System
Thinking
從單一現象展開上游、下游、環境、人與設施，辨認需要一起觀察的系統關係。
- 看見圖層之間的關聯
- 將方法轉移到不同議題
Week 08
Urban Dynamic Data Visualization I
從都市系統、開放資料到 AI-assisted Insight
不只把資料
放上地圖。
System
Question
Data
Visualization
Insight
Action
Traditional Outline 展開查看列點式教學內容 6 階段 · 11 章節 · 1 實作
單元
可能教授內容
課堂形式
01 · System Thinking
- 圖層不等於 Insight
- 都市議題的上游、下游與影響對象
- 水資源主案例與 Food System 轉移
02 · Question
- 把系統元素改寫成 Data Question
- Question → Evidence → Dataset
- 先確認需要的證據，再開始找資料
03 · Data
- API 資料：NCDR CAP、CWA 動態影像
- AI-assisted：RSS、公告、PDF 與圖片結構化
- 來源、更新時間、覆蓋範圍、缺漏與人工複核
04 · Visualization
- Point／Line／Polygon／Raster 與時間形式
- plan-art：軌跡藝術、疊合與現象辨識
- mini-taiwan-info：KPI、排名、趨勢與非 GIS 圖表
05 · Insight
- Observation → Finding → Insight
- What／Where／Compare／Why／So What／What Next
- Association ≠ Causality
06 · Action
- AI Agent：Discover → Acquire → Validate → Monitor
- Human／AI 分工與 hypothesis space
- 把結果轉成驗證、調查與可重現的下一步
Mini Workshop
- System Map
- Data Inventory
- Visualization Hypothesis
01
Course Positioning
課程定位
從「看見現象」到「知道下一步」。
看到一個都市議題時，不只看到單一事件或圖層，而是理解它背後的系統；接著找到資料、選擇視覺化方式，並透過 AI Agent 探索與驗證。
核心轉變 「這不是一個圖層，
而是一套系統。」
Exploration Loop
真實研究不是單向流程
Question
Data
Visual
New
Question
Question
02
Learning Outcomes
學習成果
三個能力，串起完整的思考路徑。
System
Data-informed
Exploration
把系統拆成 Question → Evidence → Data，辨認資料來源、可信度與時空形式。
- 用 AI 降低探索成本
- 讓新資料帶出新問題
Actionable
Visualization
從 observation 推進到 finding、insight 與 action，理解相關不等於因果。
- 選對視覺形式回答問題
- 讓結果指向下一步行動
03
Teaching Flow
Week 08 · 240 分鐘完整版
從 System 到 Action 的完整教學流程。
六個 Part 對應六個思考階段。老師可以先看每段摘要，再展開確認實際章節、案例與學生產出。
- 01System65 min
- 02Question25 min
- 03Data20 min
- 04Visualization40 min
- 05Insight20 min
- 06Action70 min
I
System · Understand the System
從圖層思考，轉向系統思考
先理解現象背後有哪些上游、下游、環境條件與影響對象，再決定為什麼要把資料放在一起。
00:00— 01:05
從圖層思考，轉向系統思考
先理解現象背後有哪些上游、下游、環境條件與影響對象，再決定為什麼要把資料放在一起。
這一段回答這不是一個圖層，而是哪一套系統？
Ch. 01為什麼「圖層」不等於 Insight20 min
Ch. 02System Thinking：水資源系統案例30 min
Ch. 03第二案例：Food / Agricultural System15 min
主要案例
一滴水，如何展開成一套都市系統？
從降雨、流域、河川、水庫與取水，一路連到民生用水、淹水、缺水，以及上游工廠、畜牧與土地使用。
不是
「我要畫工廠。」
而是
「我要知道取水口上游有哪些可能污染源。」
01降雨
→
02流域／河川
→
03水庫
→
04取水
→
05民生用水
過多：淹水與災害不足：缺水與地下水上游：污染風險
學生在這一段建立System Map
把單一現象展開成可討論、可轉移的系統關係。
II
Question · Frame the Question
把系統，翻譯成可以尋找的證據
