RiChi

從泛黃古地圖到AI圖像解析：桃園「千埤之鄉」的數位重生

Elsie Chang — Tue, 14 Apr 2026 02:23:46 +0000

2026/04/14 | No.0213期 | Jieyun 張桔云

埤塘曾是桃園農業灌溉與水資源調節的重要基礎設施，如今卻在都市擴張、工業開發與土地重劃的浪潮中逐漸退場。這場地景轉型不僅是空間上的改變，更是文化記憶與環境功能的變遷。

為了追蹤這段長達八十年的地貌演變，我們將中研院數位化紙本古地圖與現代的數位圖資結合進行對接。然而，這兩者資料在記錄方式上有著本質的差異：

歷史地圖與現代數位圖資對照表


	1944年美製航拍五萬分之一地形圖	2026年RiChi電子地圖-埤塘
資料來源	美國陸軍製圖局(AMS)	現代商業衛星遙測
圖資基礎	日製地形圖為底，結合航照修測	公分級高解析度衛星影像
製作流程	早期航照→ 人工判讀描繪 →印刷製圖	衛星感測成像 →數位處理
圖資特徵	特徵符號化(線條、網點填色)	地表真實物理特徵的數位記錄
判讀難點	描繪筆觸誤差、印刷符號干擾、紙本雜訊	地物光譜相近、複雜都市地景干擾
歷史價值	記錄戰後初期完整的水利灌溉網絡	建立現代土地變遷分析之基準

1944年美製航拍地形圖：歷史空間的原始紀錄

這套地圖是基於1943至1944年間的航空照片人工描繪而成，代表了當時最頂尖的測繪技術。雖然它是隨著航照特徵進行修測，但最終呈現的是經由測繪員解譯後、以符號化表達的幾何邊界。在與現代影像比對時，挑戰在於如何排除印刷網點與線條的干擾，將這些人工解譯後的特徵還原為可與現代資訊對話的空間物件。

2026年RiChi電子地圖：現代埤塘的多元解析

現今影像製作則是由衛星感測器直接捕捉埤塘光譜特性，屬於數位原生的地理資訊。它不再經過人工描繪的過程，而是以超高解析度的像元記錄地物，以專業GIS工具進行數位化取得。在目前的都市化背景下，辨識核心在於如何透過數位特徵，在錯綜複雜的土地利用類型中，精確對齊並萃取出那些與80年前描繪基準一致的埤塘邊界。

技術精進：從「人工判讀」轉向「物件導向」的AI自動辨識

埤塘不僅是地理名片，更是台灣水利發展史的縮影。然而，要精確追蹤從1944年到現今都市化的演變過程，我們必須跨越從歷史紙本到現代數位圖資的格式不對稱性。這兩者在空間解析度、色彩表現與成像原理上完全不同：前者依賴人工解譯後的印刷符號，後者則是感測器記錄的數位光譜。

傳統的變遷分析往往侷限於視覺比對，但人眼判讀易受主觀經驗與紙本雜訊影響。面對這兩種完全不同的資料格式，我們不能只靠眼睛看，而是採用了Trimble eCognition物件導向技術 (Object-based Image Analysis, OBIA)作為突破點。這項技術就像是給電腦裝上大腦，讓它能像人類一樣“看懂”地圖上的地物：

▲ 圖3 物件導向影像分析：從影像分割到目標物萃取

語義特徵(Semantic Feature)萃取

OBIA技術不僅能處理光譜反射值，更能理解像元(Pixel)組合的形狀(Shape)、脈絡(Context)等。對於1944年的地圖，我們設定規則來識別測繪員留下的封閉區域符號；對於2026年的電子地圖，則透過影像尋找具備低反射特徵的水體物件，從而實現跨範式的特徵對齊。

抗干擾的區塊分割

傳統分析易受紙本印刷的文字雜訊干擾，而OBIA則如同賦予電腦視覺邏輯(Visual Logic)，讓系統能識別出封閉曲線內含有水色符號的空間物件，這才是跨越80年誤差的關鍵，大幅提升了與現代衛星邊界比對的吻合度。

自動化影像分析準則(Rule Set)

透過AI圖像解析技術，將複雜的地圖比對從數週的人工判讀縮短至數小時。這不僅是效率提升，更是將地理判讀經驗轉化為AI自動化準則流程。

變遷分析：三大典型場景中的埤塘演化

在技術實踐上，透過上述建立的自動化影像分析準則，這整個計算過程僅以半小時
即可高效完成古地圖上的埤塘成果擷取。針對1944年美製地形圖所涵蓋的特定區域(註：非全桃園地區)，我們共計萃取出約1,423處埤塘物件，總面積約3,916.9公頃。

關於古今對比的詳細量化數據與消長統計，我們將在下一段落進行深度剖析；在進入整體數據討論之前，我們透過跨時空影像的精確疊合，識別出桃園埤塘在過去八十年間的三個具備代表性的典型場景，藉此深入說明不同空間背景下的時空演化樣態：

農業水利地景保存區—觀音區

在1944年的美製地形圖中，觀音區展現了密集且完整的埤塘網絡，作為當時傳統農業社會中至關重要的灌溉核心。橫跨80年後，對比RiChi電子地圖可發現，該區地景輪廓大致維持原有樣貌，整體開發強度相對較低。因此保留了桃園較完整的水文結構，成為觀察傳統水塘農業文化的重要參考區域，也反映人與水資源長期共存的發展型態。

▲ 圖4 桃園觀音區

高度都市化開發區—桃園市政府周邊

回溯1944年紀錄，桃園區遍布支持市郊農業的灌溉埤塘；然而到了2026年(向右滑動)，原本的水體空間大多已被高密度建築與交通設施取代。根據統計分析，該區埤塘消失率高達75%，而在流失的土地中，有高達85%的土地已轉化為不透水的建築用地。

▲ 圖5 桃園市政府周邊

產業開發與功能轉型區—桃園機場周邊

位於桃園機場周邊的埤塘群落，經歷了從大規模水塘系統轉向多功能利用的發展歷程。1944年時，這裡擁有大型的水塘網絡系統；但在航空城開發與工業區重劃的影響下，2026年的RiChi電子地圖顯示，多數埤塘已轉型為兼具蓄水、防洪與休閒功能的生態型水域空間。此變化顯示，在高度土地開發壓力下，區域發展逐漸走向環境保護與經濟建設並存的調適模式。

▲ 圖6 桃園機場周邊

桃園各鄉鎮埤塘變遷統計分析(1944 vs 2026)

▲ 圖7 桃園各鄉鎮埤塘變遷統計分析

根據eCognition的物件導向分析結果顯示，桃園臺地的水文地景結構在過去80年間經歷了顯著變化。若從絕對面積的流失量來看，傳統的農業與工業混合帶承受了最大的削減壓力。新屋區消失面積居全桃園之冠，約479.2公頃，楊梅區與中壢區亦分別減少了約398.1公頃與378.2公頃。在產業開發、交通建設與土地重劃需求持續增加的背景下，即便長期以農業為主的區域，其水文空間亦面臨明顯的轉型與縮減。

與此同時，消失率與新增率數據進一步反映了地景演變的雙向特徵(消失率%：1944年存在至2026年消失之面積 / 1944年原始面積；新增率%：2026年新增之埤塘面積 / 1944年原始面積)。在高度都市化與臺地邊緣的龍潭區，以81.7%的消失率成為流失比例最高的行政區，桃園區(77.2%)、平鎮區 (77.0%)與八德區(75.5%)緊隨其後。這顯示位於市中心及周邊衛星市鎮的高密度水體，已大規模轉為建築用地或交通設施，昔日的藍色水網已被不透水的水泥鋪面所取代。

相較之下，觀音區呈現出截然不同的變化趨勢。該區消失率僅27.1%，為全桃園最低，且新增面積約194.4公頃，高於同期消失面積(約124.1公頃)，是少數面積維持穩定的區域。此一趨勢與觀音區作為農業重點發展區的土地利用型態，以及近年推動埤塘整併與活化政策有關。部分埤塘在保留灌溉與蓄水功能的同時，亦透過景觀改善與公共設施規劃，轉化為兼顧環境維護與公共使用的生態教育實踐場域。

綜觀整體統計，桃園臺地的埤塘變遷非單一趨勢，呈現出市區中心消失較多，農工交錯帶減幅亦大，僅部分農業區變動較小。這些差異反映了都市化程度、產業結構與政策導向對地景的影響。透過物件導向影像分析建立的時序資料，不僅量化了地貌轉變的規模，更為未來水資源治理與埤塘保存策略提供了科學的比較基準，理解區域人地關係演變的重要線索。

註：考量山區地形特性與歷史圖資涵蓋範圍，本次統計分析未將復興區與大溪區納入計算；此外，龜山區因原始埤塘分佈稀少，不納入上述主要變遷趨勢之討論。

整體而言，桃園埤塘面積的縮減與轉移，不僅是水文地景的空間重組，更是地方發展從農業生產轉向都市化進程的具體指標。當古老地圖遇見現代智能技術，產生的不僅是技術的突破，更是文化傳承的創新模式。

透過OBIA技術快速萃取空間資訊，能協助理解農業、城市與產業發展間的互動邏輯，使地理分析超越工具層次，成為連結過去與未來的橋樑。這些跨越時空的資訊將轉化為協助政府執行都市規劃、生態復育及滯洪防災決策時的重要指引，為現正進行中的水資源管理奠定更具韌性的發展基石。

參考資料：

Jieyun 張桔云

任職於空資智能事業部，熱衷透過遙測影像觀察地球，探索世界，並親身體驗在地風情。

The post 從泛黃古地圖到AI圖像解析：桃園「千埤之鄉」的數位重生 first appeared on RiChi.

