分類 OSM 下的文章

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。


在此我們先討論為什麼線性迴歸在這裡不夠用

- 閱讀剩餘部分 -

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。


一、空間自相關

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:

  • 隨機分佈:高密度點到處散落,沒有規律
  • 聚集分佈:高密度的點都擠在某幾個區塊(譬如市中心 + 副都心)
  • 棋盤分佈:高低密度交錯,鄰居總是相反

- 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:

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%。

- 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:

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。

- 閱讀剩餘部分 -