尋日樺加沙10號波放假,好彩我喺內街唔算當風,屋企冇爆玻璃冇漏水冇滲水,感恩.
不過因為屋企掘開隧道,鑽井工程,可以話係同地底打咗廿年交道,個心思反而放咗落去泰國曼谷Vajira醫院門口路陷,同埋台灣馬太鞍溪嘅堰塞湖潰堤2單新聞,一睇到啲泥漿同水不斷湧出嘅畫面,我個腦即刻彈出軟黏土,地下水,TBM嘅畫面.
第一單,喺曼谷Vajira醫院門口,Samsen Road突然塌陷,形成一個30米闊,50米深嘅巨型天坑.其實曼谷成個城市都係起喺湄南河嘅三角洲上面,地底基本上就係一層厚厚嘅軟黏土-「曼谷黏土」.呢種地質含水量極高,承重力極低,喺特定壓力下仲會好似液體咁流動,令到喺曼谷地底搞工程就好似喺豆腐上面繡花一樣,風險極高,近年曼谷已經有好多單類似嘅意外.
第二單,台灣花蓮光復鄉因為颱風帶來嘅豪雨,引發馬太鞍溪上游嘅堰塞湖潰堤,洪水夾雜住泥石淹沒市區,造成大量居民死傷同失蹤.之前幾場地震,留下無數肉眼睇唔到嘅裂縫同鬆散土石,地形險峻, 工程風險高,所以唔做缺口引流,或者挖一條溢洪引流排洪,結果發生呢件慘劇.
網上搵資料,唔排除曼谷地陷可能同趕工有關,TBM推進速度過快,而實時監測不足,未及時發現地層入面嘅微細變化.而冇更果斷處理花蓮堰塞湖問題,喺一個地震,颱風季頻繁嘅地方,呢種放任嘅態度當然唔理想.
睇住呢2單人禍成份極高嘅災難,我哋係咪更應該問:有冇更好嘅方法去避免呢?以我屋企舖頭做開基建嘅挪威,同樣面對大量山體滑坡,泥石流威脅嘅國家,佢哋願意投資廿年時間同資金,建立一套地質災害管理系統,其實我覺得都幾值得我哋去借鏡.
挪威將水資源能源局(NVE), 氣象局(MET), 公共道路局(NPRA), 甚至鐵路局(Bane NOR)唔同部門嘅情報,好似氣象局提供降雨預測,道路局提供路面情況,水資源局提供地下水位數據,然後將所有資料放入一個共享嘅數學模型,每日更新一次全國嘅災害風險評估,呢種模式確保咗唔同部門唔駛「估估下」,對任何決策可以有最全面嘅數據去支持.
呢個地質災害管理系統分幾個層次:地質調查局(NGU)負責繪製,清楚標示出邊啲地區係泥石流或者山泥傾瀉嘅高危地帶;而全國預警系統,會針對唔同區域發出唔同級別嘅預警,等市民同地方政府可以提早準備,而喺主要公路沿線,佢哋會安裝大量嘅實時監測儀器,監察土石流嘅出現.
而所有監測系統就由物聯網(IoT)同人工智能(AI)去負責,挪威喺好多偏遠山坡裝咗大量嘅感應器,例如可以測量微細地層移動嘅傾斜儀,測量岩石裂縫擴大嘅裂縫計,仲有監測地下水位嘅濕度計,呢啲感應器透過物聯網技術,24小時不間斷咁將數據傳返去數據中心.跟住電腦會用機器學習演算法,分析海量嘅實時數據,再對比返歷史數據,去搵出可能預示住山泥傾瀉嘅微細模式,一旦AI發現某個山坡嘅數據組合達到危險程度,系統就會自動發出警報.其實好似我屋企舖頭咁,10年前都已經自行研發咗物聯網(IoT)同人工智能(AI)監察系統,去確保所有隧道管道內,鑽井管道入面嘅情況而去評估鑽探風險.
呢種做法,係主動點對點嘅精準風險管理,佢哋甚至引入Digital Twin嘅概念,喺電腦入面建立一個同現實世界一模一樣嘅公路邊坡模型,再將實時數據輸入去,動態模擬同預測個山坡幾時會「頂唔順」.
曼谷同花蓮嘅悲劇,再次提醒我哋,喺極端天氣越嚟越頻繁嘅今日,過去嘅經驗可能已經唔夠用.挪威嘅模式話俾我哋知,我哋需要更多嘅數據;我哋需要嘅唔係各自為政嘅部門,而係一個能夠共享情報, 協同作戰嘅大腦.
引入AI同IoT去做山坡同基建嘅「健康監測」,建立一個跨部門嘅災害預警平台,並且喺城市規劃嘅源頭就將地質風險納入考慮,以保障城市安全為目標,而必須要行嘅下一步.