解析NetCDF格式中多時空維度風場資料之展示方式

Elsie Chang — Tue, 17 Mar 2026 00:31:32 +0000

2026/03/17 | No.0212期 | Kevin 劉瀚文

風，是我們每天感受卻難以掌握的自然力量。從颱風動態到風力發電、從飛航安全到候鳥遷徙，風場資料在背後扮演關鍵角色。那麼在WebGIS上是否也可以做到如大家常用的Windy網站般動態展示流動的風場？這次我們就從資料的格式，來源以及展示等幾個面向作說明。

本次實作所使用的風場資料，來自美國國家海洋暨大氣總署 (National Oceanic and Atmospheric Administration, NOAA) 所提供的全球預報系統 (Global Forecast System, GFS)。該系統產製的天氣預報模型涵蓋全球尺度，能跨越不同時間與空間提供完整的氣象預報資訊。由於資料具備廣度與國際通用性，因此我們選擇以 NOAA 的全球風場資料作為分析基礎。

▲ 圖1 NOAA提供多種尺度的全球氣象預報資料

NOAA所釋出的資料包含多種高度與時間的氣溫、氣壓、風場、地面反射率等近300種預報資料，檔案大小更是超過150GB。因原始資料中所涵蓋的內容繁多，在資料分析的第一步驟，我們便透過python 的 xarray套件將原始資料內容進行篩選，取出預計使用的風場相關資料儲存為NetCDF格式進行後續的分析作業。

什麼是NetCDF檔案

網路通用資料格式（Network Common Data Form，簡稱 NetCDF)是一種具備「自描述」（self-describing）特性的陣列型資料格式，其核心結構包含標頭與內容。藉由標頭，使用者可快速掌握資料的定義方式，如同書籍的目錄般，說明如資料空間網格大小、時間範圍與各項變數資訊；而內容則如同書籍的內文，完整儲存各變數的數值資料，提供使用者後續分析與應用。也因為它能輕鬆處理像「時間＋空間」這種複雜的多維度資料，因此成為氣象和海洋研究中最受歡迎的標準格式。

▲ 圖2 以NetCDF_explorer網頁瀏覽NetCDF檔案

相較我們常用的GIS資料格式，NetCDF格式在資料紀錄方式有明顯的不同，進而影響兩者的使用方式與適用場景，以下進行一個簡單的比較如下表所示。

	使用GIS資料格式(如Shapefile)	使用NetCDF資料
資料類型	向量	網格/陣列
資料維度	以0~2維資料，包含點、線、面	支援多維度資料，以網格/陣列形式展示
展示方式	可用常見之GIS軟體(如QGIS, ArcGIS pro)進行展示，或以Python/R 中的地理空間函式庫（如 GDAL、netCDF4）讀取和展示
圖層建立方式	可透過GIS軟體進行圖層發布進行建立	部分套件需要進行資料格式轉換(如轉為PNG+JSON)方能建立為系統可讀取的圖層
時間維度	僅能紀錄於屬性資料中，應用上需客製化或疊加不同時期資料	原始資料格式已支援多時間紀錄
空間精度	可精確描述物件位置、邊界或面積大小	同網格式資料，精度取決於網格大小
適用場景	具有明確位置之靜態資料	大範圍、多時空、多屬性之動態資料

解析過程

利用NetCDF的空間特性，每個網格中的風場資料以u(東西向速度分量)與v(南北向速度分量)分別進行記錄，要取得各網格實際的風速風向，則需將向量合併，得到真實的風速風向資訊。但因為NetCDF格式並非人可直接閱讀之內容，我們透過python中的 matplotlib 函式，第一次讓風場資料露出廬山真面目。

▲ 圖3 u(東西向速度分量)與v(南北向速度分量)合併示意圖

▲ 圖4 展示各網格中風速風向隨時間的變化情形(來源：瑞竣科技)

由於NetCDF格式的風場資料採網格方式進行紀錄，其視覺效果類似橫麥卡托投影成果，在此基礎上，我們嘗試將其套用至WebGIS 圖台中(同樣是橫麥卡托投影)，進行更直觀的空間分析。以下圖災害情資網的風速風向預報為例，瀏覽單一時間點、指定高度的風場資料，箭頭方向代表風向，箭頭長度對應風速大小，即可於圖台中查看各地的風速風向資訊。

可以發現在下圖左側沿海的風速箭頭長度，明顯比內陸更長，代表此時沿海的風速比內陸更大。若再進一步將風速繪製成風速面量圖，即可更清楚觀察各區域間的風速差異。

▲ 圖5 於WebGIS圖台中以箭頭形式展示NetCDF風速風向資料(來源：災害情資網)

從靜態到動態

然而，「風」具有高度的時變性，若僅僅只是以靜態的資料呈現，視覺效果上無法傳遞出他的流動感，也無法展示出多NetCDF資料支援時空的特性。因此我們運用常見的GIS解決方案(包含 ESRI ArcGIS、O’View、Mapbox），看看可否有更好的展示效果。

但在過程中我們發現，測試當下各個GIS解決方案所支援的功能與套件(如webgl-wind、deck.gl-particle)，皆無法直接讀取NetCDF資料進行展示，需要將標頭與內容資訊進行格式轉換，如另存為JSON與PNG檔案，才能順利進行套用。

在JSON中，依照各套件的不同要求，收錄如資料時間、網格長寬、風速向量數值最大最小值等；而各網格的風場的u, v 分量，則參考圖片儲存R,G,B三波段的方式，以PNG圖檔格式進行記錄。

▲ 圖6 從NetCDF格式轉換為JSON+PNG格式進行動態風場展示

以圖檔方式記錄風場資料，也可同時運用到GPU的圖形運算效能，讓全球性、多時間的風場資料順暢的於圖台上進行渲染，還可根據展示需求，即時進行資料內插，提高流體動畫密度，豐富整體視覺效果。

除此之外，經轉換的資料不但可以用於展示動態風場的流動性，更可精簡檔案大小(如單一高度、時間解析度為3小時(3*8*16 多時期)的風場資料以NetCDF格式進行記錄之檔案大小為578MB，轉換為PNG搭配JSON後檔案大小縮小至125MB)，提升展示效能。

▲ 圖7 以ArcGIS地圖核心搭配deck.gl-particle套件展示動態風場資料(來源：瑞竣科技)

應用成果

▲ 圖8 以O’view FluidModule 展示動態風場資料(來源：風場流力三維動態展示圖台)

風場流力三維動態展示圖台可結合風場、雷達回波、颱風預報路徑等資料相互輔助，更可結合時間軸功能，顯示風場隨時間的變化趨勢，推測未來對台灣的影響程度。

小結

透過本次研究之風場資料展示研究，提供面對多時空風場資料之處理與展示方案，在搭配資料格式的轉換，還可節省資料儲存空間，於相同資源下儲存更多預報資料，充分展現NetCDF支援多時空資料紀錄的優勢。後續應用上，包含如候鳥移動之預報、空氣污染粒子擴散情形等案例，在搭配三維資料一同展示後，可讓使用者更貼切的感受未來變化模式，提升空間資訊應用成效。

Kevin 劉瀚文

眾多Kevin中的其中一位，持續扮演探索GIS奧妙的神奇寶貝訓練家兼PM。

The post 解析NetCDF格式中多時空維度風場資料之展示方式 first appeared on RiChi.

