OSM 的隱藏陷阱：以 λ 指數修正志願者貢獻偏差

系列 A 第三篇 / 本系列的核心方法論貢獻。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。

一、問題：392% 的增長，有多少是「真的」？

先檢視台中市 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 -

在這裡面我們來探討如何使用 cv 分析城市演化，話句話說就是分析城市規模變化

衛星影像的三個低成本量化指標（無需深度學習）

系列 B 第一篇：運用 Canny 邊緣偵測、Otsu 二值化、Shannon 紋理熵這三項傳統電腦視覺技巧，將衛星影像壓縮為三個可橫向比較的數值。每個指標的核心邏輯不超過 10 行程式碼，處理 8 年 × 44 張影像耗時不到一分鐘。

一、而為何不直接採用深度學習

在進行衛星影像的城市量化分析時，往往是第一直覺「丟進 ResNet 抽取特徵」或「用 U-Net 做建築分割」。然而，這條路徑存在幾個現實層面的問題：

- 閱讀剩餘部分 -