Chow 檢定實作:用 Python 找出城市發展的結構轉折年(台中 OSM 案例)
系列 C 第三篇:上一篇 Mann–Kendall 告訴你「指標有沒有趨勢」,但沒告訴你「趨勢什麼時候開始變陡」。Chow 結構突變點檢定能自動掃描所有候選年份,找出「兩段線性擬合比一段顯著更好」的那個轉折點。
urscos Tech.
系列 C 第三篇:上一篇 Mann–Kendall 告訴你「指標有沒有趨勢」,但沒告訴你「趨勢什麼時候開始變陡」。Chow 結構突變點檢定能自動掃描所有候選年份,找出「兩段線性擬合比一段顯著更好」的那個轉折點。
接續上一篇内容,如果只有 8 年的城市指標數據的情況下想做趨勢分析,線性迴歸對小樣本和離群值都不友善。這時候我們可以使用 Mann–Kendall,可以套用在這樣的應用場景 —— 非參數、不假設常態、配上 Sen's slope 估斜率比 OLS 還抗噪。
這個項目的構思從一開始是如此的,譬如我獲取到城市的 44 個地點 × 7 個指標 × 8 個年份的城市數據,我想要判斷「高建築密度的點是不是傾向跟其他高密度點聚在一起」,後來我使用了空間自相關概念 —— Moran's I。
假設你手上有城市 44 個採樣點的建築密度數據。如果你只看「平均值 + 標準差」,你只知道整體分佈的形狀,卻無法觀察到空間結構信息:
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。
先來檢視台中市 OSM 數據 8 年的原始增長:
| 年份 | OSM 建築物總數 | 設施 | 商店 | 休閒 |
|---|---|---|---|---|
| 2018 | 16,926 | 1,015 | 408 | 30 |
| 2019 | 12,771 | 1,207 | 466 | 32 |
| 2020 | 16,117 | 1,520 | 541 | 39 |
| 2021 | 18,500 | 1,599 | 534 | 47 |
| 2022 | 24,973 | 1,640 | 590 | 49 |
| 2023 | 41,055 | 1,762 | 647 | 57 |
| 2024 | 47,584 | 1,874 | 690 | 59 |
| 2025 | 50,208 | 1,921 | 705 | 61 |
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%。
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。
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:
| 方法 | 偵測對象 | 計算成本 | 可解釋性 |
|---|---|---|---|
| SSIM | 結構相似度(像素對應) | 低(CPU 即可) | 高 |
| ResNet 餘弦距離 | 語義相似度(特徵對應) | 中(一次 forward pass) | 中 |
兩者並非替代關係,而是互補。