農作物會說話-用衛星遙測看見田間的「求救訊號」

Elsie Chang — Tue, 24 Feb 2026 02:02:00 +0000

2026/02/24 | No.0211期 | Jean 許雅菁 X Sally 楊皓雲 X Jieyun 張桔云

挑戰與革新：精準農業的需求

傳統農業正面臨勞動力短缺、氣候變遷加劇，以及資源管理效率不足等多重挑戰。這些問題不僅直接影響農作物的產量與品質，也對農民生計與整體農業生產體系帶來長期壓力。

在此背景下，衛星遙測技術憑藉其獨特優勢，逐漸成為智慧精準農業中的關鍵工具。相較於仰賴人力的傳統田間調查，遙測技術能以大範圍、高頻率且非侵入式的方式，持續取得地表與農作環境的關鍵資訊。

透過遙測影像所記錄的光譜反射特性，農作物彷彿能「開口說話」。不同作物種類、生長階段，以及土壤含水量與養分變化，皆會呈現出各自獨特的光譜曲線。衛星感測器不僅可接收可見光波段，更能捕捉人眼無法直接感知的近紅外光資訊，使農作生長狀況得以被量化、監測與分析。

首先，讓我們看看現今開放資源衛星能做到什麼？(Sentinel衛星、Landsat衛星)

隨著國外開放資源衛星(如 Sentinel、Landsat 與MODIS)資料的釋出，以及商業衛星影像的日益普及，遙測資料的取得與應用門檻大幅降低，有效彌補了地面感測器與人工調查在空間覆蓋與時間連續性上的不足。衛星感測器除可接收可見光波段資訊外，亦能量測人類肉眼無法直接感知的多光譜與近紅外光等光譜資料，提供更全面的地表觀測能力。

▲ 圖1 衛星感測器能藉由量測光譜進而瞭解農地狀態

透過多光譜資料的組合運算與分析，不同農作物種類、生長階段與生理狀態，以及土壤含水量與養分條件的變化，皆有其獨特代表的光譜特徵曲線，亦可再衍生計算出植被健康指標、土壤濕度與地表溫度等關鍵資訊。尤其以Sentinel-2與Landsat-8系列任務為代表的開放資源衛星影像，已被證實在農業監測與管理領域展現高度應用潛力，相關指標可有效支援植被健康評估、作物生長階段判識，並進一步應用於作物產量推估與農業決策輔助。

在作物產量預測與估計方面，如Tunca等人(2023)的研究利用 Sentinel-2A、Landsat 8 OLI 及PlanetScope(商用) 衛星影像，結合NDVI、SAVI、SR等多種植被指數，已成功在播種後1-2個月預測青割玉米的產量；相關技術亦可擴展至棉花、小麥及柑橘的產量估算，於收穫前1-2個月提供可靠數據。

▲ 圖2 Tunca等人(2023)使用三種影像來源並透過三種指標進行產量預估

Faqe Ibrahim等人(2022)比較了在半乾旱地區使用Sentinel-2與Landsat-8衛星影像來預測小麥產量的效果。研究中利用多種植被指數，如EVI、NDVI、NDWI、SAVI、SR、RVI、LAI等指標(如圖3)，以及地面收集的實際產量資訊，建立回歸模型以評估衛星資料在作物產量預測上的準確性，其中因Sentinel-2具備Red Edge波段，有助於精細捕捉植被的光合作用情況，進一步提升模型準確率，且相較於Landsat-8，具有更高的空間解析度與更豐富的光譜波段，有助於更精細地捕捉作物生長資訊，進而提升預測能力。

▲ 圖3左：Landsat-8各式農業監測指標值 / 圖3右：Sentinel-2各式農業監測指標值[參考資料：Faqe Ibrahim等人(2022)]

總結來說，使用開放資源衛星足以為大範圍的植被健康評估、乾旱監測、森林擾動偵測等一系列環境應用提供強大的應用潛力。同時，也為農民和決策者提供即時、準確的資訊，有助於調整灌溉、施肥和病蟲害防治，並支持政府在農業報告和預算分配上的決策。

將難懂的光譜轉換為常用的監測指標後，就賦予了影像新的意義

當我們深入解析影像中不同波段所構成的光譜資訊，原本僅是紀錄光譜反射數值的像素，即能被轉換為具有實際意義、可被解讀的各式植生指標。這些指標不僅反應植生對光能的吸收與反射特性，更能細緻呈現作物的生長活力、健康狀態與環境壓力反應。透過持續觀察植生指標在時間與空間上的變化，我們可以快速辨識出異常或需要特別關注的區域，例如生長不良、缺水或病蟲害潛勢地點。相較於傳統人工巡查，這種以影像與指標為基礎的分析方式，能以更宏觀、系統化的視角掌握作物生長狀態的整體分佈，協助決策者在第一時間做出精準判斷，讓農業管理與資源投入更有效率，也更具前瞻性。

▲ 圖4 Landsat與Sentinel光譜波長分佈範圍廣，有助於農業指標計算(圖片來源：NASA)

Sentinel-2 MSI 與 Landsat 8 OLI 的波段比較表

表格可左右滑動

波段說明	Sentinel-2A MSI			Landsat 8 OLI
波段說明	波段 Band	中心波長 (nm)	解析度 (m)	波段 Band	中心波長 (nm)	解析度 (m)
Coastal / Aerosol	Band 1	~443	60	Band 1	~443	30
Blue	Band 2	~492	10	Band 2	~482	30
Green	Band 3	~560	10	Band 3	~562	30
Red	Band 4	~665	10	Band 4	~655	30
Vegetation Red Edge	Band 5,6,7	~704 / ~740 / ~783	20	–	–	–
NIR	Band 8	~842	10	Band 5	~865	30
Narrow NIR	Band 8A	~865	20	–	–	–
Water Vapour	Band 9	~945	60	–	–	–
SWIR / Cirrus	Band 10	~1373	60	Band 9	~1375	30
SWIR 1	Band 11	~1613	20	Band 6	~1610	30
SWIR 2	Band 12	~2202	20	Band 7	~2200	30

以下為使用開放資源衛星生成常見的農業監測指標(瑞竣團隊整理)

表格可左右滑動

指數	公式	特色	參考來源
歸一化差異植被指數 Normalized Difference Vegetation Index (NDVI)	$NDVI = \frac{(NIR - RED)}{(NIR + RED)}$	基本植生監測	Townshend and justice, 1986
歸一化差異水體指數 Normalized Difference Water Index (NDWI)	$NDWI = \frac{(Green - NIR)}{(Green + NIR)}$	基礎水體監測	McFeeters, 1996
增強型植被指數 Enhanced Vegetation Index (EVI)	$EVI = 2.5 \times \frac{(NIR - RED)}{(NIR + 6 \times RED - 7.5 \times BLUE + 1)}$	減少大氣與土壤影響、高密度植被分析	Liu and Huete, 1995
土壤調節植被指數 Soil Adjusted Vegetation Index(SAVI)	$SAVI = \frac{(NIR - R)}{(NIR + R + 0.5 \times (1.0 + 0.5))}$	降低裸土干擾、乾燥地區植被估測	Huete, 1988
簡易比植生指數 Simple Ratio(SR)	$SR = \frac{NIR}{Red}$	快速評估植被的健康、密度和覆蓋情況	Chen, 1996b
比值植被指數 Ratio Vegetation Index(RVI)	$RVI = \frac{RED}{NIR}$	最早植生指數、簡單反應物量	Pearson et al.,1972
綠度比值植被指數 Green Ratio Vegetation(GRVI)	$GRVI = \frac{(Green - RED)}{(Green + RED)}$	綠度變化敏感、早期植生變化偵測	Motohka et al., 2010
歸一化差異紅邊指數 Normalized Different Red Edge(NDRE)	$NDRE = \frac{(NIR - RedEdge)}{(NIR + RedEdge)}$	監測高密度作物、早期氮素與脅迫偵測	Thompson et al., 2019
種植管理因子指數 Cropping Management Factor Index(CMFI)	$CMFI = \frac{Red}{(NIR + Red)}$	農業管理或耕作狀況評估	Lin et al., 2010
葉面積指數 Leaf Area Index(LAI)	$LAI = \frac{(\frac{0.69 - SAVI}{0.59})}{(0.91)}$	反應植冠結構、生物量、產量估測	Sousa et al., 2019
核函數植被指數 Kernel NDVI (KNDVI)	$kNDVI = \frac{e^{- γ {(NIR - R)}^{2}} - e^{- γ {(NIR + R)}^{2}}}{e^{- γ {(NIR - R)}^{2}} + e^{- γ {(NIR + R)}^{2}}}$	減少 NDVI 飽和、適合高 LAI 作物、生物量監測	Camps-Valls et al., 2021
近紅外植被反射指數 Near-Infrared Reflectance of Vegetation (NIRv)	${NIR}_{v} = NIR \times NDVI$	與 GPP（光合作用）高度相關、產量估測強	Badgley et al., 2017

