HGIS

「水權即政權，權力即空間。」 作為 11 個流域探索的最終站，同時也是哈爸的居住地，頭前溪計畫不再只是河道走查。受到 HGIS 系列五：知識圖譜 的啟發，我們將這份 8 日模組化計畫升級為 「Entity-Bound（角色繫結）」 的時空導航。 為什麼這麼做？ (Why This Path?) 傳統的河流研究（如 AIBook 3）過於偏重工業供水與美學工程（如豆腐岩）。但在《新竹五書》與歷史地圖的層層堆疊下，頭前溪其實是一張由 士紳家族 與 四大名圳 編織而成的權力網。我們將探索焦點從「設施」轉向「角色（Agents）」。 四大權力弧線 (The Four Arcs) 本計畫拆解為四大弧線，使用者可依據興趣與時間隨時調用對應的「模組」。 1. 邊界與隘墾之弧 (Arc of the Frontier) 探索點位：五峰源頭、北埔姜家 (金廣福)、竹東圳取水口。 繫結角色：泰雅族主權者、莊進連、姜氏家族。 核心命題：山區水源如何被「轉化」為支撐全球貿易（茶、煤）的原始資本？ 2. 規劃師的藍圖之弧 (Arc of the Planner) 探索點位：隆恩堰、隆恩圳/汀甫圳分水分離點、竹蓮寺。 繫結角色：王世傑 (Wang Shijie)。 核心命題：清初規劃師如何運用灌溉工程養活肉體，再用信仰中心（竹蓮寺）定錨精神？ 3. 士紳地景之弧 (Arc of the Gentry) 探索點位：東興圳 (竹北)、六家問禮堂、汀甫圳 (高地段)。 繫結角色：六家林家 (新竹五書)、北門鄭家。 核心命題：水權如何分層？為何斜向流動的東興圳，能在高鐵特區的格子街道中存活下來？ 4. 門戶與微血管之弧 (Arc of the Gateway) 探索點位：槺榔驛 (輕便車)、舊港島、南寮。 繫結角色：新竹軌道株式會社、島港豐巢團隊。 核心命題：資源產出的最後一公里路，以及 1898 戊戌大水後的城市韌性。 數位探索資產 (Digital Assets) 本計畫提供具備「角色屬性」的互動資產，在 Google My Maps 上點擊圖釘即可看到繫結的人物故事。 ...

在兩週前，我們釋出了《流域導航》v2.0，確立了「HGIS Layer 0-1-2」的三層知識架構，並透過 hgis-atlas-architect 技能大幅提升了地名與史料的對合效率。 然而，隨著我們深入曾文溪流域的「青瞑蛇」改道史，我們撞上了一個數位探索的核心挑戰：當文字史料斷裂時，該如何導航？ 今日，我們正式釋出 《流域導航》v2.1 (Relic & Deep-Time Modeling)。這是一個從「行政地名變遷」跨越到「萬年尺度生存演義」的重要版本。 為什麼要有 v2.1？看見「超越文獻」的硬證據 文字會撒謊，行政邊界會消失，但土地上的「硬證據」——考古遺蹟 (Relics)——是誠實的。 在 v2.1 中，我們引入了 Layer 3 (屬性推論與演繹) 與 Layer 4 (空間拓樸) 的完整定義。我們不再滿足於「標註一個點」，而是要「還原一套生存邏輯」。 核心突破一：OO-History (物件導向歷史) 建模 為了處理全台 2,500 處以上的考古遺址而不迷失，我們導入了軟體工程中的物件導向思維。我們建立了 Root-Spec-Entity 三層繼承架構： 90% 繼承 (Era Spec)：直接繼承特定時代（如：大坌坑文化）的「共性樣態」。 10% 覆寫 (Relic Entity)：僅針對特定遺址的「異常證據」（如：南科遺址中超前出現的稻米）進行考證與標籤覆寫。 這套方法顯著降低了歷史數據厚化的成本，讓我們能以「集團軍」的方式，快速為數千個歷史物件立起具備深度的「生活樣態框架」。相關規格已對齊 MASTER_HISTORY_SCHEMA.json 字典。 核心突破二：生存第一原理與「能源平衡模型」 在 Layer 3 的演義中，我們引入了系統工程的視角。