114 年 國立政治大學地政學系碩士班土地測量與空間資訊組《地理資訊系統》

此題主要在探討虛擬實境、擴增實境、混合實境與延伸實境等技術，以及它們與地理資訊系統（GIS）的整合應用。

核心觀念：

• VR (Virtual Reality)：創造一個完全沉浸式的虛擬環境，使用者與現實世界隔絕。
• AR (Augmented Reality)：將虛擬資訊疊加到現實世界之上，增強使用者對現實世界的感知。
• MR (Merged Reality)：進一步融合了 VR 和 AR 的概念，虛擬物件不僅疊加在現實世界，還能與現實物件進行互動，並具備一定程度的空間感知能力。
• XR (Extended Reality)：一個總稱，涵蓋了 VR、AR、MR 以及介於兩者之間的各種混合技術，強調現實與虛擬的連續光譜。

解題步驟：

(一) 各技術定義與差異 (12%)

1. VR (Virtual Reality - 虛擬實境)：

   • 定義：透過頭戴式顯示器（如 VR 眼鏡）等設備，讓使用者完全沉浸在一個由電腦生成的虛擬環境中，隔絕現實世界。使用者可以透過互動裝置（如手把）與虛擬環境互動。
   • 特點：完全虛擬、高度沉浸感、隔絕現實。

2. AR (Augmented Reality - 擴增實境)：

   • 定義：將電腦生成的虛擬資訊（如圖像、文字、聲音）疊加到使用者所見的現實世界之上，以增強使用者對現實世界的理解和互動。常見於智慧型手機應用程式（如 Pokémon GO）或 AR 眼鏡。
   • 特點：虛擬資訊疊加於現實、不隔絕現實、增強現實。

3. MR (Merged Reality - 混合實境)：

   • 定義：被認為是 AR 的進階形式，虛擬物件不僅疊加在現實場景中，還能感知並與現實環境中的物體進行互動，例如虛擬球掉落在真實桌子上並反彈。它需要更複雜的空間感知和追蹤技術。
   • 特點：虛擬與現實高度融合、虛擬物件可與現實物件互動、具備空間感知。

4. XR (Extended Reality - 延伸實境)：

   • 定義：一個更廣泛的術語，涵蓋了 VR、AR、MR 以及介於兩者之間的各種技術。它指的是一個連續的光譜，從完全現實到完全虛擬，包含所有增強或取代現實的技術。
   • 特點：總稱，涵蓋 VR/AR/MR，強調虛實連續光譜。

差異總結：
VR 創造一個全新的虛擬世界；AR 是將虛擬資訊「加」到現實世界；MR 則是讓虛擬與現實「互動融合」；XR 則是這些技術的總稱。核心差異在於「沉浸程度」和「虛實互動性」。

(二) GIS 與上述技術的整合應用場景與方法 (18%)

1. 應用場景舉例：
   • 城市規劃與建築設計：
     • VR/MR：設計師和決策者可以在虛擬或混合實境中「走入」未來的建築或城市規劃模型，身臨其境地評估空間、採光、動線等。GIS 資料（如地形、現有建築、管線）可作為虛擬模型的基礎。
   • 災害管理與應急響應：

此題考驗對機器學習基本概念的理解，以及其在地理資訊系統（GIS）領域的具體應用。

核心觀念：

• 機器學習 (Machine Learning, ML)：是一種人工智慧（AI）的分支，讓電腦系統能夠從數據中學習，而無需明確編程。系統透過演算法識別數據中的模式，並利用這些模式做出預測或決策。
• GIS 應用：機器學習在 GIS 中可以解決複雜的空間問題，例如分類、預測、識別模式等，自動化許多傳統上需要人工處理的任務。

解題步驟：

(一) 機器學習的定義 (10%)

機器學習是一種電腦科學領域，它專注於開發能夠從數據中「學習」的演算法和模型。與傳統程式設計需要明確定義規則來執行任務不同，機器學習系統透過分析大量的數據樣本，自動識別數據中的模式、關聯性和趨勢。

