先驗證演算法，再擴大分析

目前公開結果

仍使用原先 RGB 綠色像素候選，僅約5.73公頃，不是松山＋信義全區。它可能包含草地、樹冠與綠色人工物，會漏掉陰影與偏黃的植被。屋頂偵測尚未實作；沒有候選不表示沒有屋頂。擴區與新影像下載暫停。

研究後的技術方向

1. 植被候選：比較正規化綠度、輕度邊緣保留平滑、局部鄰域支持及陰影／未知處理，保留原版作對照。這些仍不能可靠區分樹與草。Otsu、自動分區或模糊化都不自帶植物語意。
2. 樹冠：優先建立本地逐像素標註，再評估小型 U-Net 語意分割。DeepForest 輸出樹冠框，框面積不能冒充樹冠面積；SAM 產生形狀遮罩，不會自動證明物件是樹。
3. 鐵皮屋：先分割可見屋面，再以有可靠材料標籤的樣本訓練分類與拒判。不能用非綠色補集、屋頂顏色或建物基底直接證明金屬材質。承重、防水、平坦度及植栽適宜性另需資料。

第一輪實驗：未通過採用門檻

在相同12張既有快取影像上，首個較嚴格的正規化色彩版本將約83.64%像素列為未知，並大幅減少候選。這不是精度改善，因此不替換公開基線。第二版保留全部18,105個原候選像素，藉局部弱綠支持增加1,563個像素；沒有人工真值，增加不等於找對，仍不替換公開結果。這是全圖磚像素統計，不是行政界裁切後的樹冠面積。

已實作混淆矩陣、precision／recall／F1／IoU、未知排除與空間隔離切分工具；合成測試只驗證程式，不代表真實辨識精度。尚無人工對照真值，因此目前實際精度與最佳參數均未知。像素增加或減少都不是正確率。

下一步需在同區建立可辨樹冠、其他植被、非植被及不可判讀標註，將同一樹冠／屋頂與鄰接區塊隔離於訓練、調參與測試集合；分開評估陰影、小樹及綠色屋頂，並比較3㎡過濾前後與面積偏差。資料不足以獨立測試時，不宣稱可泛化到全市。

可核對的國內外依據

• Chang等，2016：LiDAR樹冠界定精度評估。臺灣作者研究；需LiDAR／冠高模型，不能直接套為RGB-only效果。
• 臺灣石綿水泥浪板製圖研究，2022。本輪讀取出版者摘要／題錄，未取得全文；使用可靠材料樣本及SVM／CNN等方法。研究對象不是鐵皮，不能引用為本產品精度。
• 臺灣UAV屋頂研究，2023。本輪僅取得摘要／題錄，需UAV／DSM等資料；法律身分不能由本產品影像推定。
• U-Net，2015：分割架構參考，原作不是臺北航照模型。
• DeepForest官方文件：RGB樹冠物件偵測。
• SAM官方程式與模型說明：適合輔助標註，遮罩沒有材料／樹種語意。
• SLIC等分割方法比較、形態學處理：分區與補洞可能改變小物件及面積，須做消融驗證。
• 加勒比海屋頂材料分類：基於已提供的建物多邊形，不是臺北現成鐵皮偵測器。

文獻、程式、權重與訓練資料須各別核對授權；本輪未下載模型或安裝訓練環境，外地成果不能當成本地精度。

影像與發布限制

©內政部國土測繪中心 PHOTO2；圖層版本與浮水印不等於拍攝日期。原始拍攝日期及原生GSD未知，縮放取樣尺度不等於原始解析度。RGB沒有近紅外，不能計算NDVI。沒有高度資料，不能推定冠高、平屋頂或承重。本頁不散布原始影像、私有拼圖或新增衍生幾何。