不急著搜尋資料網站；先把每個系統元素改寫成「想知道什麼、需要什麼證據」。
01:05— 01:30
把系統，翻譯成可以尋找的證據
不急著搜尋資料網站；先把每個系統元素改寫成「想知道什麼、需要什麼證據」。
這一段回答學生會怎麼把系統，轉成可以回答的資料問題？
Ch. 04如何把系統變成 Data Question25 min
System→Question→Evidence→Dataset
系統元素想知道什麼需要的證據時間空間
降雨哪裡正在下雨？雨量站／Radar動態Point／Raster
水庫水還有多少？蓄水率動態Point／Polygon
河川水流經哪裡？河川圖資靜態Line
取水口從哪裡取水？取水設施靜態Point
工廠潛在污染源在哪？工廠登記低頻變動Point
淹水哪裡正在出問題？感測器／警報即時Point／Polygon
學生在這一段完成Evidence Questions
知道自己正在找什麼，而不是只累積可取得的圖層。
III
Data · Find & Evaluate Data
找到資料，也判斷它能不能用
辨認官方、社群、遙測、感測器與非結構化資料，並檢查來源、時間、範圍與可信度。
01:30— 01:50
找到資料，也判斷它能不能用
辨認官方、社群、遙測、感測器與非結構化資料，並檢查來源、時間、範圍與可信度。
這一段回答需要的證據可能在哪裡？資料形式與限制是什麼？
Ch. 05Open Data Landscape：從 API 到 AI-assisted Extraction20 min
Machine-readable
可以直接接到 API 的資料
資料已有欄位或標準格式，重點是穩定接取、欄位正規化、時間排序與空間轉換，不一定需要 LLM。
Fetch→Normalize→Validate→Store
NCDR CAP 通報
事件類型、severity、有效時間與 Polygon 已結構化；仍需處理缺失幾何、時間欄位與過期規則。
CWA 動態影像
API 不一定回傳表格；影像也需要觀測時間、bbox、尺寸與格式，才能排成可播放的時間序列。
限制：API 回得出資料，不代表可以直接放上畫面。
AI-assisted Extraction
需要 AI 多處理一步的資料
RSS、公告、PDF 與圖片雖可閱讀，卻沒有一致欄位；AI 協助擷取後，仍要用規則、名錄與人工守門。
Collect→Extract→Normalize→Review
即時新聞 RSS
多來源 RSS → URL 去重 → AI 擷取地名、類別與事件性 → 鄉鎮名錄驗證 → 結構化事件。
共機擾台通報
每日 JPG → 圖片文字轉錄 → regex 解析 → 中英文交叉驗證 → 活動區向量化 → needs_review。
限制：AI 不直接決定正式座標；未通過品質守門的結果必須標記待核實。
資料來源
官方／API、社群與民間、Remote Sensing、Sensor／Real-time、PDF／公告／新聞／RSS／圖片
共同檢查Source · 更新時間 · 覆蓋範圍 · 缺漏 · Metadata · 可否重現 · 是否需要人工複核
RSS／PDF／圖片→AI Extract→Rule／Gazetteer→Validation→Structured Data
學生在這一段建立Data Inventory
盤點 5–10 個可能資料，標出接取方法、AI 的角色、Source、Spatial、Temporal 與限制。
IV
Visualization · Choose a Visual Language
辨認資料形式，選擇能回答問題的視覺語言
依問題、尺度與時間特性，在 map、chart、timeline、flow、animation 與 2D／3D 之間做選擇。
01:50— 02:30
辨認資料形式，選擇能回答問題的視覺語言
依問題、尺度與時間特性，在 map、chart、timeline、flow、animation 與 2D／3D 之間做選擇。
這一段回答哪些資料應該成為點、線、面、Raster、圖表或動態時間軸？
Ch. 06資料的空間與時間形式20 min
Ch. 07Choosing the Right Visualization20 min
Ch. 08Beyond the Map：Trajectory Art × Information Charts案例補充
GeometryPoint · Line · Polygon · Raster
TimeStatic · Snapshot · Changing State · Event · Trajectory · Monitoring
EncodingPosition · Size · Color · Opacity · Height · Motion · Trail
Where? MapHow much? Chart
When? TimelineHow connected? Network／Flow
Scale matters：公園在臺北市尺度可能是 Polygon；在全臺尺度可能是 Point。不是所有資料都需要 animation 或 3D。