其核心思想是：讓電腦從經驗（數據）中學習，並根據學習到的知識來改進其性能，而無需進行額外的、明確的程式設計。

機器學習的學習過程通常包括：

1. 數據收集與預處理：獲取與問題相關的數據，並進行清洗、轉換、特徵提取等操作。
2. 模型選擇：根據問題類型（如分類、迴歸、聚類）選擇合適的機器學習演算法。
3. 模型訓練：使用準備好的數據訓練模型，讓演算法找出數據中的模式。
4. 模型評估：使用獨立的測試數據評估模型的性能。
5. 模型部署與預測：將訓練好的模型應用於新的、未見過的數據，進行預測或決策。

機器學習主要可分為監督式學習（Supervised Learning）、非監督式學習（Unsupervised Learning）和強化學習（Reinforcement Learning）等。

(二) 機器學習在 GIS 中的應用情境舉例 (10%)

機器學習在 GIS 中具有廣泛的應用，能夠提升空間數據分析的效率與精度。以下舉例說明：

1. 土地覆蓋分類 (Land Cover Classification)：
   • 情境：利用衛星影像或航空影像，結合機器學習演算法（如隨機森林 Random Forest, 支持向量機 SVM, 卷積神經網絡 CNN），自動識別影像中的不同地物類別，如森林、農田、水域、建築物、裸地等。

本題旨在考察考生對生成式人工智慧（GenAI）的理解，以及其與地理資訊系統（GIS）結合的潛力與挑戰。

核心觀念：

• 生成式人工智慧 (Generative AI, GenAI)：一種能夠基於學習到的數據模式，生成全新的、原創內容（如文本、圖像、音訊、程式碼、甚至 3D 模型）的人工智慧。
• GIS 整合：將 GenAI 的內容生成能力應用於 GIS 的數據處理、分析、視覺化、應用開發等多個環節。

解題步驟：

(一) 生成式人工智慧 (GenAI) 的定義 (10%)

生成式人工智慧（Generative AI），簡稱 GenAI，是人工智慧領域的一個分支，其核心能力在於「創造」而非僅僅是「分析」或「識別」。GenAI 模型透過對海量數據（如文本、圖片、程式碼）進行訓練，學習數據的潛在分佈和模式，進而能夠生成全新的、原創的、與訓練數據相似但非複製的內容。

GenAI 的主要特點包括：

1. 內容生成：能夠生成各種類型的內容，如文章、詩歌、故事、程式碼、圖像、音樂、影片、3D 模型等。
2. 基於模式學習：模型的生成能力來自於對訓練數據中複雜模式的學習，而非預設的固定規則。
3. 靈活性與多樣性：生成的內容可以具備高度的多樣性和創造性，並能根據用戶的指令（Prompt）進行調整。
4. 代表性模型：如大型語言模型（LLMs，如 GPT 系列、BERT）、生成對抗網絡（GANs）、變分自編碼器（VAEs）等。

簡單來說，GenAI 就像一個能夠「思考」並「創作」的 AI，它能理解人類的指令，並根據這些指令「創造」出新的東西。

(二) GenAI 與 GIS 的整合、優點與限制 (15%)

1. GenAI 與 GIS 的整合舉例：

• 自然語言介面與查詢 (Natural Language Interface & Query)：

  • 整合方式：將 GenAI（特別是 LLMs）作為 GIS 軟體的自然語言處理前端。使用者可以用日常對話的方式向 GIS 系統提問，例如「顯示過去一年來台北市平均降雨量超過 50 毫米的區域」，GenAI 將自然語言轉換為 GIS 可執行的空間查詢語言（如 SQL、ArcPy 腳本、或特定 GIS 軟體的指令），並將查詢結果以自然語言或圖形方式呈現。
  • 例子：使用者輸入「給我看一下新竹市的土地利用類型分佈圖」，GenAI 識別出「新竹市」、「土地利用」、「分佈圖」等關鍵信息，並自動調用 GIS 軟體載入相應的數據和符號系統，生成地圖。

