美國能源部橡樹嶺國家實驗室（ORNL）正式發布下一代全球人口分布資料集 LandScan Mosaic，這套資料集不僅承襲1999年以來的 LandScan Global 權威地位，更引入 AI 驅動的建築物特徵估計技術，可在資料稀缺的區域推算建築物高度、樓層數、功能與用途，並結合標準化的人群佔用分布模型，呈現住宅、商業、工業等結構在24小時內的人口流動軌跡。
這套資料最關鍵的突破在於全球首度將「不確定性量化指標」（Uncertainty Quantification）納入人口分布資料集，讓決策者不僅知道人口「可能在哪裡」，還能評估「這個估計有多可信」。ORNL 研發科學家 Daniel Adams 在《Nature Scientific Reports》發表的論文中指出，這是團隊所知全球第一個具備此特性的公開人口資料集。
下一階段釋出的 LandScan Mosaic Timeseries（LSM-TS）將透過「回溯預測法」（back-casting）重建1975年至2024年共50年的歷史人口分布，成為極少數能跨越半世紀、以建築物為單位進行時空分析的全球人口資料庫。
LandScan Mosaic 的發布本質上是一項純粹的科學與技術突破，並非源自國家之間的零和博弈或商業利益衝突，因此本文不適合以傳統地緣政治或企業壟斷的「利益角力」框架來解讀。該計畫的歷史脈絡與技術演進路徑，本身就是理解其戰略意涵的最佳切入點。
LandScan 計畫起源於1999年，當時美國面對緊急應變、風險評估與國家安全應用對「更精準人口分布資料」的迫切需求，催生了這套以「環境人口」（ambient population）為核心概念的全球資料庫。「環境人口」的概念打破了傳統人口統計僅以居住地（夜間人口）為統計基礎的框架，轉而建模人們在24小時週期中於住家、職場、學校與其他活動空間之間的移動，這對於地震、洪災、疫情爆發等情境下的人口疏散與救援資源分配至關重要。
從技術演進的角度觀察，LandScan 的典範轉移可分為三個階段：
值得關注的是，ORNL 團隊在導入 AI 的同時，刻意強調「可信任性」（trustworthiness）的核心價值。Adams 明確表示：「我們希望運用最先進的方法論，但同時要保留那份信任。」這種「AI 能力」與「決策透明度」並重的設計哲學，正反映了當前公部門與科研機構在部署 AI 時面臨的核心結構性挑戰——如何讓演算法產出的結果，能夠承受災害現場或國家安全決策的嚴格檢視。
LandScan Mosaic 及其後續 LSM-TS 的發布，標誌著全球人口空間建模進入「建築物級時空分析」的新紀元。對比2000年代初期衛星像素資料的解析度限制（約1公里網格），如今能精確到單一建築物的晝夜人口波動，這是十倍以上的精確度躍升。從歷史經驗觀察，每一次人口統計技術的重大突破，都會引發災害管理、公共衛生與國防資源分配模式的深層重塑。
以下預測未來三種可能發展情境：
面對 LandScan Mosaic 這類公部門 AI 基礎設施的加速推進，各方利害關係人應採取以下行動：
01 起因觸發：ORNL 為滿足國家安全與災害應變需求，自1999年起發展 LandScan Global 人口分布資料庫
02 一階傳傳導：AI 與機器學習技術突破，使建築物特徵推估與不確定性量化首次整合進全球人口資料集
03 二階擴散：聯合國人道組織、各國疾管機構與紅十字會等國際機構將逐步採用 Mosaic 提升救援與防疫決策品質
04 宏觀終局：全球災害應變、智慧城市與國防資源分配模式迎來典範轉移，地理空間 AI 成為數位主權基礎設施
因果網路圖譜 3 節點
可拖曳節點 · 點兩下開啟文章