儘管開放資源衛星在大範圍、長期監測上具備高度價值，但受限於重訪週期、雲覆量多寡與影像可用率，在實務上仍難以即時反應作物快速變化或短期異常事件。因此，若能進一步結合具備高重訪率、彈性拍攝排程與較高空間解析度的商用衛星資料，將可在關鍵生長期或異常發生時即時補足觀測缺口，使農作物監測由「趨勢掌握」提升為「即時判釋與精準決策」。

專屬臺灣的智慧農業遙測解決方案

衛星遙測技術與臺灣精準農業的深度融合，正在重新定義農業生產模式。瑞竣科技農業智慧監測服務，提供從坵塊識別、作物生長週期監測到異常預警等的解決方案，協助農政單位與農民實現高效、永續的田間管理。

在臺灣地狹人稠、農地分布零碎的環境下，免費開放資源衛星的解析度（如Sentinel-2為10公尺解析度）往往難以完全滿足精準農業的需求。一片不到1公頃的農田，在低解析度影像上可能僅呈現為模糊的幾個像素，難以準確判別田塊邊界與田間差異。再加上梅雨季與颱風季的雲層遮蔽，使得影像供應時斷時續，容易錯失農作關鍵的生長週期。

▲ 圖5同一農田坵塊在不同空間解析度影像下的植生指標分布(左：3公尺解析度，右：10公尺解析度)

為解決此問題，我們針對臺灣小規模、分散式農田，採用3公尺中解析度之PlanetScope衛星影像，並結合每日重返的時序優勢，以達到精準監控。圖5呈現同一農田坵塊在不同空間解析度影像下的植生指標(NDVI)分布：左側3公尺解析度可辨識坵塊內的空間變異及局部生長差異特徵；右側10公尺解析度則因像元尺度較大，田間變異呈現較均質的分布。

掌握作物生長階段

以水稻為例，臺灣稻作品種多樣(如：臺稉9號、臺農71號、桃園7號等)，且一、二期稻作的生長週期各不相同。智慧監測方案透過整合多尺度遙測影像資料，有效補足不同感測器的時空限制，構建從秧苗期、分蘗期、孕穗期到成熟期的完整生長模型。我們以苗栗縣後龍鎮為示範區，專案導入高重返率之衛星影像建構亞週期(Sub-cycle)監測體系，透過一期水稻(約120天)生長週期內的PlanetScope衛星影像，以此時序資料集作為深度學習模型之訓練特徵空間，精確繪製出水稻生長指標軌跡。

▲ 圖6水稻生長模型與實際觀測曲線比對

圖6展示單一水稻坵塊之植生指標在生長期中的變化曲線，藍色實線為實際觀測平均值，藍色陰影區間代表觀測值的標準差範圍，各坵塊生長曲線會因不同坵塊間因品種、插秧時間及管理方式差異而有差異；黑色虛線則為標準水稻模型預測值，可作為判斷水稻從抽苗期至收割期完整生長階段的依據，能敏銳捕捉水稻指標變化趨勢，並推算出該坵塊之收割時間點。此亞週期級別的監測頻率特別適合臺灣農業的季節性與區域差異，提供對作物週期的精細掌握與管理。以下為幾種應用方向：

即時生長監測與早期異常偵測

藉由多時期衛星影像監測生長異常，可即時辨識偏離正常生長軌跡的坵塊，尤其在病害好發的分蘗期(插秧後30-60天)為稻熱病高風險階段，若能提早發現問題，就能及時清除感染源、調整氮肥用量等預防措施，有效控制病害擴散。

▲ 圖7多時期水稻生長指標動態監測(秧苗期至孕穗期)

圖7呈現一期水稻從秧苗期(DOY 81)到孕穗期(DOY 139)的生長指標變化(*DOY為一年中的第幾天，如DOY 95為4月5日)。透過高頻率影像監測，可觀察不同坵塊的生長差異：部分在分蘗期(DOY95、120)已呈現深綠色，生長旺盛；有些坵塊則呈淺黃色、生長較慢，反應生長遲緩或田間管理差異。透過整合衛星資料、歷史模型與氣象資訊，建構具時序性與空間敏感度的預警系統，可及早發現異常並精準鎖定高風險區域進行介入處理。

種植面積估算

利用3公尺解析度的衛星影像，我們能夠自動識別稻作坵塊的邊界，進而準確了解農作物的種植面積。在秧苗期後兩週內，即可辨識不同坵塊的生長時相差異，並結合深度學習模型來統計實際耕作面積，此方法整體識別準確率超過95% (Wei et al., 2023)。根據影像的量化推估，後龍地區2025年第一期稻作種植面積達825.38公頃。隨著時間序列特徵累積，坵塊識別效能將持續提升，如此可長期協助農政單位掌握作物種植分布與面積變化，支援農業管理與決策。

▲ 圖8 2025後龍區域一期稻作面積約825.38公頃

挑戰極限：超高解析度的「智慧農業偵探」

▲ 圖9 Vantor 15公分HD超高解析度衛星影像(影像來源：WV03 2025/11/21)

在精準農業中，影像解析度直接決定了管理的精細程度。美國Vantor公司的WorldView / Legion系列光學衛星，是市面上最高解析度的衛星群，可提供15公分HD超高解析度、8波段的衛星影像。此超高解析度影像特別適用於芒果、荔枝、釋迦等高經濟作物，能清晰呈現每株果樹的樹冠大小與行距疏密。藉由每月 1-2 次的週期性監測，農友能在問題擴大前鎖定特定區域進行施肥或病蟲害防治，將資源精準投入關鍵時期，在節省巡視成本的同時有效避免產量損失。

▲ 圖10 屏東內獅鄉芒果果園智慧監測—果樹自動辨識(影像來源：WV02 2023/03/01)

瑞竣科技將智慧監測服務應用於屏東獅子鄉芒果果園，透過物件偵測模型(Object Detection)將影像轉化為量化資訊，自動識別出11,897株果樹，並精確標定每株果樹的中心點坐標(圖10右)，藉此分析果園的空間結構與植株疏密程度。

▲ 圖11 屏東內獅鄉芒果果園智慧監測—花期物候分析(影像來源：左.WV02 2023/03/01；右. google街景)

針對3月關鍵芒果花期，系統結合光譜分析技術，能有效區分開花果樹的空間分布，找出開花不良區域。如圖11(左)局部放大影像所示，綠色十字標記為盛開的芒果花序，而紅色十字標記為未開花的果樹。這些資訊能再進一步整合田間物聯網(IoT)的溫濕度與土壤參數，進而強化氣象災害預警能力，更能協助農友精確安排修枝、灌溉或設置防風網等農事作業。此一整合性架構提升了產量推估的信度，也為精準農業的自動化發展提供關鍵的技術。

攜手迎向永續未來

透過結合不同衛星，如Vantor公司旗下之超高解析度衛星群、高頻率的PlanetScope衛星、開源衛星資源等的互補優勢，遙測技術與臺灣精準農業的深度融合，正在重新定義您的生產模式。影像AI智慧分析成果搭配直覺式網頁平台，讓農地監測不受時間與地點限制，隨時隨地皆可輕鬆掌握關鍵數據！

▲ 圖12 衛星影像+AI運算+平台展示=農業分析新利器

從現在開始，讓我們一起將監測結果轉化為實用的農業管理工具，您的農作物將不再沉默，在氣候越來越不穩定的現在，每一季的收成都更顯得珍貴。我們能協助您：更早看見作物的生長壓力與病蟲害風險、更精準安排灌溉、施肥與防治作業，有效支援農業田間精準管理與收穫產量決策！

歡迎聯繫瑞竣科技，和我們聊聊您的農地與想法，我們可以為您規劃一套最適合的導入路徑。了解更多請洽瑞竣團隊(02)8228-0790分機111，一同實現更高效、更永續的農業未來。

