PROBLEM：
在颱風7號與8號「雙颱風」影響備受擔憂之際，海面水溫上升使颱風在日本近海不斷增強，都市地區短時間強降雨引發中小河川急速暴漲與內水氾濫，往往比撤離資訊發布與居民疏散行動更快發生，「撤離遲延」問題日趨嚴峻。SOLUTION：
利用AI提前最多24小時預測都市暴洪（急速淹水）的技術已進入實用階段。美國Google推出的免費服務「Flood Hub」正是其中一例，2026年更新增了都市型暴洪預測功能。世界各國政府機關與研究機構也在積極推進類似的相關工作。
洪水比撤離指令更快到來
颱風8號「海葵」於6月23日生成，與先前生成的颱風7號形成「雙颱風」態勢，正同時逼近日本列島。由於海面水溫上升，颱風在日本近海更容易維持並增強，有時會在短時間內為都市帶來大量降雨。問題的關鍵，在於降雨引發淹水的速度。都市地區往往在短時間強降雨下，道路與地下空間迅速積水，形成「暴洪（都市型突發性淹水）」，而洪水到來的速度往往比撤離指示的發布與居民的疏散行動更快，這個時間差在近年的水患災害中一再成為檢討焦點。
這是全球共同面對的課題。根據世界氣象組織（WMO）統計，暴洪約占全球洪水事件的85%，在各類洪水中死亡率最高，且多在豪雨等極端天氣後6小時內發生，每年奪走全球逾5,000條人命。暴洪是最危險的自然災害之一，正因其發生速度極快，預警往往來不及發出。反過來說，只要能提前哪怕一點點預警，就能大幅減少傷亡。Google Research引用現有研究指出，若能提前12小時預警，包含暴洪在內的洪災損失可減少約六成，提早告知本身就具有拯救生命的價值。
日本也不例外。根據氣象廳觀測，單日降雨量超過100毫米及200毫米的大雨日數均呈增加趨勢。近年來「線狀降水帶」引發的豪雨災害接連發生，在同一地點持續數小時傾瀉暴雨。2024年8月颱風10號的案例顯示，颱風路徑與增強預測本身就難以掌握，光靠傳統知識已難以應對日益極端的降雨。正因如此，將降雨轉化為「哪裡、何時危險」的撤離判斷依據的技術，受到的期待也與日俱增。
將新聞報導化為「預警工具」的思維轉換
為填補這段時間差，美國Google於2026年3月在洪水資訊服務「Flood Hub」中新增了運用AI技術的都市暴洪預測功能。Flood Hub是一項可在逾150個國家提前最多7天預測河川洪水的免費服務，透過Google搜尋、Google地圖及Android裝置推播通知提供相關資訊。此次新增的都市暴洪預測功能，能夠提前最多24小時顯示都市突發性淹水的風險。
技術瓶頸在於「數據不足」。河川氾濫方面，由於水位計多年來持續記錄水位與流量，AI有充足的歷史數據可供學習。然而都市暴洪往往在遠離河川的地點突然發生，本身就缺乏詳細的發生地點與時間記錄，沒有數據，AI自然無從學習規律。
為突破這道難關，Google想出了一個創新方法：用新聞報導來填補數據空缺。該公司利用生成式AI，從過去20年約500萬篇全球新聞報導中，擷取洪水的發生地點與時間，建構出涵蓋逾150個國家、超過260萬筆洪水紀錄的資料集。再結合氣象預報、地形、土壤吸水性與都市化程度等數據進行模型訓練，讓系統能夠判斷「這個地區在未來24小時內發生暴洪的可能性」。優先從報導數據豐富的都市地區切入，正是基於這個理由，目前主要涵蓋每平方公里人口密度超過100人的城市。
這個方法有其優勢，也有其限制。即便在地面觀測設備匱乏的開發中國家城市，只要有新聞報導就能進行預測，這是一大突破。但目前空間解析度仍以20公里為單位，精度仍有提升空間，也尚無法評估洪水可能達到的嚴重程度，在報導較少的偏鄉地區預測精度也會下滑。Google本身也指出，這仍是測試版，定位是輔助各國氣象機關與地方政府的早期預警系統，而非取代官方警報。
不只一家與Google競逐
以AI預測洪水與淹水的發展，如今已不再是單一企業的布局，世界各地的政府機關、研究機構與企業，正各自以不同方式積極投入開發。
台灣於2024年通過閣議，決定投入約9,400萬美元（約新台幣30億元）建構AI洪水管理系統，推動提前最多6小時偵測洪水風險的機制。美國方面，國家海洋暨大氣總署（NOAA）積極推動AI應用於氣象與洪水預測，德州大學奧斯汀分校則致力於提升道路、橋梁等特定地點的洪水影響預測精度。中國研究機構也發表了在兩週氣象預測上展現高精度的AI模型，外界期待其未來也能應用於洪水預測。印度等洪災頻繁的國家，同樣在積極推進AI洪水預測的研究與實證。
不過，專家的看法大致一致：AI並非萬能，定位上終究是輔助現場預報員的工具。NOAA研究人員指出，AI模型是以再現過去學習過的規律為目標，與從物理法則推算的傳統模型不同，面對前所未見的情況時，難以「串聯起全局」。傳統氣象模型負責預測降雨，AI則將降雨資訊轉化為淹水風險的研判，兩者分工不同，結合運用才能發揮最大效果。Flood Hub的開發團隊也表示，這項服務的目的是補強各國氣象機關與地方政府既有的早期預警系統，而非取而代之。
對日本的啟示，以及尚待克服的挑戰
那麼，這樣的技術對防災基礎設施完善的日本究竟有多大幫助？日本已針對全國由中央政府管理的109個水系全面實施指定河川洪水預報，並運行以色彩標示危險程度的「洪水危機測報（洪水キキクル）」系統。實際測量河川水位的「危機管理型水位計」，截至令和7年已在全國設置約9,300台。從全球來看，日本在預報與實測兩方面均屬領先國家。
儘管如此，仍有可以補強的空間。關鍵在於「預測」與「實測」的分工。水位計測量的是河川水位已開始上升後的「當下」狀況，而AI預測能在降雨發生前，提前標示出「即將出現危險的地點」。若能在日本已相當完善的實測網絡上，疊加預測的功能層，就有可能讓撤離判斷進一步提前。尤其是遠離河川、在市區突然發生的都市型淹水，更是傳統以河川為中心的防災框架難以有效掌握的領域。
課題也必須正視。如前所述，AI預測在精度與解析度上仍有限制，在人口稀少的地方尤為明顯。弔詭的是，「最需要提前預警的地方」，例如容易因土石流而孤立的山間聚落，恰恰也是仰賴新聞報導數據的AI最難發揮的領域。對日本這樣預報基礎設施已相當發達的國家而言，AI帶來的附加效益或許相對有限。
即便如此，全球的趨勢已相當清晰。在極端豪雨因氣候變遷而日益頻繁的當下，如何用AI與數據填補「從降雨到預測、從預測到每個人的撤離行動」之間最後幾個小時的時間差，不只是Google一家企業的課題，而是一場攸關人命、在全球規模展開的競合。
首圖：Google Research／Flood Hub 提供
如對本文有任何疑問，歡迎來信至 jstories@pacificbridge.jp 洽詢。