我們將史前家庭視為尋求「能源平衡 (Energy Balance)」的運算單元： 輸入：河口、潟湖與森林格網的資源產量。 能耗：維持生命與遷徙的物理成本。 遷徙演算法 (Migration Algorithm)：當資源密度不足以支撐能耗，族群如何根據「空間記憶」進行決策。 這讓我們產生了一份極具震撼力的 「南科案例」：模擬五千多年前，當曾文溪主流北移、潟湖淡水化時，南科先民如何展現「跟著河口跑」的追蹤式遷徙樣態。 核心突破三：「預測 -> 驗證 -> 修正」的建模迴圈 v2.1 的操作心法從「讀圖」變成了「對抗」： 原理發想 (Prediction)：根據生存原理，在腦中先立起「建築基本樣態」。 證據對合 (Verification)：將發想與 taiwan-history-atlas 的實測考古數據（如：離河距離 HRD 聚類、高程位能指標）進行對撞。 假說重構 (Correction)：透過「差異值」發現歷史真相——如果發想與數據不符，通常代表我們發現了「技術突變」或「族群例外的生存策略」。 結語：導航在一場永無止盡的演義中 《流域導航》v2.1 的釋出，象徵著這套系統已具備了「跨時空虛擬對合」的雛形。當你不再看見單純的風景，而是看見一組組具備生存邏輯、不斷進化的物件時，你才真正讀懂了流域。 ...

在實現 QGIS 專案「一鍵生成」的路上，我們不僅要讓圖層「開得出來」，更要讓它「具備研究價值」。 這篇文章記錄了我們從 POC2 (樣式與標籤整合) 進化到 POC3 (空間分析與 SDM 紀律) 的完整心路歷程。這兩個階段分別解決了製圖中的「美學溝通」與「科學建模」兩大核心問題。 🎨 POC2：視覺精煉與動態標籤 (Visualization & Labeling) 目的：讓地圖「會說話」，透過自動化配置解決手動製圖中最繁瑣的排版工作。 在 POC1 成功掛載圖層後，我們發現原始的點位與線條在混亂的歷史底圖（如台灣堡圖）上極難辨識。POC2 的核心目標即是透過腳本，賦予地圖專業的視覺外觀。 1. 幾何感知的自動標註 (Geometry-aware placement) 我們實現了腳本對圖層類型的自動識別與對應配置： 點位圖層 (遺址)：自動採用 Centroid 配置，讓標籤精確落在遺址中心。 線段圖層 (河流)：自動切換為 Around Line (平行排列)，並預設帶有 0.5mm 的偏移量。這讓河名能順著水流蜿蜒，展現專業製圖感。 2. 跨平台字型與視覺消隱 (The macOS Fix) 我們在 POC2 中遭遇了字型相容性的重擊。原本預設的字型在 Mac 上會毀掉專案解析。最終，我們強制切換為 PingFang TC (萍方-繁)，並自動啟用了 0.7mm 白色光暈 (Text Buffer)。這小小的光暈，是讓地圖文字從花綠底圖中「浮現」出來的關鍵。 🛡️ POC3：空間分析中樞與 SDM 紀律 (Advanced Analysis & SDM) 目的：從「資料顯示」進化為「規律開發」，在不污染原始數據的前提下，自動生成分析模型。 當地圖變漂亮後，下一步就是「看見模式」。POC3 挑戰的是自動產出具有研究深度的分析圖層（如海拔區間與熱點圖）。 1. 恪守 SDM 紀律：絕對不改動原始資料 (Data Hub Snapshot) 開發者常為了分析方便，在原始 SQLite 裡建 View。但對歷史數據來說，原始碼應該是神聖的 (Holy Source)。 我們實作了「局部資料中樞 (Local Data Hub)」：腳本在產出專案的一瞬間，自動建立一個 poc_data_hub.db 快照。所有的 JSON 萃取、高程分區計算都只存在於這份快照中。原始 HGIS 資料庫保持 100% 乾淨，專案檔則是「可打包、可重製、可拋棄」的。 ...

