AI 不只看森林，更能預測哪一棵樹會倒下：森林健康監測的新時代

一棵樹倒下之前，可能先出現樹冠稀疏、葉色改變、枝條枯死、根域積水、土壤鬆動或樹幹傾斜；也可能因瞬間強風、崩塌與根系隱藏腐朽，沒有留下容易從空中辨識的警告。AI 能否「預測哪一棵樹會倒下」，因此必須先把題目改寫得更精確：它可以依既有資料估計某些樹的風險較高，協助安排巡查優先順序，但不能宣告特定樹木必然在某天倒下。

這個差別關係到公共安全。若把風險分數當成確定診斷，可能砍掉健康但外觀異常的老樹，也可能因模型顯示低風險而忽略根腐、土壤掏空或最新風災。森林監測的成熟做法不是讓演算法取代人，而是讓衛星、LiDAR、無人機、聲音、氣象與現場觀察互相校正，把有限人力更快送到真正需要檢查的地方。

森林健康不是一種顏色，也不是一個單一分數

森林健康可能指樹木活力、病蟲害、火災、乾旱、物種組成、生態功能或公共安全。對林業機關而言，重點可能是大尺度死亡與病蟲害擴散；對道路管理者，是可能落向道路的枝幹；對部落巡守者，還包括水源、獵徑、傳統採集地、祭儀空間與族人通行。若沒有先說明要保護什麼，AI 只會把方便取得的影像變成看似客觀的答案。

美國林務署《Forest Health Monitoring: National Status, Trends, and Analysis 2024》以衛星、全國森林清查與病蟲害調查分析松樹死亡、火災與樹種變化，顯示森林健康監測本來就是多尺度、多來源工作。報告名稱雖標示 2024，出版紀錄為 2026 年，內容也明確區分年度資料、長期趨勢與技術方法；引用時不能把觀測年份誤寫成出版日期。

衛星先找熱區，無人機補細節，LiDAR 看立體結構

光學衛星可反覆覆蓋大範圍，從葉綠素、水分與樹冠顏色變化找出異常區；熱紅外資料可提供溫度與水分壓力線索；雷達能在多雲環境補充結構與含水資訊。它們適合回答「哪一片區域與過去不同」，但像元可能混合多棵樹、林下與陰影，通常不能單靠衛星完成單木診斷。

無人機飛得較低，可取得高解析影像與特定角度，適合災後快速查看邊坡、林道與樹冠破損；限制是續航、風雨、法規、視線遮擋與大面積成本。LiDAR 發射雷射並量測回波，形成三維點雲，可估計樹高、樹冠形狀、空隙與部分地形結構。美國林務署的遙測研究摘要記錄，研究者以航空 LiDAR、現場觀測與統計模型，辨識受蜜環菌根病影響森林中的單株健康；同一頁也明說，遙測很會找死樹，辨認造成死亡的昆蟲或疾病仍具挑戰，而且沒有一種感測技術能偵測所有損害。

NASA GEDI 很重要，但不是逐棵樹的倒木警報器

NASA 的 GEDI 任務從國際太空站量測森林垂直結構，提供樹冠高度、植被結構與地表高程等資料，適合研究碳、棲地與大尺度森林變化。它的足跡與抽樣設計有明確用途，不能把一筆太空 LiDAR 資料包裝成社區每棵路樹的即時安全檢查。

在部落周邊的實務系統中，合理分工是：衛星與區域資料先找出乾旱、風損或樹冠變化熱區；航空或無人機影像縮小範圍；地面人員再檢查根頸、樹洞、菌類子實體、裂縫、傾斜、土壤與受風條件。資料尺度若不匹配，再精密的模型也只是把大範圍趨勢錯貼到單株。

AI 做的是分類、偵測與排序，不是看見未來

模型可以比較不同日期影像，找出樹冠變色或消失；可以從點雲分割單木，估計高度、冠幅與傾斜；也能把氣象、坡度、土壤、病蟲害紀錄及巡查結果組成風險排序。這些結果常以機率或分數呈現，意義是「與訓練資料中的高風險樣本較相似」，不是自然定律。

美國林務署研究者對 AI 森林健康監測的展望指出，AI 有助快速收集、整合與綜合多來源資料，也強調每種工具各有優缺點；AI 不應替人定義什麼森林價值重要，而應協助評估人們選定的價值目標。這個界線對原住民族領域尤其關鍵：模型可以協助辨識變化，不能把外部機關的材積、道路或單一安全指標，當成社群對森林健康的完整定義。

真正倒木判定仍需現場：根系與受力常藏在影像之外

樹會不會倒，取決於樹體缺陷、根系抓地、土壤含水、坡度、風向、冠幅、周邊開闊度與可能擊中的目標。樹冠枯黃可能提示壓力，卻無法證明根部何時失效；反之，葉色正常的樹也可能有空洞、根腐或施工造成的斷根。強風後新裂縫與地面隆起，更可能在下一次資料更新前出現。

