2018年9月20日在連日的大雨之後，位於菲律賓宿霧的Sitio Sindulan發生大規模土石流。媒體對此形容這是一個毀滅性的時刻，整個地區都變成了瓦礫和廢墟，而許多埋在地下的居民利用手機發送簡訊，和打電話來尋求幫助，等待著從痛苦中被解救出，不幸的是仍有許多人成為這場災難的受害者。

大多數被報導出來的土石流都是災難性的，例如1999年同樣位於菲律賓境內的櫻桃山發生大規模土石流，造成約60人死亡、378間房屋被掩埋。2009年，Cordillera土石流的死亡人數更是高達450多人。不只菲律賓，2000年之後，全球因為土石流平均每年經濟損失超過200億美元，其中義大利最為嚴重達到損失26-50億美元的國家，2013~2017年的經濟損失更高達80億歐元。

雖然台灣山崩的問題和相關研究由來已久，但2009年因為莫拉克颱風來襲，所造成的人員受困，以及財產損失和死亡事故，使得山崩和土石流災害才被凸顯出來而受到各界所重視。因此不只是台灣、菲律賓或義大利，土石流的問題已經為全球造成嚴重的社會經濟問題。

使用人工智慧技術開發預測模型

因為天災的不斷發生，嚴重的威脅了這些地區的生命安全，帶動了全球的一些防災組織，和科學家的關注，期待能更了解它們發生的原因、條件，並且最終學會避免災難。受惠於今天科技的進步，專家們已經開始使用人工智慧（AI）技術，特別是預測模型，從小型山體滑坡收集數據，並將其輸入系統來幫助我們密切關注未來的土石流的出現，並幫助避免發生潛在的悲劇。

不幸的是直至今日，小型土石流在大多數情況下都被忽視，也沒有被大眾媒體報導。原因是這些淺層土石流的規模都很小，如果沒有人死亡的話，就不會有人關注和會報導。

土石災害大致上可分為土石流、走山、懸岩崩塌石流。土石災害大多是由降雨、火山爆發等引起的，使山坡、河床的石塊、雜物向低處沖刷，沖刷速度可達每小時20～40公里。由於發生後短時間內會對附近的房屋和田地造成毀滅性的破壞，因此需要開發能夠檢測它們的發生並預測損害規模的技術。

土石崩塌的發生受到多種因素的影響，包括地形的物理屬性，例如坡度、起伏和排水區域，以及材料特性，例如土壤和基岩的密度和強度。此外，氣候、水文、生態和地震引起的地面運動等環境條件，也可能導致邊坡不穩定。

不過土石流崩塌的敏感性可以透過基於物理建立起模型，而根據這些不同的控制因素來計算、再加上統計分析或機器學習（ML）技術的資料驅動方法，包括隨機森林、支援向量機和深度神經網路等，來建立起一套基於前述所建立的模型來完成早期土石崩塌警告系統。

雖然基於驅動力和阻力之間的平衡，和物理或機械的方法已被廣泛應用於評估邊坡穩定性。可惜的是，儘管已經進行了大量工作來評估敏感性，但是每個模型都有其缺點。

此外，機制模型也有局限性，就像是變量數量有限、滑坡幾何形狀和某些環境條件（包括先前的濕度、基岩結構）的簡化假設，以及估計和校正準確的地下特性所需的岩土工程勘探成本非常高昂（內聚強度、孔隙壓力、風化剖面）。因此，至今尚未有一套預警系統可以堪稱有能力的完美進行監控與正確的發出警告。

SNN架構的機器學習逐漸取代DNN架構

目前模糊邏輯演算法、支援向量機制和深度神經網路（DNN）等機器學習方法已應用於土石崩落的研究，並且可繪製出滑坡敏感性分布圖。與統計方法和其他ML方法相比，DNN因其使用非線性、層間連接的複雜相互依賴性，以及數據的內部結論而實現了更高的效能。然而，DNN的黑盒子性質一直是其在實踐和研究中採用的主要障礙，使得專家很難理解和信任其結果。

另一方面，使用DNN下，幾乎不可能確定各個輸入和輸出之間的確切關聯性，缺乏可解釋性是DNN的弱點。因此在面對將影響生命的而進行決策時，實在難以估算出其風險性和重建成本。就現今的技術能力而言，在最理想的情況下，僅能為決策者提供依循重要性順序排列的影響因素列表，以及這些因素之間可能存在的相互作用。