參考資料：

Badgley, G., Field, C. B., & Berry, J. A. (2017). Canopy near-infrared reflectance and terrestrial photosynthesis. Science advances, 3(3), e1602244.
Camps-Valls, G., Campos-Taberner, M., Moreno-Martínez, Á., Walther, S., Duveiller, G., Cescatti, A., … & Running, S. W. (2021). A unified vegetation index for quantifying the terrestrial biosphere. Science Advances, 7(9), eabc7447.
Chen, J. (1996b). Evaluation of Vegetation Indices and a Modified Simple Ratio for Boreal Applications. https://doi.org/10.1080/07038992.1996.10855178
Faqe Ibrahim, G. R., Rasul, A., & Abdullah, H. (2022). Sentinel‐2 accurately estimated wheat yield in a semi-arid region compared with Landsat 8. International Journal of Remote Sensing, 44(13), 4115-4136.
Huete, A. (1988). Huete, A. R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment. Remote Sensing of Environment, 25, 295–309. https://doi.org/10.1016/0034-4257(88)90106-X
Lin, C.-Y., Chuang, C.-W., Lin, W.-T., & Chou, W.-C. (2010). Vegetation recovery and landscape change assessment at Chiufenershan landslide area caused by Chichi earthquake in central Taiwan. Natural Hazards, 53(1), 175–194. https://doi.org/10.1007/s11069-009-9421-0
Liu, H. Q., & Huete, A. (1995). A feedback based modification of the NDVI to minimize canopy background and atmospheric noise. IEEE Transactions on Geoscience and Remote Sensing, 33(2), 457–465. https://doi.org/10.1109/TGRS.1995.8746027
McFEETERS, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714
Motohka, T., Nasahara, K. N., Oguma, H., & Tsuchida, S. (2010). Applicability of Green-Red Vegetation Index for Remote Sensing of Vegetation Phenology. Remote Sensing, 2(10), 2369–2387. https://doi.org/10.3390/rs2102369
Pearson, R. L., Miller, L. D., U.S. International Biological Program, & International Symposium on Remote Sensing of Environment. (1972). Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie, Pawnee National Grasslands, Colorado. Dept. of Watershed Sciences, College of Forestry and Natural Resources, Colorado State University.
Sousa, V., Salami, G., Silva, M., Silva, E., Júnior, J., & Alba, E. (2019). Methodological evaluation of vegetation indexes in land use and land cover (LULC) classification Methodological evaluation of vegetation indexes in land use and land cover (LULC) classification. Geology, Ecology, and Landscapes, 4. https://doi.org/10.1080/24749508.2019.1608409
Thompson, C. N., Guo, W., Sharma, B., & Ritchie, G. L. (2019). Using Normalized Difference Red Edge Index to Assess Maturity in Cotton. Crop Science, 59(5), 2167–2177. https://doi.org/10.2135/cropsci2019.04.0227
TOWNSHEND, J. R. G., & JUSTICE, C. O. (1986). Analysis of the dynamics of African vegetation using the normalized difference vegetation index. International Journal of Remote Sensing, 7(11), 1435–1445.https://doi.org/10.1080/01431168608948946
Tunca, E., Köksal, E. S., & Taner, S. Ç. (2023). Silage maize yield estimation by using planetscope, sentinel-2A and landsat 8 OLI satellite images. Smart Agricultural Technology, 4, 100165.
Sofia Cerasoli, Manuel Campagnolo, Joana Faria, Carla Nogueira, and Maria da Conceição Caldeira (2018). On estimating the gross primary productivity of Mediterranean grasslands under different fertilization regimes using vegetation indices and hyperspectral reflectance

Jean 許雅菁

任職於空資智能事業部，因緣際會踏入衛星的世界多年，最近熱衷於在影像中尋找有趣的事物。

Sally 楊皓雲

任職於空資智能事業部，樂於從空間、地圖及影像中探索新知，喜歡大自然的單純及美好，目標是把生活過得充實又快樂。

Jieyun 張桔云

任職於空資智能事業部，熱衷透過遙測影像觀察地球，探索世界，並親身體驗在地風情。

The post 農作物會說話-用衛星遙測看見田間的「求救訊號」 first appeared on RiChi.

水利奇境：帶著哇特一起探險！

蔣繼仁 — Tue, 10 Feb 2026 02:27:45 +0000

2026/02/10 | No.0210期 | Joyce 黃子芩 X William 林詠弘

水利空間資訊服務平台114年帶著可愛又聰慧的數位助理-哇特問世啦！若說豐富的水利圖資是服務平台的大祕寶，那哇特就是我們的導航員，能帶你在水利世界探險，任意穿梭地圖的世界也不會迷失方向，而且現在不僅能透過電腦操作圖台，你也能像是手握藏寶圖的隊長。透過手機、平板等行動裝置瀏覽喲，不管是想找圖資、看圖資，或是下載圖資，都可以在行動裝置上請哇特為你服務，接下來就讓哇特帶領我們探索圖台的世界吧!

一、數位助理萬事通，自動操作好拉風

在錯綜複雜的圖資世界中，您是否也曾因找不到所需圖資或不知道地圖怎麼操作而感到迷茫嗎?別擔心，以水滴結合GIS元素活潑可愛的哇特，將常駐在平台首頁與2D/3D圖台，陪你一起探索水利地圖喔!

哇特提供三種指令主題，一共九種功能指令，可以帶您做到：

查詢、下載、查看圖資
自行組建專屬主題圖
定位到指定地點

只要輸入文字，哇特就能一步步帶您完成。即便是第一次使用服務平台的民眾，也能快速理解平台上有哪些資料、可以怎麼應用!

▲ 點選首頁右下角哇特頭像即可與哇特對話

1.「哇特猜你想知道」-常見查詢情境解惑

「哇特猜你想知道」貼心整理了使用者最常遇到的三種情境(我想看圖資、想下載圖資、收納了哪些圖資)，透過簡單的指令，帶您快速到對的地方。例如點擊「我想查看圖資」，哇特會自動將圖層套疊功能打開，並且告訴使用者可以嘗試輸入河川、水庫等關鍵字進行查詢。

▲ 點擊「我想看圖資」指令哇特會自動將圖層套疊功能打開

2.定位至指定地點-快速定位及查詢周邊的水利設施

最常的需求之一就是「我想知道某個地點在哪裡」。因此哇特提供了快速定位功能，與哇特對話，只要句子裡包含「定位至」就能達到定位的操作，例如：「定位至大稻埕碼頭」，哇特即能自動定位至大稻埕碼頭。除了地標/地址定位，也提供另外兩種常見定位方式。如：地籍地號定位(輸入地號查詢）、河川/水庫定位(指定水庫或流域範圍進行定位)。

▲ 語句中包含「快速定位」就能自動定位囉!

完成定位後，還能進一步啟用延伸功能「查查鄰近水利設施」，哇特會以當前指定的定位點為中心，自動查找周邊相關水利設施(如中央管河川區域、地下水第一級管制區、淹水潛勢圖等），例如大稻埕碼頭周遭屬於淡水河流域，同時位於地下水第二級管制區範圍。透過「查查鄰近水利設施」，不必逐一套疊圖層，一鍵就能掌握附近水利相關圖資!

▲ 一鍵即可延伸查詢周遭的水利設施

3.淹水潛勢與3D之應用-讓哇特手把手教你做主題圖

面對較進階的應用情境，例如「想看某地區在不同淹水潛勢下的情形，並搭配3D地形或建物一起檢視」，哇特也能一步步教你完成。在主題圖的教學中，哇特可以帶您做到：

切換3D圖台
定位至指定地點
圖資查詢套疊
開啟三維建物模型

透過對話式說明，每一步都有操作提示，不需要記指令。整體流程就像有一位熟悉圖台操作的小老師坐在旁邊，全程都由哇特陪你完成。

▲ 以步驟式說明如何組建淹水潛勢與3D主題圖

▲ 手把手帶您完成到最後一步

二、行走的藏寶圖，水利空間一手掌握

介紹完強大的導航員哇特，倘若出門在外卻不能使用，也只是英雄無用武之地。好在服務平台的圖台系統支援跨裝置瀏覽，資訊不再被限制在電腦端，而是跟著使用者走，隨時提供即時、精準、完整的地理資訊。除了導航員哇特之外，行動版圖台提供的多種功能，能幫助我們徜徉在地圖的世界。

▲ 圖台跨裝置無痛切換

1.快速定位-探險不迷路

出門在外最怕的就是不知道自己在哪裡，若想確認自己精確的位置，行動版圖台提供快速定位功能，可以利用「所在位置」快速查找地圖中相對應的地點！

▲ 快速定位到自身位置

2.整合查詢-寶藏透視鏡

行動版圖台不僅能幫我們找到自身位置，還可以幫我找出附近的「寶藏」！比如我們現在位處於石門水庫，想了解下游屬於哪一條河川流域，就可以搭配整合查詢使用，查詢後就能幫我們找到下游是屬於中央管河川的大漢溪。