因此，AI 標示高風險後，應由受訓人員進行分級檢查；位於教室、聚會所、道路、電線與住宅旁的樹，還需評估失效後果。高風險不必一律砍除，可選擇限制通行、修枝、改善根域、設支撐、加密監測或移除；低風險也不代表免巡。決策必須保留影像時間、模型版本、現場照片、檢查者與處置理由，日後才能回頭檢驗模型是否真的有效。

誤報與漏報都會傷害森林與信任

誤報是把安全樹標成危險，可能造成不必要砍伐、棲地損失與文化傷害；漏報則可能讓危險樹未被處理。兩者成本不對稱，也會隨場景改變。校園遊戲區可採較保守門檻，偏遠森林內部則不應為追求零風險而清除所有老樹與枯立木，因為它們本來就是生態棲地。

模型也可能偏向資料較多、影像較清楚或常見的樹種。山區雲霧、陡坡陰影、颱風後影像缺口、不同季節落葉，以及在地樹種樣本不足，都會使分數漂移。驗證不應只報整體準確率，而要分樹種、坡向、季節、設備與風災前後檢查漏報；當資料品質不足時，地圖應顯示「未知」，而不是用綠色低風險掩蓋沒有看見。

部落巡守知識不是替模型貼標籤的免費勞力

長期在山林工作的人知道哪一條路在東北季風後落枝、哪一片林在乾旱後出現異味與蟲聲、哪處根域曾被工程切削，也知道哪些地點涉及祭儀、採集或不宜公開的位置。這些知識能指出感測器該放哪裡、異常代表什麼，但不應未經同意被吸收到外部資料庫、再轉為商業模型。

資料治理應由社群共同決定拍攝範圍、敏感地點遮蔽、存取者、保存期限與二次利用。巡守回報要有報酬、署名或依社群選擇匿名，研究成果也應回到可使用的離線地圖與訓練，而不是只留下學術論文。若演算法建議與現場判斷不同，系統要能記錄異議並追查原因，不能把人工修正當作需要消除的雜訊。

台灣可以怎麼開始：用巡查結果驗證，而不是用模型展示驗收

可先選擇學校、聚會所、林道或常用步道周邊的有限區域，建立一年以上基線。每棵列管樹記錄位置、樹種、尺寸、照片、根域、歷史干擾與檢查結果，再疊加影像、地形與天候。模型第一年的任務只是排序巡查，不直接觸發砍伐；每次現場結果都回寫，計算在不同季節與樹種上的誤報、漏報及「未知」比例。

試辦還要演練資料中斷、無人機不能飛、風災後影像過期與定位錯誤。若高風險名單太長，需公開資源分配規則；若模型未能比既有巡查更早發現異常，就不應只因介面漂亮而擴大採購。成功不是地圖上有更多紅點，而是危險更早被確認、健康樹較少被誤砍、巡守人員得到可維護工具，並且社群能控制自己的森林資料。

驗證還要保留時間順序。災前影像、風雨期間的氣象、災後第一輪巡查與後續病徵不能混成一張靜態標籤；否則模型可能把結果當成原因，也無法回答它究竟比人工早多少發現。管理者可為每個事件建立時間軸，記錄資料何時取得、何時產生警示、何時有人看到、何時到場與何時處置。若警示很早出現卻卡在未讀清單，問題在工作流程；若影像取得時樹已倒下，系統做的是災損盤點，不是事前預測。

不同部落與山區也需要獨立驗證。樹種、坡向、季風、土壤、道路工程與巡守路線不同，不能拿一個場址的高準確率替另一個場址背書。擴大前應選擇與訓練資料分離的區域做盲測，讓在地巡守先以自己的方法記錄，再和模型結果比對；未被模型標示的區域也要抽樣。這樣才能看見漏報，而不是只在紅點中證明紅點合理。

結語：讓 AI 告訴我們先去看哪裡

AI 確實正在改變森林健康監測。它能把原本散落的衛星、點雲、無人機與巡查紀錄連起來，找出肉眼難以在大範圍追蹤的變化。但「預測哪一棵樹會倒下」若被理解成確定預言，就會把風險管理誤寫成機器裁決。

更可靠的承諾是：AI 協助指出哪裡值得先看，現場專業確認樹木狀態，部落知識界定森林價值與敏感邊界，管理者對最後處置負責。當模型承認未知、巡查保有否決權、資料權利被尊重，森林監測的新時代才不只是看得更多，而是判斷得更謙慎。

資料來源與延伸閱讀

• USDA Forest Service｜Forest Health Monitoring: National Status, Trends, and Analysis 2024：森林健康年度報告的多尺度資料與分析方法。
• USDA Forest Service｜Perspectives on the Future Roles of AI for Forest Health Monitoring：AI 整合監測資料的潛力、限制與人類價值目標邊界。
• USDA Forest Service｜Remote sensing technologies for forest health monitoring：航空 LiDAR、影像與現場觀測的分工及限制。
• NASA Science｜GEDI mission：太空 LiDAR 的森林垂直結構與地球觀測任務。