在進行 HGIS（歷史地理資訊系統）研究時，我發現最耗時的往往不是分析數據，而是「準備地圖」。每次要開啟一個新研究，總要重複掛載百年歷史底圖、設定 KML 座標、調整 SQLite 的 SQL 篩選器…。 為了打破這個瓶頸，我發起了一場實驗：能不能像寫程式一樣，用「寫」的出一份 QGIS 專案？ 這就是我最近在推動的 軟體定義地圖 (Software-Defined Maps, SDM) 概念。 🏗️ 為什麼要自動化？ 如果你手動配置過 QGIS，你一定遇過這些崩潰瞬間： URL 特殊字元破壞專案：WMTS 的 URL 裡一堆 &，手動貼上 XML 常報錯。 座標系統 (CRS) 位移：明明設定了 WGS84，圖層卻飄到非洲西岸海面（座標 0,0）。 重複定義的勞力：每個專案都要重新分組（底圖、水理、點位），這應該交給機器人。 透過 Python + Jinja2 模板，我們可以把地圖專案變成可程式化的零件。 🛠️ 基本作法：Jinja2 零件化 核心思路是將 .qgs 專案檔（實質是 XML）拆解為模板。 我們建立了一個 base_project.qgs.j2，裡面預留了動態注入的內容： 層級化圖層樹：自動生成的分組。 資料源設定：SQL 篩選指令與檔案路徑。 空間參考系統：自動注入對應的 AuthID、Proj4 與 SRID。 最關鍵的「零件庫」是 GIS_KNOWLEDGE.yaml。它充當了 GIS 資源的「DNS 伺服器」，記錄了所有中研院底圖、本機 KML 與資料庫的 Metadata。 🚀 第一階段 POC：曾文溪 HGIS 數位中樞 在這次的 POC 中，我們成功實現了 Zengwen_HGIS_Hub.qgs 的一鍵產出： ...

在完成平面位置 (X, Y) 的座標標註與河流距離分析後，我總覺得地圖還少了點什麼。直到我們引入了 Z 軸——也就是高程數據，整個曾文溪流域的歷史才真正「活」了起來。 這是我在 HGIS 建模中最精彩的一場實驗：運用 20m DTM (數位地形模型)，讓遺址開口說出三千年來海陸變遷的秘密。 🏔️ 海拔高度：決定「是海還是陸」的生死線 在台南平原，海拔 5 到 10 公尺是一個神奇的區間。 透過 scripts/enrich_sites_with_elevation.py，我們讓 133 處曾文溪流域遺址自動去匹配內政部的 DTM 資料。這是一個跨縣市的圖磚掃描工具，能精確取出每一筆數據的高度。 考古證詞：南科考古館的案例 以 南科考古館 為例，其海拔約 5-7 公尺。 三千年前：這裡的海拔正好處於古台江內海的沙丘邊緣。大坌坑遺址中發現的「貝塚」，證明了這裡曾是海景第一排。 一千年前：隨著曾文溪泥沙沖積，海拔 6 公尺處變成了濕地與三角洲。 今日：它縮到了離海岸 30 公里的平原中心。 海拔等高線，正是這場「海退人進」演義中的指揮線。 🤖 Layer 3：讓 AI 具備「大歷史語義」 當我們有了 XY 座標、河流距離與 Z 軸高度後，我問了 AI 助理一個問題：「能根據這些數據，幫我寫出一段吸引人的導覽文字嗎？」 這就是 Layer 3：大歷史語義層 (Semantic Context Layer)。 我開發了 scripts/batch_l3_enrichment.py 作業管線。它不只是跑跑程式，而是讓 Gemini 扮演一位考古學家，結合這三個維度的數據，自動生成「地理歷史脈絡」。 AI 生成範例： 「這處遺址位於海拔 540 公尺的穩定河階，離曾文溪主流恰好保持 2.2 公里的安全觀測距離。這顯示先民在金屬器時代已具備極強的避災智慧，選擇了這塊永遠免疫洪水改道的『定海神針』…」 🛠️ 釋出指南 (Release Guide) 這一系列針對考古與地貌的深度模型，我已全數彙整進 Taiwan History Atlas 儲存庫的 v260306.1 更新 中。 ...