▲ 整合查詢快速找出附近的圖資資訊

3.圖層套疊-藏寶圖鑑

若想知道水利空間服務平台的寶藏有哪一些，可以到圖層套疊依照主題分類或輸入圖資關鍵字查找，比如我們想了解一塊地是不是在水利署的管轄範圍內，就可以開啟「中央管河川區域」相關的圖資，如下圖的中央管河川區域，就標示了大漢溪最多可能流經的區域，為了河川保育與治理，就會需要限制土地開發的使用，因此只要是在中央管河川範圍內的地方，開發使用都受到水利署規範限制哦！

▲ 圖層套疊提供所有圖資資訊

4.底圖切換-為你的地圖加上濾鏡

除了一般預設的電子地圖形式，我們也可以透過切換套疊的底圖，如水利署存有高解析度的航拍影像，就可以透過底圖切換的方式，從上帝視角檢視真實世界的樣貌。如下圖水利署專案航拍影像，從裸露的河床來看，我們就能在透過手機了解大漢溪在石門水庫未洩洪，或是枯水時期的流量與流域範圍。

▲ 底圖切換展現地圖的不同風貌

三、探險永不終結，讓水利空間服務平台成為您的行動羅盤

這場關於水利空間的探險，不僅是一次技術的躍進，更是一份傳承的延續。水利空間資訊服務平台豐富的倉儲資料來自多年的建置與傳承，透過日積月累的收納才有如今豐富的圖資成果，瑞竣團隊與水利署多年的經營與維護，奠定了平台穩定成長的基石。有了導航員哇特與行動版圖台的加入，簡易的操作指令與跨裝置的使用，降低了資料搜尋與圖台操作的上手難度，讓更多的使用者也能與我們攜手前行。

無論身處第一線需要精準業務分析的專業人員，或是關心生活環境、想了解水資源議題的一般民眾，都能隨時隨地在行動裝置上找到所需資訊。

隨著倉儲作業的持續精進，哇特將陪著您將龐雜的資訊轉化為真正的行動力與決策助力，讓每一次的「水利奇境」，都成為一場精準且高效的探險之旅!

感興趣的你，快來一起體驗最新的水利空間資訊服務平台吧！

Joyce 黃子芩

任職於應用系統事業部，閒暇時會帶著拉拉熊們到處走走，行光合作用。

William 林詠弘

喜歡地圖與諧音梗，加在一起就是圖gether。

The post 水利奇境：帶著哇特一起探險！ first appeared on RiChi.

實價登錄應用：房市透明化時代的智慧洞察

Elsie Chang — Fri, 16 Jan 2026 01:13:14 +0000

2026/01/16 | No.0209期 | Jessie 李品潔 X Natsuki 余姿萱 X Sandy 蔡宜芝 X Erica 曾鈺雯

買房、看房、談房價，你知道「實價登錄」其實藏了很多小祕密嗎？從熱門地段的交易熱度、屋齡變化，到政策上路後市場的冷暖，都能從數據中找到線索。這期我們精選四大主題─房市趨勢、特色數據、政策解析、工具應用，用最簡單的方式帶你讀懂房市。不論你是準備買第一間房的小白，還是關心市場動向的資深觀察家，都能在這裡找到讓你點頭的實用資訊。一起從實價登錄出發，看懂房市真相！

房市趨勢與數據洞察

從總體市場與景氣分析、交易量變化，關注整體房市大環境，掌握市場脈動


房市冷颼颼？ 2025年Q1交易量大跳水 (游標移至圖片瞭解更多)		2025上半年房市觀察：交易量大減，價格卻穩如泰山？(游標移至圖片瞭解更多)

特色數據與區域透視

透過實價登錄數據分析，深入剖析特定條件（屋齡、機能）或特定區域（輕軌沿線）的房市細節。


房市交易屋齡透視－以新北市為例 (游標移至圖片瞭解更多)		百年老屋地圖：你家附近也藏著時光的痕跡嗎？ (游標移至圖片瞭解更多)


近3年淡海輕軌沿線房市交易分析 (游標移至圖片瞭解更多)		運動宅買氣旺？#實登數據分析室 (游標移至圖片瞭解更多)

政策解析與市場影響

法規改變影響市場走勢，掌握平均地權條例與預售屋登錄新制背後的脈絡。


平均地權條例是預售屋殺手嗎？ (游標移至圖片瞭解更多)		買預售屋有兩筆實價登錄紀錄？ (游標移至圖片瞭解更多)

實價登錄應用與工具攻略

從政府平台到專業工具，幫你輕鬆查詢、比較與分析房價資訊。


買房小白必看！免費政府實價登錄網站一覽 (游標移至圖片瞭解更多)		實價登錄資料免費版與付費版的差別？ (游標移至圖片瞭解更多)

房市的變化從不會一夜之間，但懂得觀察數據的人，總能比別人早一步看見趨勢。無論你是正在尋覓理想住所、關注政策走向，或只是想更了解這片土地的價值，實價登錄都是最可靠的起點。瑞竣科技將持續用科技與數據，陪你一起洞察市場、看懂房價，讓每一次購屋與投資決策更安心、更聰明。

想了解更多房市數據與應用？

關於實價登錄資料的其他分析以及各種AI解決方案，歡迎聯繫我們，掌握完整市場分析、區域比價與趨勢預測，讓數據成為你最強的購屋助力。

更多有趣的地圖資訊都在「地圖新鮮事 RiChi」，馬上Follow

Jessie 李品潔

任職於應用系統事業部，喜歡嘗鮮、熱愛冒險，是個富有正義感的女子，想追夢環遊世界!

Natsuki 余姿萱

任職於應用系統事業部，努力用地圖與數據更瞭解世界一點。想要和貓咪一起躺在地板上曬太陽。

Sandy 蔡宜芝

任職於應用系統事業部，喜歡到處吃吃喝喝，不能沒有飲料與咖啡陪伴的人。

Erica 曾鈺雯

任職於應用系統事業部，近期迷上觀看各種體育賽事，籃球桌球羽球都喜歡。

The post 實價登錄應用：房市透明化時代的智慧洞察 first appeared on RiChi.

圖資太多不知從何下手？試試情境主題分類

蔣繼仁 — Tue, 23 Dec 2025 01:17:46 +0000

2025/12/23 | No.0208期 | Kevin 劉瀚文 X Ian 黃奕鈞

近年來，地理資訊系統（GIS）在城市管理、國土規劃，或災害防治中扮演關鍵角色。無論下水道設施維護、市區樹木管理、都市防洪能力評估，各單位皆需運用圖資支援決策。

現在大多以「資料提供機關」或「圖資主題」為基礎的分類方式，仍是快速查詢的重要途徑。但隨應用範疇擴展，我們亦可思考引入「情境主題」分類可作為補充，讓 GIS 在多元情境中展現更大效益。以下將先簡要介紹「一般圖資分類」，再說明「情境主題」的概念與特色。

一般圖資分類

以「圖資類型」舉例來言，可列舉以下數項：

土地基本資料：縣市界、地籍圖、全國國土利用調查成果等…
社會福利：老人福利機構分布圖、公私立老人機構分布圖_點位分佈、托育資源中心分布圖等…
土地圖層：地籍圖、地段外圍圖、公有土地、分棟建物框、非都市土地使用分區圖等…
山崩災害潛勢：山崩災害潛勢_岩體滑動、山崩災害潛勢_落石、山崩災害潛勢_岩屑崩滑、山崩災害潛勢_低潛勢區等…
交通：拖吊場、公有停車場、公車站牌、交通號誌等…

依「資料提供單位」分類時，將會以農業部、經濟部、環境部、內政部測繪中心等中央政府機關為主的分類方式，協助使用者依來源快速找到所需資料。

農業部：農水路使用、農舍、疑似農地工廠、潛在可供農業使用位址
經濟部：礦區範圍、淹水潛勢圖、山崩與地滑地質敏感區
環境部：空氣品質指標、垃圾衛生掩埋場、飲用水水源水質保護區
內政部測繪中心：海岸地區範圍、潮間帶

▲ 依資料提供單位進行圖資分類

▲ 若欲針對特定單位查詢（以環境部為例），可透過「發布單位」欄位進行篩選

▲ 若欲針對環境部查詢，下方圖資列表會出現資料發布單位為環境部的圖資

當一般圖資分類遇上多元使用情境

這樣的分類方式對相關或專業的從業人員而言相當實用，不僅能迅速對應實務需求，也有助於提升圖資的檢索效率與整體應用的流暢度。對於經常使用系統的單位或人員而言，依照資料提供機關或主題來進行分類，確實能有效完成日常的專案目標。

