受極端氣候影響，坡地災害風險日增。本署已建置長期觀測站、行動觀測車及機動觀測站，整合攝影機、雨量計、地聲與鋼索檢知器等設備，形成「智慧觀測聯網體系」。惟傳統單一感測門檻易受溪流雜訊、風力或人為干擾而誤報，仍需強化跨設備綜合研判。

傳統高軌中新衛星ST-2通訊系統，需以高仰角對準衛星，山區易受山體與林冠遮蔽，且延遲高、頻寬有限，影響行動觀測車部署效率。第六代行動觀測車改導入低軌衛星（LEO）終端，透過相位陣列天線自動追星，降低對準衛星時間與地形遮蔽影響。

本研究因此建構「多維度聯網與智慧感知」三層架構（圖1）：前端感知層蒐集影像與水文資料，智慧分析層以多模態AI研判坡地災害風險，再由韌性通訊與決策層支援即時應變。

「智慧觀測聯網體系」設有77部攝影機。為降低人工判讀負擔，本研究建置「多模態大型語言模型輔助土石流風險研判系統」，整合算力調度、跨模態融合、提示詞工程與人機回饋（圖2）。

(一)　地端極速篩檢與雲端精準複驗之階層化推論架構
系統初期曾以降雨量動態調整影像分析頻率：非降雨時每小時分析一次；6小時累積雨量超過4 mm後提高頻率，時雨量達15 mm以上則每分鐘分析一次。實務顯示，若過度依賴外部雨量API，仍可能受資料延遲或中斷影響。
因此，系統改採多執行緒平行處理，建立「地端快速篩檢、雲端精準複驗」的階層化推論架構。

1.　地端即時篩檢：於NVIDIA H200 GPU部署Gemma 4-31B多模態模型，透過虛擬大型語言模型（Virtual Large Language Model, vLLM）平行運算，77部攝影機影像可在1分鐘內完成一輪推論；06:00至18:00持續分析，不再以雨量作為啟動條件。

2.　四級風險與雲端複驗：地端模型將結果分為無、低、中、高四級。無風險與低風險直接留存；中、高風險才調用雲端商用模型（GPT-5.6-Terra）複驗，以降低假警報並節省雲端資源。

(二)　跨模態特徵融合與結構化提示詞工程
為提升複雜坡地環境下的研判一致性，系統採結構化提示詞工程，分析流程分為影像判讀、ROI空間佐證、水文資料校正及中高風險雲端複驗四階段。

1.　第一階段：影像分析與雙層解耦提示詞架構
為將提示詞分為「通用邏輯規範」與「專屬環境特徵」兩部分。
A.　第一部分：通用邏輯規範
●　通用邏輯規範要求模型僅依單張影像可見資訊判讀，不推測未來變化，也不自行引入未提供的雨量或土壤含水量資料。
●　影像結果依NO_RISK、LOW、MEDIUM、HIGH四級輸出，並以精簡JSON格式呈現。

B.　第二部分：專屬環境特徵
●　專屬環境特徵則依固定攝影機、行動觀測車或機動觀測站等不同站點設定辨識指標。
●　各站以標準模板定義固定場景基線、單張影像觀察重點及排除項，降低水色、陰影、雨滴或既有裸露地等環境雜訊干擾。

例如來義觀測站匯流口攝影機，重點觀察水流分布、礫石堆積及堤岸、攔水堰完整度，並排除水色、濁度、陰影、雨滴與既有裸石等因素（圖3）。

系統會將站點專屬觀測指標自動嵌入通用判讀邏輯，使不同站點均採一致規則，又能保留在地化特徵。
此雙層提示詞架構可提升輸出一致性、可稽核性及站點適應性，並與後續ROI、水文資料及雲端複驗共同降低環境雜訊造成的假警報。

2.　第二階段：ROI（Region of Interest）分析與空間佐證系統
針對人工指定之水面區與參考物區進行ROI分析，以相對距離、覆蓋或接觸關係，提供第一階段影像判讀的空間佐證。