當我們在地圖上標註了全台兩千五百多個考古遺址後，下一個問題是：「為什麼他們要住在這？」 在傳統的 HGIS 中，我們習慣去找「古地圖」。但面對三千年前的遺址，世界地圖還是一片空白。這時，我們必須切換思維，引入 Layer 4：空間拓樸分析 (Spatial Topology)。 📐 什麼是 Layer 4？跳脫物理地表的「相對關係」 如果說 L1 是點位，L2 是知識，那麼 Layer 4 就是「點與環境的交互作用」。 我不想只是知道遺址在哪裡，我想知道它與「生存資源」——特別是河流的幾何關係。在曾文溪流域，河道會擺盪、海岸線會進退，但人類對於「取水與避災」的空間邏輯往往是恆定的。 透過 scripts/poc_l4_tributary_clustering.py 這個對合引擎，我們讓 2,249 個遺址自動去尋找它們對應的主流與支流，計算出精確的「離水距離」。 📊 數據發現：離水 2.5 公里的生存密碼 透過分析，我們在曾文溪流域發現了一個驚人的統計規律： 濱海初始期：離水最近距離平均約 2,700 公尺。 長期定居點：離水最近距離平均約 2,200 公尺。 這是一個 「生存甜蜜點」。 在那個沒有堤防的年代，住得太近（如 1km 內）會面臨曾文溪猛烈氾濫的改道威脅；住得太遠又取水不便。 這 2.5 公里的緩衝帶，正是史前先民在沒有現代水利工程的情況下，利用地形與距離「換取安全」的生存智慧。 🛠️ 核心工具：空間特徵標記 (Feature Extractor) 為了實現這種規模的運算，我在儲存庫中提供了一個關鍵腳本： scripts/feature_extractor.py：它不只記錄座標，更會透過幾何運算為每個點位打上「空間標籤」。例如：是否位於「河流樞紐」、屬於哪個「次流域」、以及其「離水梯度」。 這樣的設計，讓 AI Agent 在解讀資料時，不再只是讀到一串數字，而是讀到一個 「人類與環境博弈的空間邏輯」。 🤖 AI Skill 的深度應用 這項分析成果已整合進我們的 HGIS Architect AI Skill。 目前的 AI 助理不再只是會翻翻方志摘要，當你開啟此 Skill 並指向一個座標時，它能調用 L4 的拓樸數據告訴你：「這個位置雖然現在離曾文溪很遠，但在三千年前，它正好位於主要支流的交會口，是一個戰略性的交通節點。」 ...

