根據全球實施案例，準確率約 92～96%。但需要注意：

• 「準確率」指的是「預測有積水 vs 實際有積水」的命中率
• 對於「極端降雨」（1 小時 150mm+），準確率會下降到 85%
• 對於「局部微爆雨」（單點 200mm 但週邊地區無雨），準確率僅 60～70%

解決策略：不依賴「單一預測」，而是「持續更新預測」。每 5 分鐘重新計算，確保預測始終基於最新數據。

這叫「假正告警」(False Positive)。影響：

• 市政府無謂啟動排水泵（浪費電費）
• 民眾無謂疏散（擾亂日常生活）

解決方案：

• 設定「多級警報」：黃色預警（80% 概率）、橙色警報（90% 概率）、紅色警報（95% 概率）
• 只在「紅色警報」時才啟動「大規模排水」和「媒體通知」
• 在「黃色、橙色」階段做「靜默準備」（通知泵站待命，但不啟動）

一般規則：每 2～3 km² 配置 1 個液位監測點

• 50 萬人口的城市 ≈ 500 km² → 需要 150～300 個液位傳送器
• 如果城市有「特殊風險區」（低窪地、老舊管網），可加密到「每 1 km² 配置 1 個」
• 如果城市財政有限，可先部署「核心區 + 高風險區」（100～150 個），5 年後擴展到全市

三個數據源：

• 歷史雨洪事件記錄： 過去 5～10 年的「降雨 → 積水」事件檔案
• 回溯模擬： 用「現有感測器」回放過去 2～3 年的數據，看是否能「預測」當時實際發生的積水
• 相鄰城市的開源數據： 如果本地數據不足，可參考「鄰近城市」已公開的氣象和城市排水數據

建議：在「AI 正式上線」前，用「過去 2 年的真實數據」做回測，確保模型準確率 > 85%。

不會完全失效，但準確率會下降。 對策：

• 冗餘設計： 在關鍵位置安裝「2 個平行感測器」，一個故障時用另一個
• 智能插值： 當某個感測器失效時，AI 根據「相鄰區域的數據」推估該位置的狀態
• 人工驗證： 在感測器失效期間，依賴「人工巡查」補充信息
• 告警機制： 感測器離線超過 1 小時，自動通知維修團隊

建議「分級處理」：

• 紅色警報（97%+ 概率）： 直接啟動自動化程序（無需人工複核）
• 橙色警報（85～95% 概率）： 通知值班主管，主管 5 分鐘內確認是否啟動
• 黃色預警（70～85% 概率）： 靜默準備，不啟動任何資源

理想狀態：90%+ 的決策完全自動化，只有「邊界情況」才需人工介入。

典型液位傳送器（如 LTPT-410RS）的電池壽命：

• 無線傳輸模式： 2～3 年（因為無線信號耗電較大）
• 有線供電 + 無線備用： 5～10 年（主供電來自市電，電池僅作備用）

建議：全部採用「有線供電」（由市政管網供電），備用電池只作停電應急。

雨量計安裝規則：

• 最低密度： 每 5 km² 安裝 1 個（某些地區降雨有明顯空間變化）
• 高密度： 每 2 km² 安裝 1 個（山區或海拔變化大的區域）
• 優先位置： 氣象站、高層建築屋頂、公園（避免建築遮擋）

另外，可與「氣象局」共享數據，減少重複投資。

會受影響，但不會完全失效。 原因：

• AI 使用「四個數據源」，不只依賴降雨預報
• 當「實時降雨」與「預報不符」時，AI 會「動態調整預測」
• 對於「30 分鐘預測」，降雨預報的影響最小（30 分鐘內降雨模式基本固定）
• 對於「2 小時預測」，降雨預報的誤差會導致預測準確率下降 5～10%

多渠道通知：

• 手機 App： 「我現在在信義區，30 分鐘後會積水 0.3m」
• SMS 短信： 自動發送給該區域的居民和企業
• 新聞媒體： 與電視台、網路新聞合作，即時播報
• 路牌顯示屏： 主要街道的電子看板即時顯示「積水風險」
• 警報聲： 某些高風險區域安裝「戶外揚聲器」發出警報