3.　第三階段：觀測資訊校正分析結果（水文資料跨模態融合）
匯入即時降雨資料（如ETR1、ETR2）及土壤含水量，與視覺特徵交叉比對，補足純影像判讀限制。

4.　第四階段：中高風險案件啟動雲端 AI 複驗
在綜合研判達中、高風險時，自動啟動雲端商用模型複驗前三階段結果，檢查是否過度推論後再形成最終風險判定。

(三)　可解釋性 AI（XAI）研判與混淆矩陣人機閉環回饋
系統完成階層化推論後，自動產出可解釋性AI（XAI）分析報告，說明水體、河道土砂覆蓋及崩塌缺口等可觀察現象。若雲端複驗確認為高風險，立即透過LINE Messaging API推播，將預警反應時間縮短至30秒內。
另建置混淆矩陣人機閉環回饋機制，由輪值與應變人員標註TP、FP、TN、FN，據以滾動修正客製化提示詞，持續提升各站點辨識準確率與環境適應性。

大規模坡地災害發生時，山區4G/5G基地台可能因停電、光纖受損或道路中斷而失去通訊。第六代行動觀測車因此強化衛星通訊備援，以確保前線影像與感測資料持續回傳。

傳統 VSAT (中新二號 ST-2衛星) 之硬體侷限與山區通訊瓶頸
第一至第五代行動觀測車採VSAT（Very Small Aperture Terminal，小型衛星地面終端設備）系統，山區部署主要有三項限制：
1.　設備笨重、對星耗時：1.8 m碟型天線需校正與精準對星，約需15至30分鐘。

2.　地形遮蔽：VSAT需以約42°至45°仰角對準ST-2 (東經 88°E)，深山或林冠環境易阻斷訊號。

3.　延遲與頻寬限制：高軌中新衛星ST-2軌道位於赤道上空約 35,786 公里，延遲約500至600 ms，上行頻寬多為0.5至2 Mbps，影響即時影像傳輸。

(一)　新興低軌衛星 (LEO) 之通訊優勢與傳輸效能突破
第六代行動觀測車導入Eutelsat OneWeb低軌衛星通訊（圖4），主要效益如下：

1.　快速定位：相位陣列天線可自動追星，定位時間較VSAT縮短約50%。

2.　降低遮蔽：多顆低軌衛星動態通過，可提升空間多樣性，減少單一山體造成的通訊死角。

3.　提升傳輸效能：LEO延遲約20至50 ms，上傳頻寬最高可達20 Mbps，可支援前線影像即時回傳。

(二)　行動通訊及衛星通訊雙軌智慧備援
行動觀測車採4G/5G與LEO雙軌備援，平時優先使用4G/5G通訊；進入基地台盲區或地面訊號中斷時，自動切換至低軌衛星鏈路，提升山區通訊韌性。

本研究整合「定點多模態AI研判」與「行動觀測車LEO韌性傳輸」，形成「定點守望、機動巡視、低軌衛星備援」的協同應變架構。77部攝影機負責常態監測；災害或高風險期間，行動觀測車可深入前線，透過LEO將高清影像與感測資料回傳後端。

實務效益可歸納為三項：
1.　預警更快：地端Gemma 4搭配XAI與LINE推播，使研判時間由人工比對約5至10分鐘縮短至30秒內。

2.　通訊更韌：LEO與地面網路雙軌備援，可降低深山地形與林冠遮蔽造成的通訊中斷。

3.　實務驗證：巴威颱風期間，第六代行動觀測車赴新竹縣尖石鄉秀巒部落部署，觀測秀巒大崩壁小範圍崩塌，並以現行多模態AI回溯分析，驗證極端地形下的觀測與風險研判可行性（表1）。

本研究整合多模態AI與低軌衛星通訊，同時提升山區土砂監測的智慧研判與資料回傳能力。未來將持續朝「定點守望、機動巡視、韌性傳輸、智慧研判」精進，強化坡地災害監測與應變決策支援。