• 空間數據自動生成與增強 (Automated Spatial Data Generation & Augmentation)：

  • 整合方式：利用 GenAI 的圖像生成能力，從少量真實數據或規則描述中，生成合成的、但統計特徵與真實數據相似的空間數據。例如，生成虛擬的城市街景圖片、建築物模型，或模擬不同情境下的地物分佈。
  • 例子：為訓練其他 GIS 模型（如地物識別模型），GenAI 可以生成大量帶有不同光照、天氣條件的合成衛星影像；或者根據地圖上的道路網絡和建築輪廓，生成逼真的 3D 城市模型。

本題要求考生結合地理資訊系統（GIS）的專業知識，設計一個完整的應用流程，以應對大型跨年活動的控管需求，涵蓋數據的獲取、處理、分析到最終應用。

核心觀念：

• GIS 的空間分析能力：GIS 能夠整合、管理、分析和視覺化各種地理空間數據，提供決策支援。
• 活動管理的需求：大型活動需要精確掌握人流、車流、安全區域、緊急應變等信息，以確保活動順利進行和參與者安全。
• 完整的 GIS 工作流程：從數據的來源、清洗、整合、分析，到結果的呈現與應用。

解題步驟：

本題要求從「資料獲取、處理、分析、應用」四個面向說明，可依此架構來組織答案。

應用流程：利用 GIS 進行跨年活動控管

目標： 確保跨年活動期間參與者安全、人流與車流順暢、應變措施到位。

1. 資料獲取 (Data Acquisition)

• 活動場域地理空間數據：
  • 來源：現有 GIS 資料庫、高解析度衛星影像、航空影像、無人機（UAV）航拍影像、地形圖、建築物圖層、道路網圖層、管線圖層（電力、水源、瓦斯等）。
  • 目的：建立活動場域的基礎空間框架，標示出舞台、觀眾區、出入口、緊急通道、醫療站、廁所、交通管制區域等。
• 即時人流與車流數據：
  • 來源：
    • 手機信令數據 (Mobile Signaling Data)：透過電信業者提供的匿名化、去識別化信令數據，估計特定區域內的手機用戶數量，進而推斷人員密度。
    • Wi-Fi 探針數據：透過場域內部署的 Wi-Fi 探針，統計連接的設備數量。
    • 監控攝影機 (CCTV) 影像分析：利用 AI 影像辨識技術，統計特定區域的人數和車輛數量。
    • 交通流量感測器：針對進出活動場域的道路，獲取車流數據。
    • 入場憑證/票務系統數據：統計已入場人數。
  • 目的：掌握活動進行中的即時人潮和車流狀況，用於監控和預警。
• 安全相關數據：
  • 來源：警力、消防、醫護人員的即時位置（需經授權與匿名化）、緊急應變設備（如滅火器、AED）的位置、危險物品（如煙火施放區）的地理範圍。
  • 目的：確保應急資源能快速部署。
• 氣象數據：
  • 來源：氣象局提供的即時天氣預報（溫度、降雨機率、風速等）。
  • 目的：評估天氣對活動的影響，調整應變策略。

2. 資料處理 (Data Processing)

• 數據清洗與整合：
  • 人流/車流數據：處理信令、Wi-Fi、影像等數據，去除雜訊，進行去重和匿名化。將不同來源的數據轉換到統一的坐標系統和時間尺度。
  • 地理空間數據：檢查已有地圖數據的準確性，必要時進行更新（如利用 UAV 影像更新場域佈局）。將不同格式的數據（Shapefile, GeoJSON, Raster 等）轉換為 GIS 平台支援的格式。
  • 安全數據：將人員、設備的位置數據進行地理配準。
• 空間資料庫建立：將處理好的各類數據匯入到一個整合的 GIS 資料庫（如 PostGIS, ArcGIS Enterprise Geodatabase）中，方便後續查詢與分析。
• 建立活動區域模型：
  • 二維/三維模型：基於地圖數據和影像，建立活動場域的二維或三維空間模型，標示出不同功能區域（如管制區、限制區、安全疏散區、觀賞區、服務區等）。

3. 資料分析 (Data Analysis)

• 人流密度分析：
  • 方法：利用點密度分析（Point Density）、核密度分析（Kernel Density Estimation）等工具，基於即時人流數據，計算場域內各區域的人流密度。