▲ 一般圖資分類方式示意圖

然而，隨著工作應用情境逐漸出現跨領域、多元情境，使用者所需資料已不再僅限於單一部會或主題範疇，例如，部分使用者可能會更關心以下問題：

如何依據任務情境快速找到自己所需的圖資主題？
我該如何才能一次找到自己需要使用的圖資種類？
如何在使用圖資時可以同步確認圖資的權責單位？

在這樣的情形下，即便系統已針對眾多圖資進行分類與整理，如果缺乏能夠呼應「任務情境」的導引方式，使用者在操作上仍可能感到茫然，不確定該如何才能有效率地挑選合適的圖層來完成分析。因此，在保有一般圖資分類架構所帶來的基礎優勢之外，若能引入以「情境主題」為導向的分類方式，便能使圖資的應用更貼近實際取向，提升系統對不同需求的使用者的友善度與應用效益。接下來，本文將說明「情境主題分類」所能帶來的補充與多元化發展。

情境主題分類

本篇我們將分享一種更貼近實務面向的圖資分類方式——情境主題分類。與官方常見的圖資分類方式不同（例如依照圖資類型：交通設施、民生設備、農業與農地資源盤查；或依資料來源分類：地政局、水利署），情境主題是從實際應用場景為出發點，將完成某事項所需的圖層加以整合，形成一套以「任務導向」的圖資歸類組合。

換言之，「一般圖資分類」是依圖資本身的屬性來編排；而「情境主題分類」則是根據使用者的工作目的或任務需求，預先組合相關的圖資。例如「災害潛勢分析」可整合地質敏感區、淹水潛勢圖、避難收容所位置等資料；「主題活動舉辦」則可整合交通路網、公共設施、醫療資源配置、警察局或消防局據點等圖層。

值得注意的是，一個圖資本身可以同時歸屬於多個不同的情境主題。舉例來說，「醫療院所」這筆圖資既是「主題活動舉辦」情境下用於緊急救護資源配置的關鍵圖層，也可以是「高齡長照資源盤點」情境下評估社區醫療站點、長照據點服務覆蓋率的數據，更是「防疫資源部署」情境下，用來標示重要篩檢站、隔離病房或疫苗施打處的點位。同時，「社區活動中心」做為「防疫資源部署」情境下的疫苗施打地點設置，亦能歸類在「高齡長照資源盤點」主題下，提供給長者進行交流或參與活動的場地。這種交叉分類的特性，使得圖資的應用更加靈活與廣泛。

▲ 情境主題圖資分類方式示意圖

舉例來說，地方政府在規劃主題活動時，往往涉及多個面向的需求，像是交通路線、安全醫療、公共設施、周邊影響等。以交通路線來說，需要考量道路封閉、替代路線、停車場與大眾運輸站點分布，使民眾可以方便參與並確保活動安全。安全醫療部分，則需掌握醫院與臨時醫療站位置、警消據點，以便在發生突發狀況時，能提供即時醫療救助或緊急應變。至於公共設施，則須考量如廁、短暫休憩點，確保參與者皆能獲得良好的參與體驗。透過「情境主題分類」，「主題活動舉辦」主題（如下方表格呈現）已將規劃人員所需的圖資類型預先打包，讓相關人員快速整合並執行部署，大幅提升作業效率與準確性。

▲ 主題活動舉辦情境主題_系統示意圖

主題活動舉辦主題包	圖資名稱	說明
	公車站牌、道路中心線、公有停車場	協助規劃活動交通動線、接駁安排、停車空間等，並評估替代道路，避免造成塞車影響當地居民或參與者的體驗
	醫療院所、警察局、消防局、緊急避難空間	確保醫療資源分布均衡，利於緊急應變部署掌握緊急支援單位位置與反應路線
	公共廁所、公園、社區活動中心	提供民眾休憩、如廁設施資訊，提升服務品質便利規劃帳棚、舞台等臨時設施
	商圈、優良商家、便利商店、觀光小吃店家	導引人潮至在地商圈，促進經濟活絡規劃觀光動線與設置導引設施

最關鍵的是，即使圖資被整合到特定的情境主題中，現行依「資料提供單位」的分類方式仍會被保留下來。舉例來說，在「交通局」分類底下，仍然涵蓋公有停車場、公車站牌等完整的相關圖資。保留這樣的分類方式，不僅使圖資分類更加多元，為使用者提供多重選擇；更重要是，使用者需要洽詢圖資更新細節時，能夠快速溯源並聯繫到相對應的局處單位。

相較於過去必須分別從「交通圖資」、「醫療救助」、「公共設施」等類別中，逐一篩選出數十甚至上百種相關圖層再自行加以組合，情境主題分類讓使用者不需從各類別圖資逐一拼湊，大幅提升資料搜尋與實務應用的效率。如此一來，在使用圖層上是否節省了大量的時間，並讓工作流程順暢許多呢？

小結

相較於一般以圖資類型或資料來源進行分類的方式，「情境主題」提供的是一組「任務導向」的圖資整合包，使用者無需耗時查找，透過此嶄新的整理方式，可以更有效率地完成分析歸納工作項目。簡而言之，情境主題就像是 GIS 系統的快速入口，不僅能大幅縮短查詢時間，更能降低操作門檻，提供更加直覺與友善的使用體驗。下次如果看到系統上收錄上百、乃至上千種圖資，不妨可以設計規劃採用情境主題的圖資分類哦。

優勢與適用性

	一般圖資分類	情境主題分類
適合系統	單一領域	綜合領域
適合對象	GIS 專業人員、熟悉圖資結構者	一般大眾、政府承辦人員、初學者
優點	結構清楚、便於專業人員依「圖資類型」或「資料來源」快速搜尋資料便於系統資料維護與分工管理	根據任務場景整合圖資，貼近實際應用需求篩選效率高，省去繁瑣搜尋操作直覺，同時降低學習門檻
缺點	專有名詞繁多，對初學者不友善面對大量圖層時難以快速篩選出實用圖資	對部分非常專業的進階查詢需求，仍可能要回到一般圖資分類情境主題建置所需時間遠超過一般圖資分類主題情境主題須隨著時下熱門議題進行新增或修改，方能滿足使用需求

Kevin 劉瀚文

眾多Kevin中的其中一位，持續扮演探索GIS奧妙的神奇寶貝訓練家兼PM。

Ian 黃奕鈞

喜愛到各地旅遊、品嘗異國料理。

The post 圖資太多不知從何下手？試試情境主題分類 first appeared on RiChi.

用數據描繪理想步行空間：尋找都市綠徑

Public Relations — Tue, 25 Nov 2025 01:10:19 +0000

2025/11/25 | No.0207期 | Jessie 李品潔 X Sandy 蔡宜芝

在高密度的都市環境中，步行不僅是一種移動方式，更是一種貼近城市與感受生活的方式。近年來，隨著交通、永續城市與健康生活等議題受到重視，都市中的「好走空間」逐漸被重新檢視與重視。然而，什麼樣的路線會讓人願意放慢腳步、多走幾步？除了筆直平坦的道路，是否還有其他關鍵條件？

本研究希望跳脫單一面向的理解，透過多項空間資料與環境資訊，以數據分析的方法描繪出那些既便利又舒適的高品質步行路徑，讓市民在日常移動中也能感受到城市的宜居與美好。

運用資料介紹

本次分析運用了三種資料，分別是 POI(Point of Interest，興趣點)、植生綠覆資料與人行道圖資。

	資料來源	特色介紹
POI 資料	瑞竣科技-重要地標	篩選出與日常生活及休閒活動密切相關的五大類型—逛街購物、休閒娛樂、餐飲小吃、觀光旅遊與各級學校，以點位資呈現，藉此描繪人行道周邊的生活機能與環境豐富度
植生綠覆資料	瑞竣科技-WorldView-2衛星影像	本研究利用 WorldView-2衛星影像，透過其多光譜波段計算植生指標(NDVI)。當NDVI值超過預設門檻值時，影像區域即被識別為植生區，從而萃取出植生綠覆資料。這些資料以面狀資料形式呈現，不僅能量化人行道上綠蔭的分布與覆蓋程度，更能進一步反映步行環境的舒適性
人行道圖資	內政部國土管理署-人行道資料	承載步行動線的空間範圍(面資料)，代表著市民實際步行所使用的區域