正是因為DNN缺乏可解釋性，使得在2017年，美國國防高等研究計劃署（DARPA）發起第三波人工智慧的呼籲，並促使了歐盟在2018年頒布《通用資料保護條例》，該條例授予演算法決策解釋權，建立起下一代人工智慧系統是指所謂的可解釋或可解釋的人工智慧（XAI）模型基準，能建構出足夠傳達給人類的真實世界中現象類別的解釋模型。

對此，由美國加州大學洛杉磯分校的K. Youssef、K. Shao、S. Moon，和L.-S. Bouchard等人所組成的團隊，針對導致土石流出現的山坡敏感度提出了一項技術框架，來彌補滑坡敏感性模型的可解釋性和準確性之間的差距。該框架利用了模型提取方法，和基於特徵方法的混合來產生完全可解釋的加性類神經網路（ANN）模型，同時可修正對模型性能和通用性而言冗餘，或次優的特徵間相互依賴性。

團隊透過SNN架構，來對喜馬拉雅山最東部的三個不同區域進行了建模。為了進行比較，除了最先進的DNN教學模型之外，還包括了基於物理的邊坡穩定性模型（SHALSTAB）、兩種統計方法（邏輯回歸和似然比）的結果。

SNN是強化版的ANN架構，它強制輸入之間沒有互連（圖一）。特徵之間缺乏互連是可解釋性的關鍵。這與特徵之間的相互依賴性嵌入網路連接層中的DNN不同，SNN中的相互依賴性被明確創建為多個原始輸入特徵的乘積函數。透過隔離有助於期望結果的複合特徵，可以自動確定特徵之間的重要相互依賴性。有貢獻的複合特徵會被明確新增為模型的獨立輸入，而無貢獻的複合特徵則被丟棄。

圖一 : ：傳統DNN架構與SNN架構（source：Nature Journal）

此外，根據訓練模型時使用的最高等級的複合特徵來標記SNN，這是指多變量交互作用中允許的最大特徵數量。使用複合特徵，SNN可以將特定範圍內輸入的任何連續函數近似為任意所需精度的多項式展開，這種能力使SNN能夠保持與最先進的DNN相當的準確度，對於山坡土石滑落敏感度的預測具有相當大的幫助性。

團隊透過將手動劃定滑坡區域與半自動偵測演算法結合，針對喜馬拉雅山最東部進行研究（圖二），並且產生出滑坡清單（圖三）。在整個4.19×10⁹m²的研究區域內，經過運算後繪製出高風險滑坡總數為2289處，面積範圍達到900至1.96×10⁶m²。

圖二 : ：喜馬拉雅山最東端的研究區域（source：Nature Journal）

圖三 : ：土石流地圖和敏感度模型（source：Nature Journal）

用AI檢測土石流 以無人機預測損失

日本列島地處歐亞大陸板塊、北美洲板塊、太平洋板塊及菲律賓板塊四個板塊的交界處，發生地震以及因為地震所引起土石流風險，更是高於其他國家。因此，日本國內的研究單位，對於如何能事先觀測到土石流的發生，已經投入相當長的一段時間。

目前檢測土石流的方法，日本的研究單位大多採用線傳感測器，但是在泥石流可能經過的山澗上游拉起電線的系統，因為強風吹過或動物穿越等意外因素導致電線被切斷，導致出現誤判土石流發生並送出警示通知，事故發生之後的線傳感測重建，更需要費時費力地在現場重新拉線（圖四）。

圖四 : ：利用人工智慧的土石流探測感測器系統示意圖（source：產業技術綜合研究所）

對於這樣的缺點，日本產業技術綜合研究所和國土基礎設施管理研究所，組成的研究小組開發了一種系統，透過加速度感測器來收集地面振動數據，並配合人工智慧分析檢測土石流是否有可能發生。

該小組針對鹿兒島縣的櫻島僅行為其一個月環境數據收集，這是因為當地平均每週就發生一次土石崩塌。例如，研究小組在距離當地的離隕石坑約2公里處安裝了17個加速度感測器來測量振動，當火山爆發後就可立即獲得大量數據，再透過人工智慧的訓練開發出檢測分析系統，可以在雨、風、地震、火山地震等引起的各種振動中檢測土石流（圖五）。

