「留下來，或者我跟你走？」是電影海角七號中浪漫的告白。但在花蓮縣馬太鞍溪堰塞湖9/23溢流前，站在政府與居民雙方面的角度，是否疏散是十分兩難的課題。我想起於史丹佛大學就讀博士班時，與國際AI大師吳恩達教授合作發表的論文—Improving debris flow evacuation alerts in Taiwan using machine learning中，嘗試以機器學習的方式，研究如何提升台灣土石流疏散預警的精準度。白話來說，就是從歷史數據學習經驗與找出規律，來預測疏散警報是否該發布。
根據我的統計分析，如果依照當時政府頒訂的疏散流程，以經驗公式與專家擬定的雨量警戒值是否達標，作為疏散的標準，約2成的土石流發生前已發布疏散警報;經過機器學習模型訓練，以資料科學分析，可倍增至4成多。我的研究是站在巨人的肩膀上，用AI看得更遠、更精準。但是，問題來了：災害疏散預警會有以下四種可能情境：
1. 真陽性(True Positive): 警報發布後，災害確實發生—成功疏散，避免傷亡。
2. 真陰性(True Negative): 未發布警報，災害確實未發生—避免擾民。
3. 偽陽性(False Positive): 警報發布後，卻沒發生災害—有疏散，但擾民。
4. 偽陰性(False Negative): 未發布警報，卻發生災害—未疏散，可能造成傷亡。
站在政府的角度，當然希望盡量避免傷亡。那麼有人說：每次災害都疏散，不就得了？但站在居民的角度，如此頻繁的疏散，擾民、疲乏又費時費力，造成「狼來了」效應，長久下來，反正大部分的警報發布後，沒發生致命性災害，便容易輕忽警報，懶得疏散。後果是災害一旦確實在警報後發生，卻沒人配合疏散，便傷亡慘重。
那麼有人說：那就以最保守的方式，只有當十分確信災害即將發生才疏散，不就得了？不過，掛一漏萬，災害發生前，疏散警報應發布而未發布，不但可能造成傷亡，民怨四起，難辭其咎。
學術研究與防災實務上，如何有效提升真陽、真陰性事件的數量，並與偽陽、偽陰性事件取得適當權衡，更精準疏散，是一大挑戰。
馬太鞍溪堰塞湖潰決事件，我提出以下淺見：
1. 短期：「鏟子超人」志工湧入花蓮，政府除了統籌與分配人力，還需宣導災後復原期間，若發生複合性災害該如何應處。例如：花蓮地處活動斷層帶，地震頻繁，萬一發生地震、豪雨、河川溢淹、堰塞湖再度潰決、土石流等，原有災民加上志工眾多，需規劃中央、地方與鄰近縣市協作的疏散流程與提升避難所量能。
2. 中期：災民與救難志工面對重大災害心理衝擊，可能出現創傷後壓力症候群(PTSD)等，需要持續關懷與輔導。評估原地重建或防災策略性遷村(strategic relocation)的可行性。
3. 長期：產官學合作為各縣市建立數位孿生(Digital Twin)模型，如同機器人在虛擬世界學習各種動作以因應環境變化，模擬與推演災害情境，研究精準疏散，降低傷亡，防患於未然。
因災害與意外往生的靈魂，是偉大的。他們是神與佛菩薩示現，犧牲生命來讓我們體認到國土危脆的無常實相、歲月靜好的難能可貴。願台灣平安，平安就是福。願祂們乘願再來，有緣在台灣這塊溫暖的土地上，再次相會。
本文章反映作者意見，不代表《遠見》立場
(本文作者為美國史丹佛大學土木與環境工程學系博士）
