本文主要在介紹使用高解析度之3D光達量測土石流流動變化，其量測時間解析度為每秒量測10次土石流事件動態過程，以得到高解析度之時間與空間資料，進一步分析土石流流動深度與速度，藉以解析土石流表面流速 (Surface velocity) 與前緣速度(Front velocity)的變化過程 (圖 1)。透過高解析度之3D光達量測，分析不同特徵物件(如礫石或漂流木)之相對流速變化，用以推估流速剖面、不同特徵物件流動速度與其所造成破壞性，以利協助人們能更瞭解土石流流動過程與災害事件機制。

依據水土保持手冊(2017)定義：土石流是一種飽含泥、砂、礫及巨石等物質與水之混合物，以重力作用為主，水流作用為輔的一種高濃度且流動快速的兩相流(Two-phase flow)，具有明顯或至少可以辨識的坑溝流路，其下游側經常有舌狀或耳狀淤積段，且淤積段前緣有巨大石礫聚集 (https://tech.ardswc.gov.tw/Education/SWCBManual)。由此我們可以知道，土石流發生需有足夠陡坡度、豐富堆積材料、充足雨量/水分等三要素，受到重力作用下所產生混合材料之流動運動型態，可將其在坡面上移動路徑分為發生區、流動區與堆積區 (影1)。

土石流的前緣主要是由粗顆粒及巨礫組成 (Coarse components of flow) ，並形成前端隆起 (Boulder-rich front)，其後則為由泥水混合之尾水端 (Trailing slurry)，而解析土石流混合流體之交互作用則是理解此破壞性湧浪 (Destructive surging) 行為的關鍵 (Hungr, 2000; Iverson, 1997; Johnson et al., 2012) 。目前對於現地土石流事件量測多為使用都卜勒流速儀、微波雷達或CCD影像經由質點影像法分析，主要分析成果為土石流之表面流速，亦或是由單點設置感測器量測之流動速度、深度與壓力、應力等資料 (Nagl et al., 2020; Osaka et al., 2013; Rapstine et al., 2020; Theule et al., 2018)。由於現地土石流之流動行為資料難以獲得，故多以人工大型實驗來進行；以近年大型實驗研究顯示，土石流前緣粗顆粒 (Coarse fronts) 是由較大顆粒形成再循環迴流 (Boulder recirculation) 並持續不斷向前滾動與迴流所形成前緣粗顆粒現象 (圖 2, Gray, 2018; Huebl and Kaitna, 2021; Johnson et al., 2012)。雖然由Johnson等人(2012)綜合大型實驗資料提出可能流速剖面型態 (圖 3)，而Nagl等人(2020)利用流速及壓力感測儀器，量測於義大利Gadria Creek所發生土石流事件之現地實驗，結果顯示土石流之前緣為區塊滑動 (Block sliding，如圖 3a)而其後之中間及尾段逐漸轉變為接近線性剖面 (Simple shear，如圖 3d)，但對於現地發生之土石流特徵物件流速、前緣流動形狀、流動深度及流速剖面演變之理解，仍有所不足。

雖然由許多室內實驗及大型室外實驗結果發現，土石流前緣流速小於後緣尾水端，但現地土石流事件之流動過程變化，受限於資料取得空間及時間解析度仍未被證實。在瑞士南方Canton of Valais的Illgraben土石流觀測站，自2000年起開始架設觀測儀器，包含地聲、雷達、聲波、雷射、壓力感測板、攝影機等多項儀器用以獲取相關土石流流體參數資料。Aaron et al. (2023)等人利用高頻率3D LiDAR雷射掃描技術 (設置64條測線，每條測線2,048個量測點，解析度為10Hz)於土石流前緣、表面流速場、縱向及側向流深等量測。藉由Matlab的”ground Truth Labeler”工具包來劃設點雲資料之物件範圍框(3D bounding box)，並由訓練卷積神經網絡 (Convolutional neural network, CNN)來偵側礫石、漂流木等特徵物件，用以追蹤礫石以瞭解土石流運動過程 (圖 4及影 2)。除此之外，為自動化量測土石流前緣及表面流速，Aaron等人利用Hillshade Function方法 (Wenbin, 2023)(影 3) 結合PIV (Thielicke & Sonntag, 2021)(影 4) 及融合影像與LiDAR (Redmon et al., 2016; Tzutalin, 2015) (影 5) 資料兩項方式，進行連續自動化量測相關參數與特徵物件偵測。

由事件量測結果分析，土石流前緣最大約1.5公尺深，而後流深與速度逐漸降低，然而在事件第7分鐘時，約歷時15秒後有第二波的波湧 (Second surge) 發生，並導致流動深及流速突然增加 (圖 6與圖 7)，對此流速突然增加的現象一般稱為「流速跳躍 (Velocity jump)」。對於流速跳躍發生原因，可能為材料組成發生變化或是水含量變化，導致由土石流流動行為轉變。在流速跳躍發生前，漂流木及礫石之流速趨於相近，而在流速跳躍發生後，礫石之流速約為漂流木流速之0.6~0.7倍 (圖 7A之黃點及紫點)。而由實驗影片觀察到(影 6)，當前緣與表面流速不同時，礫石並未發生再循環迴流(Boulder recirculation)，而是當表面流動礫石到達前緣時減速，並形成前緣或是形成側堤，此雖與Johnson et al. (2012)及Gary (2018)之研究結果有所差異，但是卻說明了土石流前緣礫石傳遞(Boulder front propagation)並不一定要礫石再循環迴流才得以形成。

