電子報
本期延續電子報第139期內容，介紹由賓州州立大學 GIBD 實驗室開發的「Autonomous GIS Agent for Spatial Analysis」（又稱 GIS Copilot）。此系統結合大型語言模型與 QGIS 平台，透過文字指令即可自動生成空間分析流程與程式碼，大幅簡化 GIS 的操作流程。目前該工具已於 GitHub 平台公開，並提供完整的安裝與操作教學。筆者進行實際功能測試，並簡要評估其操作所需時間與使用成本，作為後續導入評估的參考。
安裝步驟補充：
步驟1 於GitHub 平台上下載ZIP檔
步驟2 開啟QGIS匯入ZIP
Plugin > Manage and install Plugins > Install from ZIP (詳圖2)
步驟3 匯入並安裝Autonomous GIS Agent for Spatial Analysis (詳圖3)
步驟4 申請一組OpenAI API key 進行匯入並選擇所需使用之LLMs模型 (詳圖4)
注意事項：
1. Python版本至少需3.11，如QGIS版本過舊，請記得更新。
2. 如果無法使用ZIP匯入封包檔安裝，可參考下方影片進行安裝
https://www.youtube.com/watch?v=-xRYfk-Tyh8
地點為高雄市桃源區布唐布那斯集水區（紅框；土石流潛勢溪流編號：高市DF060），使用的圖層是112年度全臺崩塌地圖層(粉色)及113年度新生崩塌判釋圖(橘色)，目標為使用GIS Copilot分析集水區內之崩塌地圖資並且整合成一個SHP圖層檔案，但結果因提示詞輸入「重合」顯得不夠精準，導致結果為兩圖層交集。
prompt
1.請將2023_SWCB_LS_Smooth6m(粉色)以及Event_Inventory_2024_ARDSWC(橘色)圖層進行**
2.以watershed1745_20250105_twd97_UTF8(紅色)為邊界，將2024_landslide檔案進行切割，輸出成名為2024_landslide_df060之檔案。
由於原給定之重合一詞讓AI誤判為交集分析，藉由將原提示語中的「重合」更改為「聯集」，給予更精準的提示語後，其測試結果與自行操作所得結果相同，顯示在給定提示語正確的情況下，使用者需能判斷AI所執行之分析成果是否符合期望，以確保AI 能更準確無誤地輔助操作(圖7)。
本次測試過程中，單次運算時間約為
以2024年主計處公布之經常性薪資中位數約37,000元(約1,237美元)為專業製圖分析成本，假設提示詞皆正確無誤，單次運算時間3分鐘與成本0.58美元尚屬可接受範圍，若將此方法系統化，並應用於經常性且大量的圖資處理，其可產製2,132次專業分析成果圖，所需成本與產出可謂相當划算！
WANG等人（2025）利用GANomaly 深度學習模型搭配高解析度 (25 公分) 的航空照片來增強崩塌異常偵測的能力。研究方法包含以下：
(1) 影像前處理(pre-processing)：
包含顏色校正（Color Space Correction）、影像切割（slicing）、圖塊分類（classification）、影像增強（augmentation）等處理方法，將不同的影像進行校正處理，確保在不同照明和環境條件下具有一致的色彩表現，將解析度和區域覆蓋範圍之間取得最佳平衡，並且建立正常及異常值，最後透過旋轉（90、180、270 度）來增加訓練資料的多樣性，防止模型過度擬合。
(2) 資料集建立與模型訓練測試策略 (Dataset Creation and Model Training/Testing Strategies)：
將手動分類的圖塊，依不同的林木覆蓋佔比（60%、50%、40%）分成50.5萬的正常圖塊及1.7萬的異常圖塊，再將部份正常圖塊用於GANomaly模型訓練當中，而剩餘的正常圖塊再搭配異常圖塊用於訓練模型的驗證 ( 圖10 ) 。
(3) 最佳訓練模型選擇與門檻值優化(Selection on the Best Trained Model and Threshold Optimization)：
使用混淆矩陣參數（如ACC,PPV,TPR,TNR）來評估模型性能，並為了確定最佳的異常偵測門檻值(thresholds)，研究使用Youden's index和Closest method這兩種方法進行精煉測試 (refined model testing) 並計算各模型的平均最佳化門檻值。
該研究成功展示了結合GANomaly模型與高解析度航空影像進行崩塌異常偵測的流程，具備應用於快速災後評估的可行性。各模型中表現最佳的Train 2模型，採用50%樹木圖塊比例並透過Closest method最佳化門檻值，在AUC-ROC指標上達到0.97至0.99的高準確度，其平均最佳化門檻值為0.0124，於實際案例中能更有效識別異常區域。