在之前的 HGIS 系列中，我們主要處理的是「紙上的歷史」——透過方志與古籍還原清代的社會空間。然而，要真正觸摸到「台灣主體性」最深層的脈絡，我們必須將目光投向更長的時間尺度：考古遺址。 如果說《臺灣通史》記載的是數百年的族群演進，那麼埋藏在台南平原地底下的「文化層」，則是長達數千年的地景變遷證詞。 今天，我正式在 Taiwan History Atlas 專案中發布了 v260306.1 更新，核心重點就在於建構一套具備「血緣追蹤」能力的 考古遺址 Master Registry (主註冊表)。 🏛️ 為什麼我們需要 Master Registry？ 在處理全台遺址資料時，最頭痛的不是「沒資料」，而是「資料太多且碎片化」。文資局有「法定遺址」、中研院有「普查遺址」、地方政府還有「疑似遺址」。 要在 AI 輔助下進行科學分析，我們不能只是貼貼補補，必須建立一個 Master Registry： 資料對齊：解決同一個遺址在不同單位有不同名字 or 座標微差的問題。 層級化建模：將原始資料 (L0) 轉化為帶有語義標籤的實體 (L1)，再整合進知識中樞 (L2)。 血緣追蹤 (Source Origin)：每一筆數據都能回溯到是哪個單位的原始點位，確保「證據力」。 目前這套系統已成功整合了 2,563 處 遺址，成為我們 HGIS 引擎中最堅實的核心數據庫。 🛠️ 核心腳本與工作流 (Scripts Toolkit) 在 taiwan-history-atlas 儲存庫中，我們透過以下工具實現了這一流程： 1. Layer 1：實體萃取與特徵標記 利用 scripts/extract_entities.py，AI 會自動掃描原始 Open Data 文本，提取出： 文化年代：從大坌坑、蔦松到金屬器時代。 遺址等級：Rank 1（國定）到 Rank 4（疑似）。 特徵標籤：貝塚、石器、多層疊壓等。 2. Layer 2：跨庫遷移與合成 使用 scripts/atlas_migrator.py，將分散在各區域的實體統一遷移至 data/history_atlas.db。這個過程不只是搬家，更是在進行「去重 (De-duplication)」與「血緣標註」。 ...

當我們開始嘗試將 AI 與歷史地理資訊系統 (HGIS) 結合時，最初是在探勘總體性的《臺灣通史》。但歷史的魔鬼往往藏在地方的細節裡。 為了驗證我們的架構是否具備「橫向擴展」到區域史料的能力，我將目光轉向了北台灣早期的政經中心——竹塹 (新竹)。這次，我決定一次挑戰五本重量級的地方方志：《新竹縣採訪冊》、《淡水廳志》、《樹杞林志》、《新竹縣志初稿》、《新竹縣制度考》。 這五本書，總計 34 卷、9,000 多條史料片段。如果單靠純文本搜尋，那就像是在汪洋中撈針。 今天，我正式在 Taiwan History Atlas 專案中，釋出了這套針對新竹史料開發的「多書跨卷整合與空間對合框架」，並同步上線了 竹塹五書歷史知識地圖。 🏗️ L0-L1-L2：史料的階梯式煉金術 要讓 AI 不會在這 9,000 多條文獻中「幻覺」，我們採用了嚴謹的「分散式溯源，集中式建模」三層架構： 1. L0 文獻底座 (Text ETL) 有別於單一文本，地方方志的卷次編排極度不一致。透過 hsinchu_multi_loader.py，我們實作了多種 Regex 解析器，一次性將五本史書的目錄、卷次、條目全部打散又重組，完美塞入 hsinchu_history.db 的標準 Documents -> Volumes -> Contents 結構中。 2. L1 實體萃取與降維對合 (Entities & Linkage) 光有文字不夠，我們需要提取「有意義」的節點。 透過 AI 輔助腳本，我們一口氣從五書中抓出了三類實體： Infrastructure (基礎建設)：1,410 筆（橋樑、隘口、古道、城門等）。 Location (聚落空間)：4,343 筆（堡、里、庄、社、窠、坑等）。 Irrigation (水利開發)：834 筆（陂圳、埤塘、水門等）。 但困難來了：古地名在地圖上是找不到座標的！ 例如史書寫「隆恩圳」或「林先坤陂」，現代 Google Map 根本不知道在哪。 這時我們啟動了 「地理特徵降維打擊」 的演算法。我們寫了清洗函數（如 clean_infra_name, clean_water_name），把地名的尾巴（像是 xxx庄、xxx圳、xxx城門）全部剁掉，只保留核心字根。 ...

