肆、地政司AI運用於智慧國土之推動成果 

        臺灣都市化快速，城鄉發展差異與空間治理挑戰並存。都市更新需要即時掌握建物狀況，農村則需監測土地利用與水土保持。另一方面，颱風、地震與豪雨頻繁發生，更凸顯 AI 技術於災害防救中之應用價值。從國土規劃、防災韌性到智慧交通，皆需要更高解析度與動態更新的空間資料，而 AI 正好能補足傳統測繪方法在時效性與規模上的不足，並能支援更科學化的城鄉發展決策。以下分別介紹地政司歷年AI技術於製圖、地形監測及智慧交通應用之推動成果，並且彙整相關標記資料庫供各界加值應用，降低AI發展門檻。 

1. AI運用於製圖應用成果 

(1)房屋邊界擷取及變遷偵測之智慧判識技術 

        房屋邊界及變遷情形為相關圖資更新維護之重要工作之一，為了發展快速更新技術，地政司111年起導入AI技術發展房屋邊界擷取及變遷偵測技術，使用新竹縣市之航測影像及臺灣通用電子地圖的建物圖層，包含2017及2019年的航空影像及數值地表模型、23幅臺灣通用電子地圖圖幅，其中22幅設定為訓練與驗證用、另1幅為獨立檢核資料，以UNet Former演算法進行，完成新竹縣市房屋變遷偵測試辦，研究成果顯示，拆除類別精度可達80%，不變類別精度達99%。房屋變遷偵測成果展示如圖1所示，可看出前後期影像，地真資料與房屋邊界變遷成果，後續可應用於大範圍房屋變遷偵測。 

(a)2017年影像                                    (b)2019影響

(c)地真標籤                                     (d)變遷偵測成果

(e)變遷單元評估 

圖1、房屋變遷偵測成果展示 

資料來源：112年度三維國土形變及空間智能分析技術發展工作案期末報告書 

        接著利用新竹市東區2017年、2020年、2023年拍攝之航遙測影像及數值地形模型與對應74幅1/1,000數值地形圖房屋多邊形資料，以TransUNet深度學習模型進行房屋變遷偵測，架構示意圖如圖2所示。研究成果顯示，完成大比例尺數值地形圖房屋變遷偵測試辦，拆除類別辨識精度可達80%、新建類別辨識精度可達73%、不變類別辨識精度可達99%。新建類別辨識成果較差原因為遮雨棚在前期1/1,000數值地形圖未被列為房屋範圍，造成新建類別有大量漏授的情形發生。另外將房屋邊界轉換成向量檔：以利後續圖資更新作業，成果示意圖如圖3所示。相關研究成果可作為產製地形圖時，房屋邊界擷取及快速尋找變異區域之重要工具，提升製圖效能。 

圖2、TransUNet深度學習模型架構示意圖 

(a)2020年影像與偵測變遷區域                 (b)2023年影像與變遷區域 

資料來源: 113年度運用人工智慧發展三維國土測繪技術及應用工作案期末報告書 

(2)人孔蓋智慧辨識技術 

        以Mask-RCNN深度學習模型進行人孔物件偵測，共分為三個類別：水溝蓋(drainCover)、道路區間之孔蓋(holeCover)與非道路區間之孔蓋(holeCover2)，如圖4所示。使用新北淡海、臺中水湳地區之解析度為2公分之無人機影像，以此完成人孔蓋智慧辨識試辦，並將人孔完成向量檔輸出，辨識精度可達80%，圖5為人孔智慧辨識成果示意圖，可看出AI自動偵測結果。進一步以e-GNSS現場測量進行絕對精度驗證，以現地測量視為基準，與智慧辨識成果進行人孔形心差異量比較，平面精度均方根誤差皆小於10cm；高程精度上的均方根誤差皆小於20cm。後續可應用於輔助人孔圖徵測繪，自動化檢測既有圖資人孔的變異分析，以局部更新變異人孔，提升製圖效能。

圖4、人孔蓋辨識類別 

(a)無人機正射影像                 (b)人工數化之人孔多邊形

(c)人工智慧預測結果                 (d)人工智慧預測結果經向量化

圖5、人孔智慧辨識成果示意圖 

資料來源: 112年度三維國土形變及空間智能分析技術發展工作案期末報告書 

(3)道路標線半自動化製圖工具 

        近年配合交通部智慧道路智慧化發展，如：自駕車、車聯網、智慧運輸等相關應用，對於道路三維空間資訊需求日益重視，地政司利用測繪車收集道路環境之影像及點雲資料，影像使用YOLOACT模型及點雲資料使用PointPillars模型，完成道路標線半自動化產製工具開發，並於臺灣智駕測試實驗室、台39路段、國道1號路段、國道3號路段進行資料蒐集與工具測試，以此了解工具效能。成果如圖6所示，可成功萃取虛線與實線之車道線，並以SHP格式輸出，相關成果已提供測繪業產製圖資應用，有助於提升圖資生產效率，節省30%以上產製時間。後續將整合多源感測資料與導入影像AI模型輔助辨識，提升數位道路圖資特徵的萃取效率與準確性，以此加速圖資產製及後續更新維護，迎合智慧交通應用需求。 

圖6、半自動化生產工具於(1)臺灣智駕測試實驗室、(2)台39路段、(3)國道1號路段、(4) 國道3號路段萃取成果 

資料來源：113至114年度高精地圖標準及智慧測繪技術發展工作案第3期成果報告書 

2. AI運用於地形監測應用成果 

        因應臺灣災害發生頻繁，邊坡監測及管理工作是政府單位重要業務，為快速獲得邊坡變遷情形，地政司發展邊坡地物類別變遷偵測技術，可提供相關單位快速獲取邊坡情形，作為管理機制之參考依據。本技術使用臺灣南部山區的荖濃溪流域2016、2022年前後期SPOT-6/7光學影像與空載光達及SPOT立體對數值地表模型，結合R、G、B、Nir與Elevation共5種資料，以光學影像進行裸露地辨識，再透過前後期影像的裸露地變化與地形高程變化判定是否為崩塌地，使用ResUNet與ConvLSTM模型框架進行深度學習訓練，分類之類別包含無變化、裸露地、崩塌地、復原地四類，完成光學衛星影像邊坡地物類別變遷分析試辦，邊坡地物類別變遷偵測成果如圖7所示。研究成果顯示，裸露地精確度可達91%，新生崩塌精確度為78%，復原地精確度為67%。後續可輔助規劃全臺崩塌地圖，提供邊坡地物類別參考，以便提供相關單位管理邊坡情形並繪製相關圖資。 

(a)檢驗區域(2016)                  (b)檢驗區域(2022) 

(c)預測成果                   (d)地真資料 

資料來源: 113年度運用人工智慧發展三維國土測繪技術及應用工作案期末報告書