发後就可立即获得大量数据，再透过人工智慧的训练开发出检测分析系统，可以在雨、风、地震、火山地震等引起的各种振动中检测土石流（图五）。

图五 : ：安装在樱岛上的感测器、接收和资料收集装置（图中的白色圆圈是感测器的实际位置）。（source：产业技术综合研究所）

过去曾经有研究机构利用加速度感测器来获取所需的数据资料，但该数据资料只专注於振动幅度，当晃动超过一定程度，就会被判定为土石流，导致误报频传。而研究小组除了振动幅度之外，还撷取振动频率变化等39个指标进行判断。这项研究在进行实际现场数据感测後，准确的预判出三次的土石流发生。

利用无人机从空中观察危险地点

东北大学和国际工业株式会社的合作，则是利用无人机进入人类到达的活火山危险区域，并收集数据来预测土石流造成的损害，如果能够准确提供的土石流检测和损害预测，这对附近居民的撤离极为重要（图六）。

图六 : ：在无人机展览上，日本东北大学和国际航业共同展示所开发的土石流勘查专用无人机。（source：DRONE）

针对活火山范围内进行预测土石流的规模和范围，基本上都需要取得火山灰的类型和数量、地形和降雨量等资讯。然而，喷发发生时，火山囗附近根本无法接近，更何况设置观测的设备，因此完全无法取得任何资讯。该小组除了利用能够进行长途飞行的无人机，从空中捕捉地形资讯外，还透过使用另一架可以携带重物的无人机收集火山沉积物，并且运送可爆破的水气球，来观察水如何渗透火山灰来收集各种数据。

利用深度学习判断大规模滑坡的降雨

不只欧美日研究机构，对於土石流的预测，台湾各研究团队也投入了巨大的心力，期??建立起一个高精确且可分析的土石流发生预测方法。

屏东科技大学的研究团队采用建构模型的方式，来对土石流做出预测的研究，藉由降水叁数对土石流发生的影响，团队透过结合了经验方法（有足够的原始数据），和确定性方法（高解析度和高精度）的优点，再利用深度学习模型针对阿里山部分区域建立了潜在大型滑坡区的敏感性和滑坡降雨??值图（图七），包括了地形因素、土石流历史资料及最大日降雨量等。为了可以表现出「土石流可能性大、降雨门槛低」的范围，土石流敏感性应考虑临界降雨??值。

图七 : ：（a）阿里山D098影响区位置；（b）历年滑坡面积。（source：MDPI Journals）

因此，将两个模型的预测结果相乘，得到修正後的滑坡降雨??值。再加上透过使用Keras调谐器，进行超叁数调整来选择深度学习模型叁数，以探测并选择得分最高（验证损失得分低）的模型。在这个研究中，也是利用了人工智慧中的人工神经网路（ANN）架构，透过采用了Keras API中的多层感知器（MLP），期??能更快、更轻松来建构深度学习模型。

最终的研究结果显示，该模型在确定滑坡降雨??值方面取得了足够的效率。未来预计将用於估计和调整土石流降雨??值，协助政府的决策单位可对该地区做出紧急疏散决定。此外，研究结果还可应用於未来的规划、土地管理以及减轻山崩灾害的政策或策略。

虽然这项研究提供了一个新模型，不过，它依旧面临了挑战和限制。由於研究区域资料仍嫌不足，也无法准确计算山崩发生时的降雨量。因此目前的作法是，选取当年最大日降雨量作为降雨土石流门槛，但这会有不确定性并存在误差。团队未来将朝向使用该模型作为其他拥有更多可用数据的地区的叁考，或透过应用不同的叁考（例如卫星数据）来改进输入数据来预测该地区未来的滑坡发生率。

仍需要更先进的AI技术与模型

全球各大研究单位正全力投入开发新一代的土石流检测系统，并且全都致力於收集更多的数据，来对特定区域进行长期监控，以便为土石流提供可靠的预报，并且适时的提出警示。

而在硬体部分，藉由半导体的进步，目前在监测现场已经开始可以利用PC，实现机器学习的作业，低成本且快速的完成土石流检测，此外更廉价且耐用的感测器也将继续被开发出来，期待能满足未来更广泛的使用。

世界上许多城市的住宅区都建在非完全安全的土地上，更有一部分住宅被建筑山坡边缘或丘陵的地基上，由於成本高昂，全部重新开发并不是一种选择。更复杂的是，土石流有不同的范围。无论土石流是小、大、轻微或严重，只要在人囗稠密区发生，轻则道路受损，重则对生命财产带来威胁。透过整合的更先进的人工智慧技术与模型，可以帮助这些社区降低因为走山或土石流所带来的风险。

叁考资料

[1] Nature Journal: Landslide susceptibility modeling by interpretable neural network

[2] Natural Hazards and Earth System Sciences: An integrated, replicable Landslide Early Warning System for informal settlements - case study in Medellin, Colombia

[3] MDPI Journals: Using Deep Learning to Formulate the Landslide Rainfall Threshold of the Potential Large-Scale Landslide