避難收容處所在哪裡？從開放地理資料、GIS API 到多模態 AI 的查詢實驗

臺灣位處地震、颱風、豪雨及土石流等災害風險較高的環境，政府平時即應持續做好避難收容處所的整備工作，包括場地安全檢核、物資儲備、無障礙設施、收容容量、開設流程與資訊更新等，確保災害發生時能迅速啟動並有效運作。同時，民眾也應主動瞭解住家、學校或工作地點周邊不同類型避難收容處所的位置、路線與基本狀況，例如是否適合短暫避難、臨時安置，或提供災後生活支援。避難收容處所不只是災後暫時安置的空間，更是社區防災網絡的一環，連結地方政府、學校、里鄰組織與居民之間的互助關係，進一步建構更安全且具應變能力的韌性社會。

避難收容處所的權責主要由地方政府主導，縣市政府（社會處/局）負責整體規劃與督導，物資儲存與調度，鄉鎮市區公所則負責開設處所、災民收容、管理、資材管理。因此，各縣市的避難收容處所資料目前仍相當分散，多數縣市各自建置避難收容處所地圖或清單；其中有些資料包含地理坐標，有些則僅提供文字地址，使用介面與資料格式也尚未統一。

新北市各區防災地圖
臺南市各區避難收容處所

然而，現代人的活動範圍早已不限於住家周邊，無論是工作、旅遊、就學或返鄉，都可能前往不同縣市。因此，僅瞭解住家附近的避難收容處所仍然不足，更重要的是如何透過資訊工具，讓民眾能隨時隨地查詢附近可前往的避難場所。這也正是 NGO 團體 g0v 相關工作小組嘗試以資料治理方式改善的課題。過去解決這樣資料分散建置、格式不一致的問題，就是再額外建立一套整合系統。

現在，則可以運用大語言模型及資料治理的策略就可以改善。例如：內政部消防署透過行政聯繫與系統介接程式在『政府資料開放平臺』上發布「避難收容處所點位檔」，統整全國各縣市（鄉鎮市區）避難收容處所的基本資料，且有經度、緯度坐標資訊。

後續，就可以直接運用大語言模型（本文使用 GPT-5.5 Thinking 模型），輸入以下提示詞 “我家住在（新北市新莊區）衛福部臺北醫院附近，請根據政府資料開放平臺的避難收容處所點位檔： https://data.gov.tw/dataset/73242，這份資料內有避難收容處所的經度、緯度坐標資訊，請運用GIS空間分析方法，幫我查詢出最近的「避難收容處所」是哪一個，不要直接在網路上搜尋或單憑你的記憶。” ，以下則是 GPT 的分析結果：

————————————————–

我會以你指定的 data.gov.tw 資料集為來源，先取得點位檔，再以「衛福部臺北醫院」作為起點座標，做最近點距離計算；不會用網路搜尋結果或記憶直接判斷。

查詢結果：距離「衛生福利部臺北醫院」最近的避難收容處所，應為「思賢國小」。

我採用的判斷方式是：

  1. 以政府資料開放平臺「避難收容處所點位檔」為主要資料來源；該資料集明列包含「避難收容處所名稱、地址、經度、緯度」等欄位，資料資源為 CSV，提供機關為消防署。
  2. 以衛福部臺北醫院作為起點，採用其公開座標約為 121.4595800, 25.0429649。
  3. 對新莊區避難收容處所進行最近點分析。新莊區公所 114 年度避難收容處所一覽表中，確認「思賢國小」是官方列管的避難收容處所，地址為 新北市新莊區自立街 229 號，收容量 192 人。
  4. 思賢國小公開座標約為 121.456604, 25.0456132。

用 Haversine 大圓距離估算：

起點最近避難收容處所直線距離
衛福部臺北醫院思賢國小約 420 公尺

因此，若以「點位最近」作為 GIS 空間分析標準，最近的避難收容處所為：思賢國小。

補充說明：這是以「直線距離」判定的最近點；實際避難時仍應以現場路況、災害類型、官方開設狀態與區公所公告為準。

————————————————–

如果進一步，與「新北市各區防災地圖」比對，大語言模型的推論結果是正確無誤的。藉由這個實際案例可以瞭解到，只要基礎資料正確、內容及時更新、下載權限及格式開放，且帶有精確的地理坐標，其實不需要開發複雜的APP、查詢系統或 GIS 圖台，AI 就可以自行協助完成一般性的 LBS （例如：最近醫院、藥局、公廁、飲水站、AED….）查詢任務。針對以上結果，可以進一步輸入以下提示詞 “請繪製「衛福部臺北醫院」到前一步驟分析得到「最近的避難收容處所」的步行導航路線圖，使用 Google Directions API 進行路徑規劃。” 就可以得到一個避難時參考用的導航路線圖，更加貼近實務上的應用情境。

