大數據和AI預測助力 快土石流不只一步！

示意圖／ingimage

【作者： 盧傑瑞】

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，等待着從痛苦中被解救出，不幸的是仍有許多人成爲這場災難的受害者。

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，全球因爲土石流平均每年經濟損失超過200億美元，其中義大利最爲嚴重達到損失26-50億美元的國家，2013~2017年的經濟損失更高達80億歐元。

雖然臺灣山崩的問題和相關研究由來已久，但2009年因爲莫拉克颱風來襲，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。因此不只是臺灣、菲律賓或義大利，土石流的問題已經爲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

因爲天災的不斷髮生，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，期待能更瞭解它們發生的原因、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，也沒有被大衆媒體報導。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爲土石流、走山、懸巖崩塌石流。土石災害大多是由降雨、火山爆發等引起的，使山坡、河牀的石塊、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，機制模型也有侷限性，就像是變量數量有限、滑坡幾何形狀和某些環境條件（包括先前的溼度、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佈圖。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，僅能爲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。

正是因爲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年頒佈《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。爲了進行比較，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（邏輯迴歸和似然比）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爲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爲模型的獨立輸入，而無貢獻的複合特徵則被丟棄。

【欲閱讀更豐富的內容，請參閱2023.11月CTIMES雜誌】

2023.11月(第384期)防災科技