研究方法

本研究以大眾運輸發展完整的臺北市為分析對象，以人行道為分析主體，並透過兩項指標進行量化分析。首先，藉由統計人行道周邊 10 公尺環域內的POI(地標)數量，POI 密度越高，代表生活機能與環境豐富度越高，也代表著該路段更能吸引步行者前來散步、駐足。其次，我們計算人行道上由植栽產生的綠植陰影面積佔比，此指標能直接反映人行道上可供遮蔭的面積多寡，對於提升夏季步行的舒適度至關重要。

▲ POI、人行道與綠覆

▲ 人行道10m環域範圍與POI

然而，因POI密度與綠覆比例的單位與數值範圍截然不同，單純計算出兩者數值並不足以直觀比較、進行交叉分析，為了讓這兩個不同面向的指標能夠被納入同一分析架構中，小瑞團隊想起了過去考基測排序的依序，進一步導入百分等級(Percentile Rank, PR 值)進行標準化(Normalize)，將不同維度的指標轉化為可比較的尺度，最終得以描繪出兼具生活機能與自然綠意的高品質散步環境。

▲ 臺北市與捷運士林站周邊人行道舒適度與綠覆分析

除了捷運站周邊，臺北市還有許多舒適的散步路線

最終研究發現，許多高分路線多集中在捷運站沿線，這些區域聚集許多有吸引力的POI，能夠有效吸引人潮並創造活動。除此之外，筆者們特別挑選出8條私房路線，不僅具有豐富的 POI外，沿途植生覆蓋率也相當高，能提供舒適的自然遮蔭，讓不喜歡曬太陽的人也能輕鬆享受戶外時光。

路線	步行時間	介紹
一、士林官邸段	20分鐘	從雨農路出發，沿著官邸特有的日式庭園圍牆漫步，感受歷史氛圍。經過福林公園綠地後轉入街區巷弄，沿途穿插在地小店與住宅風景，適合想擁有多元散步體驗的你
二、北安路段	25分鐘	從北安國中步行到八二三砲彈公園，兩旁高聳的行道樹形成天然綠廊，車流較少的街道環境，營造出悠然自得的散步氛圍，適合嚮往靜謐時光的獨行者
三、建成圓環段	15分鐘	從鄭州路、重慶北路出發，經過充滿歷史感的建成圓環，一路延伸到寧夏夜市。這條路線沿途盡是在地美食，處處飄香，適合鍾愛老城滋味的美食家
四、民生社區段	25分鐘	從敦化北路往東走，整齊的行道樹形成綠蔭成廊，漫步至民生社區圓環。這裡除了舒適的林蔭大道，還有許多文青咖啡店和特色小店，適合喜歡慢活步調的你
五、榮星花園	20分鐘	從行天宮出發，沿著林蔭步道漫步至榮星花園，最後抵達敦北公園。巷弄間藏著老宅改建的獨立書店與咖啡館，結合了信仰、綠意與文藝氣息，推薦給想沉浸在人文與自然中的你
六、師大和平東路段	25分鐘	從師大校門口往東，沿和平東路走到科技大樓站。這條路線商家林立，有不少特色餐廳、書店和服飾店，適合熱衷於探索巷弄的漫遊者
七、大安森林公園外圍	30分鐘	沿著大安森林公園外圍漫步，擁有最佳的綠蔭享受。寬敞的人行步道搭配茂密的樹蔭，是都市中難得的綠意天堂，推薦給嚮往森林療癒的都市人
八、台大北側外圍	15分鐘	從基隆路三段往西行，沿著台大校園北側的紅磚圍牆前進，兩旁高大的樟樹與榕樹形成綠蔭步道，與書店、咖啡館相輝映，推薦給在都市中尋覓詩與遠方的旅人

▲ 私房步行路線與捷運站沿線散步地圖

透過資料整合與標準化分析方法，有效建立可量化的步行環境指標，協助我們更客觀地理解都市空間，也讓日常的移動選擇不再只是距離最短、交通最快的選項，而能成為一段段與城市對話、親近自然的美好散步旅程。

更多有趣的地圖資訊都在「地圖新鮮事 RiChi」，馬上Follow

Jessie 李品潔

任職於應用系統事業部，喜歡嘗鮮、熱愛冒險，是個富有正義感的女子，想追夢環遊世界!

Sandy 蔡宜芝

任職於應用系統事業部，喜歡到處吃吃喝喝，不能沒有飲料與咖啡陪伴的人。

The post 用數據描繪理想步行空間：尋找都市綠徑 first appeared on RiChi.

【最新消息】馬太鞍堰塞湖現況

Elsie Chang — Fri, 26 Sep 2025 00:19:08 +0000

2025/09/25 | 最新消息 | Arokh 黃任薇

自馬太鞍堰塞湖溢流後，湖水面積已明顯縮小。災後天候多雲霧，但透過假色影像的光譜特性，可有效降低大氣干擾，協助辨識水體與濕土等地物。

比較災前(9/20)與災後(9/25)的Planet衛星影像，湖水面積由85.4公頃，銳減至7.4公頃。根據林保署的資訊，湖水蓄積量僅剩約1300萬噸，為原本的15％，不過當地地質仍不穩，所以堰塞湖仍維持紅色警戒。

▲ 部分影像被雲層遮蔽，計算結果僅供參考。

更多有趣的地圖資訊都在「地圖新鮮事 RiChi」，馬上Follow

Arokh 黃任薇

任職於空間圖資事業部，有著藝術家的眼光及創意隨想，喜歡用手沖咖啡開啟美好的每一天。

The post 【最新消息】馬太鞍堰塞湖現況 first appeared on RiChi.

【最新消息】花蓮光復災後高解析度光學影像

Elsie Chang — Thu, 25 Sep 2025 08:59:58 +0000

2025/09/25 | 最新消息 | Arokh 黃任薇

花蓮光復災後高解析度光學影像：今天花蓮終於撥雲見日了，MAXAR 50公分的高解析度衛星，於今天(9/25)早上8點18分順利拍到花蓮光復鄉的影像了！這也是光復市區災後第一張光學影像。

比對災害前後期的影像，馬太鞍溪河道明顯變寬，雖然市區的水已經退去，但仍有大面積的泥巴所覆蓋，這提醒我們災後重建的重要性和緊迫性。隨著天氣好轉，當地居民及相關單位仍在正在努力清理受災區域，希望花蓮能夠早日恢復往日的美麗與生機。

更多有趣的地圖資訊都在「地圖新鮮事 RiChi」，馬上Follow

Arokh 黃任薇

任職於空間圖資事業部，有著藝術家的眼光及創意隨想，喜歡用手沖咖啡開啟美好的每一天。

The post 【最新消息】花蓮光復災後高解析度光學影像 first appeared on RiChi.

【最新消息】馬太鞍堰塞湖溢流後第一張雷達影像

Elsie Chang — Thu, 25 Sep 2025 01:40:35 +0000

2025/09/24 | 最新消息 | Sally 楊皓雲

馬太鞍堰塞湖溢流後第一張雷達影像：樺加沙颱風來襲，導致馬太鞍堰塞湖於9/23下午2點50分發生溢流，洪水造成花蓮光復鄉發生嚴重災情，南北重要交通要道馬太鞍橋也被沖毀。感謝Synspective公司的即時協助，讓我們能夠於台灣時間9/24凌晨12點44分取得災後第一張雷達影像，以快速掌握災害擴及範圍及現況。

雷達衛星(SAR)能主動向地表發射電磁波，並接收反射回來的訊號強度以成像，不受到日夜與天候的限制，可以24小時監控地表狀況，是災害前後重要的助手！從影像中我們可以看到，馬太鞍溪河道中呈現反射訊號(backscatter)較強的亮光，且形狀呈現條狀，主要是因為泥石流正在流動中；而在光復市區的積水處，則呈現反射訊號較弱的暗光。

後續我們也將續持協調各衛星原廠，並利用獲得的影像資料，協助進行災害的搜救工作及後續的重建計畫。天佑花蓮！

▲ 本文雷達影像尚未經嚴謹校正，受地形壓縮效應影響，山區堰塞湖有背向陰影和變形狀況。

更多有趣的地圖資訊都在「地圖新鮮事 RiChi」，馬上Follow

Sally 楊皓雲

任職於空間產品事業部，樂於從空間、地圖及影像中探索新知，喜歡大自然的單純及美好，目標是把生活過得充實又快樂。

The post 【最新消息】馬太鞍堰塞湖溢流後第一張雷達影像 first appeared on RiChi.