圖五 : ：安裝在櫻島上的感測器、接收和資料收集裝置（圖中的白色圓圈是感測器的實際位置）。（source：產業技術綜合研究所）

過去曾經有研究機構利用加速度感測器來獲取所需的數據資料，但該數據資料只專注於振動幅度，當晃動超過一定程度，就會被判定為土石流，導致誤報頻傳。而研究小組除了振動幅度之外，還擷取振動頻率變化等39個指標進行判斷。這項研究在進行實際現場數據感測後，準確的預判出三次的土石流發生。

利用無人機從空中觀察危險地點

東北大學和國際工業株式會社的合作，則是利用無人機進入人類到達的活火山危險區域，並收集數據來預測土石流造成的損害，如果能夠準確提供的土石流檢測和損害預測，這對附近居民的撤離極為重要（圖六）。

圖六 : ：在無人機展覽上，日本東北大學和國際航業共同展示所開發的土石流勘查專用無人機。（source：DRONE）

針對活火山範圍內進行預測土石流的規模和範圍，基本上都需要取得火山灰的類型和數量、地形和降雨量等資訊。然而，噴發發生時，火山口附近根本無法接近，更何況設置觀測的設備，因此完全無法取得任何資訊。該小組除了利用能夠進行長途飛行的無人機，從空中捕捉地形資訊外，還透過使用另一架可以攜帶重物的無人機收集火山沉積物，並且運送可爆破的水氣球，來觀察水如何滲透火山灰來收集各種數據。

利用深度學習判斷大規模滑坡的降雨

不只歐美日研究機構，對於土石流的預測，台灣各研究團隊也投入了巨大的心力，期望建立起一個高精確且可分析的土石流發生預測方法。

屏東科技大學的研究團隊採用建構模型的方式，來對土石流做出預測的研究，藉由降水參數對土石流發生的影響，團隊透過結合了經驗方法（有足夠的原始數據），和確定性方法（高解析度和高精度）的優點，再利用深度學習模型針對阿里山部分區域建立了潛在大型滑坡區的敏感性和滑坡降雨閾值圖（圖七），包括了地形因素、土石流歷史資料及最大日降雨量等。為了可以表現出「土石流可能性大、降雨門檻低」的範圍，土石流敏感性應考慮臨界降雨閾值。

圖七 : ：（a）阿里山D098影響區位置；（b）歷年滑坡面積。（source：MDPI Journals）

因此，將兩個模型的預測結果相乘，得到修正後的滑坡降雨閾值。再加上透過使用Keras調諧器，進行超參數調整來選擇深度學習模型參數，以探測並選擇得分最高（驗證損失得分低）的模型。在這個研究中，也是利用了人工智慧中的人工神經網路（ANN）架構，透過採用了Keras API中的多層感知器（MLP），期望能更快、更輕鬆來建構深度學習模型。

最終的研究結果顯示，該模型在確定滑坡降雨閾值方面取得了足夠的效率。未來預計將用於估計和調整土石流降雨閾值，協助政府的決策單位可對該地區做出緊急疏散決定。此外，研究結果還可應用於未來的規劃、土地管理以及減輕山崩災害的政策或策略。

雖然這項研究提供了一個新模型，不過，它依舊面臨了挑戰和限制。由於研究區域資料仍嫌不足，也無法準確計算山崩發生時的降雨量。因此目前的作法是，選取當年最大日降雨量作為降雨土石流門檻，但這會有不確定性並存在誤差。團隊未來將朝向使用該模型作為其他擁有更多可用數據的地區的參考，或透過應用不同的參考（例如衛星數據）來改進輸入數據來預測該地區未來的滑坡發生率。

仍需要更先進的AI技術與模型

全球各大研究單位正全力投入開發新一代的土石流檢測系統，並且全都致力於收集更多的數據，來對特定區域進行長期監控，以便為土石流提供可靠的預報，並且適時的提出警示。

而在硬體部分，藉由半導體的進步，目前在監測現場已經開始可以利用PC，實現機器學習的作業，低成本且快速的完成土石流檢測，此外更廉價且耐用的感測器也將繼續被開發出來，期待能滿足未來更廣泛的使用。

世界上許多城市的住宅區都建在非完全安全的土地上，更有一部分住宅被建築山坡邊緣或丘陵的地基上，由於成本高昂，全部重新開發並不是一種選擇。更複雜的是，土石流有不同的範圍。無論土石流是小、大、輕微或嚴重，只要在人口稠密區發生，輕則道路受損，重則對生命財產帶來威脅。透過整合的更先進的人工智慧技術與模型，可以幫助這些社區降低因為走山或土石流所帶來的風險。

參考資料

[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