而Aaron(2023)等人指出此次土石流事件之前緣礫石約等於其流深，因此前緣礫石遲滯後之土石材料形成篩選效應，使得較細微土砂通過。此觀測結果與Pierson (1986) 研究結果相同，通常可於土石流礫石前緣觀察到形成細微含砂水流之前波 (Fine-sediment-laden water) (影 6)。再者，比對LiDAR資料，流速跳躍後之礫石流速約為漂流木流速之0.6~0.7倍，其顯示流速剖面介於block sliding (流速比率約為1)和simple shear (流速比率約為0.5)此兩者間。Aaron 等人推論，可能因粗顆粒接近流動深度，其粒徑影響垂直剪切並抑制垂直流速剖面發展，造成流動行為改變。

整體而言，由Aaron等人研究顯示，應用3D LiDAR掃描之高解析時空間資料，有助於瞭解土石流動態過程，在此土石流事件之前緣，其流速慢於表面流速約1.5至2倍多之間；表面流動之礫石到達前緣時，其流速減緩並以滾動或滑動方式向下游運移。當土石流前緣通過後，礫石濃度降低造成其垂直流速剖面由區塊滑動轉變為具有內部剪切特徵流速剖面；特別是粗顆粒與泥水交互作用，造成事件期間不同流況之發生，期待未來研究團隊觀測並量測不同粒徑與流深型態事件下之資料，將有助於更瞭解流況及流速剖面轉變因果關係，對於土石流災害潛勢區防減災整備定會有所助益。

1.　2017年版水土保持手冊(資料來源: https://tech.ardswc.gov.tw/Education/SWCBManual)
2.　Aaron, J., Spielmann, R., McArdell, B. W., & Graf, C. (2023). High-frequency 3D LiDAR measurements of a debris flow: A novel method to investigate the dynamics of full-scale events in the field. Geophysical Research Letters, 50, e2022GL102373. (資料來源: https://doi.org/10.1029/2022GL102373)
3.　Dataset for High-frequency 3D LiDAR Measurements of a Debris Flow: A Novel Method to Investigate the Dynamics of Full-Scale Events in the Field (資料來源：https://www.research-collection.ethz.ch/handle/20.500.11850/599948)
4.　Gray, J. M. N. T. (2018). Particle segregation in dense granular flows. Annual Review of Fluid Mechanics, 50(1), 407–433. (資料來源： https://doi.org/10.1146/annurev-fluid-122316-045201)
5.　Huebl, J., & Kaitna, R. (2021). Monitoring debris-flow surges and triggering rainfall at the Lattenbach Creek, Austria. Environmental and Engineering Geoscience, 27(2), 213– 220. (資料來源：https://doi.org/10.2113/EEG-D-20-00010)
6.　Hungr, O., Leroueil, S., & Picarelli, L. (2014). The Varnes classification of landslide types, an update. Landslides, 11(2), 167–194. (資料來源：https://doi.org/10.1007/s10346-013-0436-y)
7.　Iverson, R. M. (1997), The physics of debris flows, Rev. Geophys., 35( 3), 245 – 296, doi:10.1029/97RG00426. (資料來源：https://agupubs.onlinelibrary.wiley.com/doi/abs/10.1029/97RG00426)
8.　Johnson, C. G., Kokelaar, B. P., Iverson, R. M., Logan, M., LaHusen, R. G., and Gray, J. M. N. T. (2012), Grain-size segregation and levee formation in geophysical mass flows, J. Geophys. Res., 117, F01032, doi:10.1029/2011JF002185. (資料來源：https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2011JF002185)
9.　Osaka, T., Takahashi, E., Kunitomo, M., Yamakoshi, T., Nowa, Y., Kisa, H., et al. (2013). Field observations of unit weight of flowing debris flows by force plate in Sakurajima, Japan. Journal of the Japan Society of Erosion Control Engineering, 65(6), 46–50. (資料來源：https://doi.org/10.11475/sabo.65.6_46
10.　Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 779– 788). (資料來源：https://doi.org/10.1109/CVPR.2016.91)
11.　Scientists measure a debris flow in unprecedented detail (資料來源： https://phys.org/news/2023-03-scientists-debris-unprecedented.html)
12.　Theule, J. I., Crema, S., Marchi, L., Cavalli, M., and Comiti, F.: Exploiting LSPIV to assess debris-flow velocities in the field, Nat. Hazards Earth Syst. Sci., 18, 1–13, 2018. (資料來源：https://doi.org/10.5194/nhess-18-1-2018)
13.　Thielicke, William, and René Sonntag.(2021). “Particle Image Velocimetry for MATLAB: Accuracy and Enhanced Algorithms in PIVlab.” Journal of Open Research Software, vol. 9, Ubiquity Press, Ltd., doi:10.5334/jors.334. (資料來源：https://www.mathworks.com/matlabcentral/fileexchange/27659-pivlab-particle-image-velocimetry-piv-tool-with-gui)
14.　Tzutalin (2015). LabelImg. Retrieved from (資料來源：https://github.com/tzutalin/labelImg)
15.　Wenbin (2023). esri hillshade algorithm, MATLAB Central File Exchange. Retrieved June 12, 2023. (資料來源：https://www.mathworks.com/matlabcentral/fileexchange/32088-esri-hillshade-algorithm)