Ch. 08Beyond the Map
同一份資料，可以成為軌跡藝術、現象證據，也可以只是一張好圖表。
視覺化不是「有座標就畫地圖」；要先判斷問題是在問位置、移動、比較、趨勢，還是組成。
Case A · plan-art
軌跡：從生成藝術到現象辨識
把位置、時間與高度串成 2D／3D 軌跡後，疊合大量航跡可以形成機場的視覺「指紋」；再疊上管制區、地形或天氣，則能觀察繞行、等待與條件差異。
- STACK疊合多筆軌跡，看見反覆出現的形狀。
- OVERLAY軌跡 × 管制區／天氣，觀察規範與實際行為。
- COMPARE比較日期、事件前後或不同條件下的路線變化。
軌跡圖先提供可追問的線索，不直接證明因果；仍需搭配時間、規範、天氣或其他資料驗證。
Case B · mini-taiwan-info
地圖之外：指標、排名、趨勢與組成
人口、火災件數、用水量等資料不一定需要座標。依問題可轉成 KPI 卡、排名長條、時間趨勢、組成圖或查核表格。
KPI現在多少？
Ranking誰高誰低？
Trend怎麼變化？
Composition如何組成？
Table細節是什麼？
真實資料優先；若仍有資料缺口或 prototype，必須清楚標示，不把設計示意說成即時實況。
學生在這一段提出Visualization Choice
說明為什麼這個視覺形式比另一種更適合回答問題。
V
Insight · Interpret Honestly
從看見現象，推進到值得採取下一步的解讀
讓 Observation 經過定位、比較與解讀成為 Insight／Hypothesis，同時不把關聯說成因果。
02:30— 02:50
從看見現象，推進到值得採取下一步的解讀
讓 Observation 經過定位、比較與解讀成為 Insight／Hypothesis，同時不把關聯說成因果。
這一段回答看到什麼、代表什麼，以及還不能宣稱什麼？
Ch. 09Insight 到底是什麼？20 min
WHAT?→WHERE／WHEN?→COMPARE→WHY?→SO WHAT?→WHAT NEXT?
Observation
這裡很多工廠。
Finding
工廠集中在特定河段。
Insight / Hypothesis
取水口上游出現高污染風險設施集中，值得進一步檢查排放、水質與土地利用。
Association ≠ Causality
「值得調查」是一個可行動的下一步，但不代表已經證明因果。
學生在這一段形成Insight / Hypothesis
清楚標示發現、關聯、可能原因與仍待驗證的部分。
VI
Action · Test, Reproduce & Continue
把 Insight 變成下一步調查與可重現的探索循環
AI Agent 擴大探索空間，人保留判斷責任；最後以小組實作把 Hypothesis 帶進 Week 09 驗證。
02:50— 04:00
把 Insight 變成下一步調查與可重現的探索循環
AI Agent 擴大探索空間，人保留判斷責任；最後以小組實作把 Hypothesis 帶進 Week 09 驗證。
這一段回答知道之後，下一步要調查、驗證、設計或持續監測什麼？
Ch. 10AI Agent 如何改變 Data-informed Design20 min
Ch. 11從一次性操作變成 Loop Engineering10 min
LabSystem Map → Data Inventory → Visualization Hypothesis30 min
Wrap回顧方法，銜接 Week 09 驗證10 min
Discover→Acquire→Validate→Transform→Visualize→Inspect→Refine→Monitor
AI 可以協助
找資料 · 讀 API · OCR · 清理 · Spatial Join · Coding · Debugging · 監測
Human 必須負責
定義問題 · 判斷合理性 · 解讀關係 · 避免牽強因果 · 決定最終 Insight
Loop Engineering 必須留下
raw data · processed data · script · prompt／rule · metadata · source · timestamp
AI 越快，validation 越重要。學生從都市高溫、淹水、高齡者移動、食物供應、公共運輸或都市綠地擇一，搭配 AI 完成三項產出。
Deliverable
System Map
畫出問題背後互相影響的系統元素。
Deliverable
Data Inventory
盤點 5–10 個資料與其來源、空間、時間形式。
Deliverable
Visualization Hypothesis
如果把 A、B、C 一起呈現，我預期可以觀察到 X。
Next · Week 09I think these may be related.→Let’s test it.
Acquire → Transform → Visualize → Interact → Validate → Interpret
學生最後帶走的，不只是一張地圖。