城市防災

積水看起來不深，腳下可能已經沒有路

從水深、流速、井蓋、能見度與替代路線判斷步行風險，避免把「還走得過」當成安全。

3 級示例步行風險分級
10 min路況更新目標
2 來源現場資訊交叉確認
1 條最低安全替代路線

街道積水剖面

同一水面下可能有路緣、坑洞、排水口與移位井蓋；地圖需要表達未知，而不是只畫藍色色塊。

01 · 現場不是平均使用者

暴雨下班時，導航仍把行人帶向最低窪的地下道。前方水只到腳踝，卻因混濁看不見路緣，旁邊排水口形成吸力。此時「水深幾公分」不是唯一問題，路面是否完整、流速是否增加同樣關鍵。

這一場景提醒我們，設計對象不是抽象的平均值，而是會在壓力、時間限制與不同身體條件下完成具體任務的人。

02 · 機制從哪裡開始

步行穩定受水流推力、鞋底摩擦、視覺參照與落腳面連續性共同影響。水深與流速通常同時變化，地下設施損壞還會製造突變風險。因此系統應將已知、推測和未知區域分別表達。

因此不能用單一指標代表整個系統；量測必須與流程節點對應，並讓讀者知道數據能夠解釋什麼、不能解釋什麼。

03 · 證據要怎樣收集

資訊可來自固定水位計、道路攝影、維修通報與居民回報，但每個來源要附時間和可信度。照片無法直接推出水深，感測器也不能證明整段道路安全；只有多來源交叉才能提高決策品質。

所有精確數字都應記錄來源、時間和適用邊界；本頁指標屬於設計示例，用來說明結構，不冒充研究結論。

04 · 把原則變成流程

先封鎖已知高風險點，再發布可通行替代路線；回報介面要求位置、時間、方向與可辨識參照物。當資料過期或互相矛盾時，地圖降級為未知，不用陳舊的綠色標記鼓勵通行。

實施時應先小規模驗證，保留人工覆蓋與退出路徑，再根據真實反饋迭代；自動化只能執行已說明的邊界。

05 · 最容易出現的誤判

群眾回報量多不代表覆蓋完整，熱門道路往往資料密集，弱勢社區反而空白。把沒有回報解讀成沒有積水，會形成危險的沈默偏差。系統需要主動標示未觀測區域並安排巡查。

對異常與失敗保留記錄比隱藏警報更重要。若系統只展示成功案例，管理者就無法看見結構性缺口。

06 · 如何作出可解釋決定

對一般行人最有用的輸出是「不要進入、等待更新、改走哪裡」，而不是複雜水文圖。管理端則需要感測異常、資料新鮮度與封鎖執行情況，兩種介面不應混為一談。

最終報告應同時呈現收益、代價、未覆蓋人群與剩餘不確定性，避免把複雜公共問題壓縮成單一漂亮分數。

07 · 部署前的實務檢核

「積水看起來不深，腳下可能已經沒有路」不應停留在概念展示。正式投入使用前，需把使用者、設備、資料與例外情境放進同一輪小規模測試，事先寫清成功條件、停止條件與人工接管方式。測試紀錄要保留失敗與缺漏，不能只挑選最順利的流程作為成果。

  • 每則回報附位置、方向、時間與可辨識參照物，逾時後自動降低可信度
  • 對感測器、照片與居民回報做交叉確認，清楚標示未觀測區域
  • 測試井蓋移位、夜間低能見度、訊號中斷和道路突然封閉
  • 把替代路線是否對輪椅、長者和兒童可行納入發佈前檢查

完成檢核後，應由實際受影響的人參與復盤：哪些步驟變得更容易，哪些人仍被排除，資料是否足以支持判斷，以及新增流程是否帶來隱私、時間或維護負擔。若證據不足，就把結論標示為待驗證，而不是用精確分數製造確定感。

編輯檢核：本文提出的是可測試的設計框架，不是已完成的產品結論。正式部署前應由實際使用者、維護者與受影響群體共同複核資料邊界、例外情境、人工接管和停止條件，並保留失敗紀錄供後續修正。

METHOD / PYTHONSIMULATED INPUT
from dataclasses import dataclass
from typing import List, Tuple

@dataclass
class Observation:
    name: str
    value: float
    weight: float
    confidence: float

def normalize(value: float, low: float, high: float) -> float:
    # 將觀測值限制在示例區間並轉換為 0 到 1
    if high <= low:
        raise ValueError("high 必須大於 low")
    clipped = min(max(value, low), high)
    return (clipped - low) / (high - low)

def evaluate(rows: List[Observation]) -> Tuple[float, List[str]]:
    weighted_sum = 0.0
    weight_total = 0.0
    notes = []
    for row in rows:
        reliable_weight = row.weight * row.confidence
        weighted_sum += row.value * reliable_weight
        weight_total += reliable_weight
        if row.confidence < 0.6:
            notes.append(f"{row.name}: 資料可信度偏低")
    if weight_total == 0:
        return 0.0, ["沒有可用觀測"]
    return weighted_sum / weight_total, notes

# 以下均為說明方法的模擬輸入，並非真實量測
samples = [
    Observation("示例步行風險分級", normalize(62, 0, 100), 1.0, 0.9),
    Observation("路況更新目標", normalize(48, 0, 100), 0.8, 0.7),
    Observation("現場資訊交叉確認", normalize(75, 0, 100), 1.2, 0.8),
    Observation("最低安全替代路線", normalize(35, 0, 100), 0.7, 0.5),
]
score, warnings = evaluate(samples)
print("綜合示例分數:", round(score, 3))
for warning in warnings:
    print("檢查:", warning)