在完成《個人賦能》書籍的集成後，我的注意力重新回到了這片土地。 過去一週，我們對《流域導讀》（現正式更名為《流域導航》）進行了一場堪稱「範式轉移」的升級。如果說 v1.0 是我帶著你「看」河流的故事，那麼今日釋出的 v2.0，則是交付給你一套能跟河流「對話」的數位技能組。 這不只是一本書的改版，這是一場關於「認知效率」的革命。 為什麼要有 v2.0？從「敘事」轉向「技能」 在實地探勘曾文溪與二仁溪的過程中，我發現一個巨大的痛點：即使我有再多的熱情，面對百年的地理變遷與海量的史料，單靠人力去對合座標與文獻，效率實在太慢。 於是，在 v2.0 中，我們確立了 「Skill-First Approach (技能優先)」 的核心方針。我們不再只是寫下河流的歷史，而是開發一套名為 hgis-atlas-architect 的 AI 技能，讓 AI 助理化身為歷史地理架構師。 核心突破一：HGIS Layer 0-1-2 三層架構 我們定義了土地知識的演進路徑： Layer 0 (原始資產)：1920 年代的 SHP 圖資與《臺灣通史》的 60 萬字原文。 Layer 1 (結構實體)：透過 AI 萃取的 3,000+ 個古地名、埤圳與先賢索引。 Layer 2 (知識中樞)：將土地的「變遷邏輯」建模。例如，我們不再只是標註「蘇厝」在哪裡，而是建模「曾文溪改道如何影響聚落遷移」的動力學模型。 這套方法論，已完整寫入書籍的 Chapter 2.4 (方法論) 與 Chapter 10 (AI 分析師) 中。 核心突破二：極速對合的「15 分鐘法則」 在 v2.0 的實踐案例中（曾文溪與二仁溪），我們驗證了一項驚人的數據：當我們將 HGIS 流程封裝成 AI Skill 後，針對一個完整流域的歷史對合（包含 500+ 個 POI 的史料厚化與座標校準），由原本需要數天的工程，縮短至 15 分鐘。 ...

在《台灣歷史知識地圖》Layer 2 架構釋出後，我們隨即投入了第一個實戰場域：曾文溪流域。 這次的目標非常明確：我們不再滿足於地圖上冷冰冰的座標點，而是要透過「時空對合」技術，讓曾文溪流域的 696 個 POI 全部具備歷史靈魂與文獻厚度。 任務目標：構建曾文溪「厚數據」圖層 傳統的地圖標註往往只有名稱與座標，但我們希望構建的是具備歷史深度 (Depth)、水利脈絡 (Context) 與 因果邏輯 (Logic) 的「厚數據 POI」。 這意味著，當你走到曾文溪畔的一個小村落時，AI 不僅能告訴你這裡是哪裡，還能告訴你： 這個地名在 1920 年代的行政歸屬。 它在《臺灣通史》或其他地方志中被如何記載。 它與曾文溪水系（如埤圳、改道）的深層互動關係。 製作歷程：數位考古的三部曲 這次的產製過程是一次典型的「AI 協作數位鍊金術」，分為三個階段： 1. 空間鎖定層 (Spatial Anchor) 利用中研院提供的 1920 年代行政邊界 SHP 檔，與曾文溪流域範圍進行空間交集。我們篩選出了 100 個「大字 (Oaza)」點位，並計算其精確的 WGS84 座標。這是將歷史文本對齊到現代地圖的「時空錨點」。 2. 文獻厚化層 (Textual Enrichment) 這是最精彩的部分。我們開發了專門的萃取腳本，針對這 100 個古名點位，自動檢索 taiwan_history.db。 跨庫鉤稽：除了 1920 年代的官方資料，我們更進一步引入了內政部古地名庫的 37,758 筆資料，篩選出流域內的 813 筆關鍵紀錄。 故事萃取：不僅抓取名稱，更重點提取「地名由來（Place Mean）」，例如某個村落是因為躲避曾文溪改道水患而搬遷的。 3. 邏輯建模與匯入 最後，我們將這些分散的片段，透過 Python 腳本整合為 WalkGIS 特徵檔案。總計 696 個厚數據 POI 被正式匯入系統。 成果展示：三個有靈魂的 POI 讓我們看看這套流程產出的成果： ...