延續上一篇的話題，關於 λ 的修正計算，如何更準確的預估或是計算出 λ 呢？

理論上 λ 應由「外部基準」決定，以下是三條可行的校準路徑：

PATH 1：對照官方建照數據

最直接的方法——以政府公布的「年度核發建照數」作為 ground truth，反推 λ：

λ* = log(N_t/N_0 / G_real) / log(C_t/C_0)

其中 G_real 為官方建照累計增長率。台中建管處（CPA）有公開資料，可據此反算出城市特定的 λ 值。

PATH 2：跨城市穩定性檢驗

若同一個 λ 值應用於台北、高雄、台中均能與官方數據對齊，則可視其為 OSM 系統性偏差的穩健估計，與個別城市無關。

- 閱讀剩餘部分 -

本篇要講述的是台中 OSM 建築數量 2018→2025 增長 392%，但其中有多少是真實建設、多少是社群回填？本篇提出一個可量化、可控制修正強度的 λ 偏差修正指數。

關於 OSM 其中的 392% 增長，有多少是真的？

先來檢視台中市 OSM 數據 8 年的原始增長：

採樣點 500m 範圍內的「平均建築數量」更為顯著——從 2018 年的 27.6 棟，增至 2025 年的 136 棟，+392.1%。

- 閱讀剩餘部分 -

在項目開始之初爲什麽選 OSM 而不是政府開放資料

做城市量化分析時，第一個問題永遠是「資料從哪來」。選項通常有三類：

- 閱讀剩餘部分 -

系列 B 第二篇：量化「兩個年份之間城市變了多少」有兩條主流路徑——SSIM 著重結構相似度，ResNet 著重語義變化。本篇拆解兩者各自的擅長領域，並以實際數據示範何時應同時採用兩個指標。

一、為何需要「跨年變化偵測」

前一篇介紹的三個指標（邊緣密度、建築覆蓋率、紋理熵）屬於單幀指標——每張影像獨立計算一個數值。

然而研究城市發展時，真正想回答的問題是「這個地點從 2018 到 2025 發生了多大的變化」。最直覺的做法是差分（metric_2025 - metric_2018），但此方式有一個根本限制：

兩張影像的 edge_density 同樣是 0.18，差值為零——但實際上整片區域可能已完全重建，只是新舊建築的邊緣密度恰好相同。

差分丟失了「像素級的對應關係」。需要的是直接比對兩張影像本身的方法。

主流有兩條路徑：

兩者並非替代關係，而是互補。

- 閱讀剩餘部分 -

把 Meta 的影片分割模型接上透視投影，讓每個球員的移動路徑自動投影到俯視球場圖上。

前言

看 NBA 直播的時候，鏡頭永遠跟著球跑，球員散落在整個半場各個角落。教練要分析戰術，往往得一格一格回放，還要手動標記位置，耗時又費力。

如果能讓 AI 自動追蹤每個球員、即時畫出他們在球場上的移動軌跡，這件事就有趣多了。

這篇文章記錄的是一個週末實驗：用 Meta 的 SAM3（SAM2.1）對 NBA 影片做球員分割，再透過 Homography 透視投影，把每個球員的腳底位置換算成俯視球場座標。最終輸出兩支影片——一支是疊加彩色 mask 的原始視角，另一支是即時更新軌跡的俯視鳥瞰圖。

- 閱讀剩餘部分 -