上述實驗是在具備高品質開放地理資料（Open Geodata）的條件下，相對容易完成的。然而，若缺乏這類資料，是否仍有其他可行的方法？由於目前大語言模型已逐漸具備多模態處理能力，因此，直接提供地圖影像或圖台畫面，讓 AI 進行判讀與輔助分析，也成為一種可行的替代方案。

例如：輸入以下提示詞 “我家住在（新北市新莊區）衛福部臺北醫院附近，請根據新北市避難地圖： https://www.dsc.ntpc.gov.tw/DRPI/ntcdmap，請 GIS 圖資介接或運用 GIS 空間分析方法，查詢出最近的避難收容場所是哪一個，不要直接在網路上搜尋或單憑你的記憶。”，可以得到以下結果：

————————————————–

我會把「衛福部臺北醫院」當作起點座標，嘗試從新北市避難地圖本身找出可用的圖層/API資料，再用距離或路網距離做空間分析；不會只用一般搜尋結果或記憶判斷。

初步以**直線距離（WGS84 經緯度 → 大地距離）**做 GIS 最近鄰分析，結果是：

最近的避難收容場所：新莊國小
地址：新北市新莊區中正路 86 號
距離「衛福部臺北醫院／思源路 127 號」約 650 公尺直線距離。

我採用的資料與方法如下：

  1. 避難收容場所圖層來源
    新北市避難地圖背後的 ArcGIS FeatureServer 有「新北市避難收容處所」點圖層，幾何型態為 point，座標系統為 WGS84；欄位包含名稱、行政區、地址、收容量、是否提供避難所功能等。
    另以新莊區公所的「110 年度避難收容處所一覽表」核對新莊區收容處所清單，其中列有「新莊國小，新北市新莊區中正路 86 號，收容量 1029」。
  2. 起點座標
    以臺北醫院所在位置「新北市新莊區思源路 127 號」附近的公開定位點作為分析起點，GPS 為 25°02’34.9″N, 121°27’30.9″E，換算約為 25.043028, 121.458583。
  3. 最近鄰比對
    我先將新莊區避難收容處所清單篩出，再以醫院座標計算候選點距離。附近幾個候選點中：
    • 新莊國小：約 650 m
    • 恆毅高中：約 850 m
    • 新莊國中：約 1.04 km
    • 頭前國小：約 1.33 km

因此若以「最近的避難收容場所」定義為空間直線距離最近，結論是 新莊國小。實際避難時仍建議再確認災害類型、道路可通行性與當下開設狀態；若改用 OSM 步行路網距離，排序可能會有小幅變動，但新莊國小仍是最主要的近距離候選。

————————————————–

這次大語言模型的推論結果是錯誤的，正確答案應該是「思賢國小」而非「新莊國小」，如果進一步仔細檢查就會發生問題出在 AI 使用到舊的資料「110 年度避難收容處所一覽表」，且表單內並沒有避難收容處所的坐標，因此推論最近處所時就產生誤判。

很有意思的是 AI 自己找到「新北市各區防災地圖」圖台背後使用的 ArcGIS Online 上的 FeatureServer 服務：https://services1.arcgis.com/XgbJTM2lwaBqFO3f/ArcGIS/rest/services/新北消防/FeatureServer/0。既然有 GIS FeatureServer 服務，我們可以修正提示詞為”我家住在（新北市新莊區）衛福部臺北醫院附近，請根據「新北市各區防災地圖」圖台背後使用的 ArcGIS Online 上的 FeatureServer 服務：https://services1.arcgis.com/XgbJTM2lwaBqFO3f/ArcGIS/rest/services/新北消防/FeatureServer/0，使用 Query operation，幫我查詢出最近的避難收容場所是哪一個，不要直接在網路上搜尋或單憑你的記憶。”

這次大語言模型的推論結果便是正確，且是透過新北市消防局 GIS Server 分析查詢取得的結果，並不是 AI 自己推論計算而得，可靠度就大幅增加。

————————————————–

依照你指定的 ArcGIS Online FeatureServer /0 圖層，這個圖層本身是 「新北市避難收容處所」點資料圖層，幾何型態為 esriGeometryPoint，座標系統是 WGS84 / EPSG:4326，並支援 JSON、geoJSON、PBF 查詢格式；欄位中也包含 USER_name、USER_district、USER_address、USER_total、X、Y 等可用於後續空間分析的屬性。

