∥ 
∥ 中研院 ∥ 人社中心 ∥ 繁體中文 ∥ English
本專題中心同仁發表國際期刊論文一篇
本專題中心詹大千研究員、廖泫銘研究副技師、蘇文榮專案經理、呂祥熙工程師、陳宥亘工程師，與國立中央大學太空及遙測研究中心黃春嘉助理教授、國立臺灣大學土木工程學系許謹柔博士生共同組成跨校研究團隊，運用深度學習技術進行歷史黑白航照影像上色與土地覆蓋辨識，研究成果近日發表於國際期刊《Geocarto International》。
高解析度歷史航照影像是分析長期土地覆蓋與環境變遷的重要資料來源，但目前針對航照影像語意分割的深度學習模型主要都是針對多光譜或彩色影像，對大量保存於歷史檔案中的灰階航照影像，仍難以充分發揮其應用價值。本研究提出一套「語意引導（semantic guidance）」的航照影像上色方法，以 OpenEarthMap 土地覆蓋標註資料作為語意資訊，分別結合 Pix2pixHD 與 Hyper-U-Net 深度學習模型，使模型在進行黑白影像上色時，同時將不同土地覆蓋類型的空間與語意特徵納入考量。
研究比較五種模型後發現，加入土地覆蓋標籤的 Hyper-U-Net + Label 在後續影像分割任務中表現最佳，平均交並比（mean IoU）達 0.5296、平均 F1-score 達 0.6738，成果已接近真實彩色影像；另一方面，Pix2pixHD + Label 所產製的上色成果，則在514位受測者參與的線上視覺評估中，被認為具有最佳的影像真實感。研究進一步將模型應用於臺灣1980年代歷史黑白航照。結果顯示，經過上色處理後，土地覆蓋分類的整體準確率由 0.4599 提升至 0.6673，平均 IoU亦由 0.2602 提升至 0.4274，顯示語意資訊不僅能提升歷史航照上色的視覺合理性，也能顯著改善後續土地覆蓋辨識與影像分析的成效。
這項研究顯示，結合語意資訊與生成式影像技術，可以進一步串聯過去累積的大量黑白歷史航照檔案與現代AI地理空間分析方法，讓原本主要用於人工判讀的歷史影像，轉化為可供機器學習分析的重要時空資料，進而提升長期土地覆蓋與環境變遷研究的可靠性與應用潛力。
Lu, H. H., Chen, Y. H., Su, W. R., Liao, H. M., Huang, C. J., Hsu, C. R., & Chan, T. C. (2026). Developing deep-learning models guided by semantics to colorize historical grayscale aerial imagery for land-cover classification. Geocarto International, 41(1).