在製作 大安大甲溪聯通管工程地圖 的過程中，我遇到了一個棘手的問題。

我手上有一張非常清楚的官方工程示意圖（JPG 格式），標示了紅色、紫色、黃色三條輸水管線的走向。但我沒有 KML 或 Shapefile 原始檔。

如果是在傳統 GIS 軟體（如 QGIS）中，我需要進行「地理對位 (Georeferencing)」，把圖片貼在底圖上，然後用滑鼠慢慢描繪。但在 AI 時代，我嘗試了一個更懶（也更聰明）的方法：讓 Agent 幫我「看圖轉碼」。

🧠 AI 的解題思路

我給了 Agent 這張圖，並問它：「這張圖包含幾條線，是否有辦法轉成 WKT 表示？」

Agent 當然無法直接從圖片像素中「讀」出經緯度，但它採取了一套非常有邏輯的推演策略：

1. 視覺理解與拆解 (Visual Breakdown)

Agent 首先辨識出圖中的三條主要路徑：

  • 紅線 (大甲溪輸水管)：沿河岸走，從右下角石岡壩連到左側。
  • 紫線 (鯉魚潭第二原水管)：從右上角水庫「直線穿越」山區到左側。
  • 黃線 (后里圳送水管)：連接上述兩者的小短線。

2. 座標錨定 (Geo-referencing Anchors)

這是最關鍵的一步。Agent 知道它無法憑空猜座標，於是它利用我們在前一個階段已經建立好的「已知地標」作為錨點 (Anchors)：

  • 錨點 A：石岡壩 (24.2797, 120.7691) -> 紅線起點
  • 錨點 B：鯉魚潭水庫 (24.3415, 120.7819) -> 紫線起點
  • 錨點 C：后里第一淨水場 (24.3195, 120.7359) -> 紫線/紅線終點

3. 路徑模擬 (Path Simulation via Waypoints)

有了起終點，中間怎麼走？Agent 沒有選擇畫一條無聊的直線，而是根據圖片特徵進行推估：

  • 紅線：圖片顯示沿著大甲溪左岸。Agent 就在 Google Maps 底層邏輯中抓取了幾個「河岸轉折點」作為中繼點。
  • 紫線：圖片顯示穿越「枕頭山」與「大安溪」。Agent 於是加入了一個「枕頭山座標」與「水管橋座標」作為中繼點，形成一條合理的折線。

4. 程式化生成 (Code to WKT)

最後，Agent 不需要我手動輸入任何數字。它直接寫了一段 Python 腳本，將這些推估出的座標點 (Waypoints)組合成標準的 GIS 格式——LineString。

# Agent 自動生成的路徑邏輯
path_purple = [
    (24.3415, 120.7819), # 鯉魚潭水庫 (已知)
    (24.3343, 120.7660), # 枕頭山 (中間點推估)
    (24.3258, 120.7516), # 大安溪水管橋 (中間點推估)
    (24.3195, 120.7359)  # 后里第一淨水場 (已知)
]
# 自動轉為 WKT: LINESTRING(120.7819 24.3415, 120.766 24.3343, ...)

🚀 成果與心得

不到 5 分鐘，我就獲得了三條具備地理座標的 LineString 數據，並成功寫入 WalkGIS 資料庫。在地圖上，這些線條精準地串連了各個設施，視覺效果與原始工程圖高度吻合。

這給了我們什麼啟示？

  1. AI 是最好的 GIS 助理：雖然它不能取代高精度的測繪，但對於「示意圖數位化」這種場景，它的效率是人類的 10 倍。
  2. 錨點思維：與 AI 協作時，提供「已知定錨點」非常重要。你給的已知點越多，它「猜」出來的中間路徑就越準。
  3. WKT 是通用語言：透過文字化的 WKT (Well-Known Text)，我們可以輕鬆地讓 AI 處理複雜的幾何圖形。

現在，這張「大安大甲溪聯通管地圖」不僅有景點，更有了一目了然的血管網絡。

🤖 AI 協作宣告

  • 本文內容: 由人類作者提供核心經驗與技術觀點，Antigravity 協助整理與潤飾。
  • 技術實作: 文中描述的 WKT 轉換邏輯、Python 腳本生成以及資料庫操作，皆是在 Antigravity 的 AI Agent 輔助下自動完成。