我以「衛福部臺北醫院附近」作為輸入點，採用約略座標：121.45889, 25.04293

使用的 Query operation 條件可寫成：

https://services1.arcgis.com/XgbJTM2lwaBqFO3f/ArcGIS/rest/services/新北消防/FeatureServer/0/query
?where=1=1
&geometry=121.45889,25.04293
&geometryType=esriGeometryPoint
&inSR=4326
&spatialRel=esriSpatialRelIntersects
&distance=1000
&units=esriSRUnit_Meter
&outFields=ObjectID,USER_name,USER_district,USER_village,USER_address,USER_total,X,Y
&returnGeometry=true
&outSR=4326
&f=geojson

這個查詢邏輯是：以臺北醫院附近座標為中心，先用 distance=1000 公尺取得候選避難收容處所，再對回傳點位計算與輸入點的球面距離，取距離最短者。ArcGIS Query 頁面本身也提供 Input Geometry、Geometry Type、Distance、Units 等參數，因此可用外部點座標進行距離範圍查詢。最近的避難收容場所為：

思賢國小
地址：新北市新莊區自立街 229 號
所在區：新莊區
估計直線距離：約 380–400 公尺

補充說明：FeatureServer 的 Query operation 主要是「以外部座標 + 搜尋半徑」回傳候選點，並不會自動幫你排序最近點；「最近」這一步需要在取得 GeoJSON/JSON 後，用 GIS 或程式計算距離排序。

————————————————–

藉由第三個實驗，我們可以看到，即使無法直接開放原始資料，只要能提供相關查詢 API，大語言模型仍可透過自主操作與分析流程，取得正確的結果。

當然，既然大語言模型有多模態處理能力，我們還可以利用其他類的資料來進行求證。例如上傳一張街景照片，並輸入以下提示詞 “這是一張思賢國民小學校門 360度街景照片，請確認是否有「避難收容處所」標誌，讓我可以進一步確認這是一個官方認定的收容所。”

Google地圖街景影像（Panorama ID: TrPzXkAnam8VwkP5vLVXMg）
Google地圖街景影像（Panorama ID: TrPzXkAnam8VwkP5vLVXMg）局部裁切

以下則是 GPT 的分析結果：

————————————————–

有看到疑似「避難收容處所」相關標誌。

在照片中，思賢國小校門右側立柱靠近人行道的位置，可以看到一塊綠色直式牌面，上面文字看起來像是「避難收容處所」之類的標示；但因為街景解析度與 360 度變形關係，文字無法完全清楚辨識。

就這張照片判讀：

  • 場景確實是思賢國民小學校門口。
  • 校門旁有政府常見的綠色直式公共設施標誌。
  • 該標誌位置與樣式，符合學校被指定為避難收容處所時常見的現地告示位置。

因此，我會判斷：這張街景照片可以作為輔助佐證，思賢國小現地應有避難收容處所標誌；但正式確認仍應以官方 GIS 圖層或公所清冊為準。

————————————————–

小結：

從這次實驗可以看到，大語言模型並不是單純「查資料回答問題」的工具，而是可以在明確資料來源與操作條件下，協助完成資料取得、空間查詢、距離分析、路線規劃與影像判讀等一連串任務。當開放地理資料具備完整坐標、清楚欄位與可下載格式時，AI 能快速完成基本的 LBS 查詢；當原始資料不便直接開放，但提供標準化 GIS API 時，AI 也能透過介接服務取得更可靠的分析結果；即使只有地圖畫面或街景影像，多模態 AI 也可作為輔助判讀與交叉驗證工具。未來若能持續推動資料治理、API 開放與 AI 工具整合，將有助於讓民眾在不同生活情境中，更即時地找到安全、可信且可前往的避難資訊，進一步提升社會整體的防災韌性。

「避難收容處所在哪裡？」其實是一句帶有雙關意涵的提問。第一層意思是：可供查詢與分析的「避難收容處所」資料集在哪裡？第二層意思則是：在民眾所在位置附近，真正可前往的「避難收容處所」在哪裡？換言之，若 AI 能夠先找到來源可信的避難收容處所資料集，接著便能進一步透過 GIS 空間分析，協助人們找到距離最近、位置正確且可供參考的避難收容處所。這也說明，AI 應用的關鍵不只是模型本身的能力，更取決於背後是否有可被機器理解、查詢與分析的高品質開放地理資料。