這是「法律問題」，各地規定不同：

• 美國： 市政府對「AI 預警失誤」不承擔民事責任（政府豁免原則）
• 歐洲： 市政府須「盡力維持系統準確性」，如因「疏忽維護」導致失誤才承擔責任
• 亞洲： 法律尚不完善，一般由「系統商 + 市政府」共同承擔

建議：在「AI 系統上線」前，市政府應与法務部門溝通，明確「責任邊界」。

取決於「淹水深度」和「感測器設計」。

• 液位傳送器： 設計上就「必須在水中」，深度 10m 也能工作
• 雨量計： 不會被淹（通常安裝在屋頂或高處）
• 壓力傳送器： 如果在「水下 2m」，壓力計會顯示異常高值，但不會損壞

風險：如果「管線感測器被淹」超過 1 小時，膜片可能會被污泥堵塞，需要清洗。

建議頻率：

• 大規模重訓練： 每 1～2 年一次（加入新的歷史數據）
• 小規模微調： 每月一次（根據最近 1 個月的預測偏差調整權重）
• 緊急更新： 遇到「歷史上未見過的降雨類型」時，立即調整

例如：如果某年突然「出現冬季豪雨」（過去從未有過），需要立即更新模型以適應新現象。

不能完全通用。 原因：

• 每個城市的「地形、管網、氣候」都不同
• 城市 A 的「1 小時 100mm 降雨」可能導致 0.5m 積水，但城市 B 可能只有 0.2m

解決方案：

• 參考模型： 可以借用「相似城市」的模型作為「初始版本」
• 本地化調整： 再用「本地 3～6 個月的數據」對模型進行微調
• 預計上線時間： 從「購買軟體」到「正式運行」通常需要 6～9 個月

AI 應該做「全市流量優化」：

• 預測： 根據液位趨勢，預知「未來 1 小時各區域的進水量」
• 分配： 根據「各泵站的容量和位置」，計算「最優的排水方案」
• 協調： 例如「北泵站提速至 80%，南泵站提速至 60%」以達到「全市平衡」
• 目標： 最大化「防洪效果」同時最小化「能耗」

這比「各泵站獨立運轉」效率高 20～30%。

影響很大。 例如：

• 精度 ±5%（普通傳送器）： AI 預測誤差 ±0.5m
• 精度 ±1%（高精度傳送器）： AI 預測誤差 ±0.1m

建議：在「關鍵位置」（如積水點、泵站出口）使用「高精度傳送器」（SDPT-3100），在「普通位置」可用「中等精度傳送器」（LTPT-410RS）以節省成本。

安全風險：

• 黑客攻擊「感測器網絡」，篡改液位數據
• 黑客入侵「AI 引擎」，修改預測結果
• 網路中斷導致「數據無法上傳」，系統失效

防護措施：

• 數據加密： 所有感測器數據採用 AES-256 加密傳輸
• 冗餘備份： AI 預測在「本地邊 PLC」和「雲端服務器」同時運行
• 離線備案： 如果網路中斷，邊 PLC 會自動啟動「應急決策邏輯」

通常：

• 中央氣象局： 每 3 小時更新一次「未來 7 天的降雨預報」
• 短期預報： 「未來 6 小時」的降雨預報每 30 分鐘更新一次
• 即時雨量： 實況雨量每 5 分鐘更新一次

ATLANTIS 的 AI 系統應該設置為「每 5～10 分鐘同步一次氣象數據」，確保預測始終基於最新信息。

這是「常見的居民抗議」。主要擔憂：隱私、視覺污染、施工擾亂。

解決方案：

• 公開溝通： 解釋「感測器不會監測個人隱私」，只測「水位」
• 美觀設計： 將感測器「隱藏」在街邊，或設計為「雕塑型」外觀
• 利益共享： 告知市民「防災系統能保護你的社區，減少損失」
• 最壞方案： 該區域暫時不部署感測器，靠相鄰區域的數據「推估」該區狀態

通常由「政府買單」：

• 政府投資方： 市政府、水利署、應急管理部門
• 系統商利潤： 初期投資（感測器、軟體）+ 年度運維費
• 典型合約： 「政府支付 5,000 萬初投 + 每年 1,500 萬運維」，持續 5～10 年

新興模式：「預防效果收費」

• 系統商與政府共享「防災成果」的利益
• 例如：「每減少 1 億元直接損失，系統商獲得 5%」
• 優點：激勵系統商持續優化 AI 模型