河道粒徑調查是進行災害模擬、河道疏浚模擬及水利工程設計中必要的環境因子，其對水流速度、沖淤變化、水質狀況以及結構物穩定性等均具有相當程度的影響。依照水土保持技術規範第37條之表面粒徑調查分析方法，每五百公尺至少擬定一個主斷面及五個副斷面，且主副斷面及各測點間皆有距離要求，且現場調查人員需將調查資料攜回辦公室整理，才能繪製出粒徑分布曲線，其所需作業時間與成果產出效率較低。水土保持技術規範37條部份條文如下：
(1) 表面粒徑調查分析方法：
a. 每五百公尺至少取一處為調查之主斷面，再於主斷面上、下游每間距十公尺，另取二個副斷面，合計共五個斷面。
b. 每一個斷面以等間隔 (或整數距離) 之測點，量測在該測點上之泥砂粒徑，每一個斷面以不少於五個測點，測點之間隔不得超過五公尺。
c. 每一測點量測十公分以上之粒徑，依統計資料繪製粒徑分佈曲線圖。
(2) 應用AI技術於土砂自動量測 (AI技術で小惑星の全ての土砂を高速自動計測)：
日本東京大學宮本英明教授的研究團隊與計畫研究員清水雄太，共同開發出全球首個AI（深度學習）演算法，能夠快速且準確地自動識別大量岩石。該技術已成功應用於太空任務中，透過處理JAXA的「隼鳥二號」與NASA的「OSIRIS-REx」所拍攝之小行星表面高解析度影像，並在排除影像重疊區域後，精確判讀出超過1公尺的岩石總數達約20萬塊，包含其大小、形狀與空間分布位置。
(3) 應用無人機與AI於礫石自動判釋技術 (ドローンを活用したＡＩによる石礫の自動判別技術)：
對比較傳統現地調查方式及現今運用AI協助進行表面粒徑調查，以日本Skymatix公司所研究之礫石自動判釋系統、日本東京大學開發之土砂高速自動量測法為例，其作業時間及成果產出均較傳統方法來得便利且快速。再者，國內外許多學者已有研究採用UAV所拍攝之光學影像搭配影像判釋軟體進行粒徑判釋與分析，該技術雖非新創，但隨著近年AI與影像處理技術的進步，其判釋精度與處理效率提升，可以更快速更大量的處理粒徑判釋分析，提升基礎調查工作之作業效率，導入AI技術方法已逐漸取代傳統需投入大量人力與儀器方式，具備實務應用與推廣的可行性。
透過本期實測GIS Copilot，我們可以感受到AI正逐步簡化地理資訊軟體處理流程，從提示語產生操作指令，自動化判別圖層與分析，皆展現出良好的輔助潛力，在簡單的GIS操作中，只要輸入的提示詞能夠精準對應於工具分析功能，AI所回應的結果已與人工操作水準無異。若未來能將重複性高的地理資訊分析任務進行流程化設計，或許僅需輸入帶有地理坐標的資料，即可透過預先設定的分析流程快速獲得成果。此類高效率的作業模式，在防災應變等講求時效性的應用場景中，即可快速大量製圖並機會發揮極大效益。
進一步延伸至水土保持領域，AI的應用已不僅限於崩塌異常偵測與河道粒徑分析，在CAD製圖、水文模型開發、3D建模等作業中，也能見到AI技術逐步融入工作流程中。AI不再只是理論上的輔助工具，而是慢慢地在改變工程人員日常工作的習慣，我們不僅是使用者，更是參與者，唯有理解其邏輯、掌握使用特性，並持續測試與優化，才能真正迎接這場跨領域的智慧轉型浪潮，讓AI工具成為我們工作流程中的可靠夥伴。
本分析使用之SHP檔案分別為：土石流潛勢溪流集水區DF024 (檔案名稱：watershed1745_20250105_twd97_UTF8)、112年度全臺崩塌地圖層 (檔案名稱：2023_SWCB_LS_Smooth6m)、113年度新生崩塌判釋圖 (檔案名稱：Event_Inventory_2024_ARDSWC)，皆可於政政府資料開放平台上查詢並下載測試。
1.GIS Copilot 於GitHub 平台上公開下載區
https://github.com/Teakinboyewa/SpatialAnalysisAgent/blob/master/User_Manual.md
2.Chwen-Huan Wanga, Li Fangb and Chiung-Yun Hu（2025）。Applying deep learning model to aerial image forlandslide anomaly detection through optimizing process。GEOMATICS, NATURAL HAZARDS AND RISK。2025, VOL. 16, NO. 1, 2453072。https://doi.org/10.1080/19475705.2025.2453072。
3.Yuta Shimizu, Hideaki Miyamoto& Patrick Michel (2025)。Diverse evolutionary pathways of spheroidal asteroids driven by rotation rate。Scientific Reports volume 15, Article number: 10284 (2025)。https://www.nature.com/articles/s41598-025-94574-1
4.中道 優也(2022)。ドローンを活用したＡＩによる石礫の自動判別技術。関東地方整備局 富士川砂防事務所 調査課。https://www.ktr.mlit.go.jp/ktr_content/content/000831878.pdf
