都市土地的使用是引發都市環境變遷的重要驅動力。運用推估模式的建置持續監測都市土地變遷，得以增加環境衝擊時的因應能力。卷積長短期記憶網路ConvLSTM具有對時空特徵的存儲與記憶能力，適合對未來的空間配置進行推估。考慮到ConvLSTM模型架構在土地使用變遷領域中對土地使用變遷的推估尚未對模型有著正式的適合性探討，本研究以遙測衛星影像萃取出多時期都市土地覆蓋類別作為研究資料，設計並訓練出一套推估都市土地覆蓋變遷的卷積長短期記憶網路模型，同時萃取不同衛星資源的衛星影像對訓練好的模型進行驗證，評估模型是否具有良好的穩健特性。最後預測對2022上半年度的土地覆蓋推估整體準確率為74%，認定該模型適合應用於建置都市土地覆蓋變遷推估模式上，期待給予後續研究一定的啟發，並能在往後透過土地覆蓋變遷推估模式的建置對都市地區進行輔助模擬與監測，達到都市化發展中決策輔助的效果。

Urban land use is an important driving force for urban environmental changes. Using the prediction model to continuously monitor urban land changes can increase the ability to respond to environmental shocks. The Convolutional Long Short-Term Memory network has the ability to store and memorize spatiotemporal features, suitable for predicting future spatial pattern. Considering that the ConvLSTM model architecture has not yet discussed the suitability of the model for the prediction of land use change in the field of land use change formally, this study uses satellite images to extract multi-period urban land cover categories as research data. A set of ConvLSTM network models for predicting urban land cover changes. At the same time, satellite images of different satellite resources are extracted to verify the trained model and evaluate whether the model has good robust characteristics. Finally, it is predicted that the overall accuracy rate of land cover estimation in the first half of 2022 is 74%, and it is determined that the model is suitable for the establishment of urban land cover change prediction models. which can assist in the simulation and monitoring of urban areas, so as to achieve the effect of decision-making assistance in urbanization development.

尹孝元、梁隆鑫、陳錕山、黃珮琦（2010）。衛星影像於國土變異監測之應用。 Journal of Photogrammetry and Remote Sensing, 15（1），65-78。
江介倫、張世駿、蘇元風、鄭克聲、范正成（2010）。比較紋理特徵及多時段光譜特徵對分類正確率之改善。Journal of Chinese Soil and Water Conservation。 41（1），1-13。
行政院經濟建設委員會（2012）。國家氣候變遷調適政策綱領。
吳振發、林裕彬（2006）。汐止市土地利用時空間變遷模式。Journal of City and Planning。33（3），231-259。
李宗霖、宋憶萍、黃奇鍊、黃清哲（2012）。類神經網路預測2020年台灣海域海平面變遷之研究。第 34 屆海洋工程研討會論文集，國立成功大學。
李俊霖（2009）。全球氣候變遷與空間政策之地景變遷與社經代謝作用衝擊。行政院國家科學委員會專題研究計畫。
李培芬（1993）。遙測和地理資訊系統在生態學研究之應用。生物科學，（36），101-111。
周天穎、郭靜怡（2005）。應用空間排列法於都市土地利用判釋之研究。Journal of Photogrammetry and Remote Sensing，10，225-238。
周天穎、簡甫任、雷祖強（2003）。都市地區土地利用變遷量化分析之研究。 Journal of Photogrammetry and Remote Sensing，6（1），105-130。
林才添、鄭祈全、王素芬（2010）。遙測技術於台北市土地覆蓋變遷之研究。Journal of Photogrammetry and Remote Sensing，15（2），141-153。
林文賜、林昭遠、黃碧慧、周文杰（2008）。應用類神經網路及模糊理論於崩塌地萃取模式建立之研究。Journal of Chinese Soil and Water Conservation，39（1），1-9。
林裕彬、林允斌、王彥覃（2008）。台北都會區土地使用變遷模式之研究–子計畫一：土地利用變遷與政策之互動影響分析–空間統計模式。（II）。
陳怡睿、謝舜傑、陳景文、倪柏寧（2010）。基因演算法自動演化類神經網路應用於山崩災害之評估。中華水土保持學報。41（1），95-110。
陳建元、游繁結、羅俊雄、陳天健、李文正（2005）。細胞自動機的介紹及其在土石流災害模擬的初步應用，Journal of Chinese Soil and Water Conservation，36（3）， 293-300。
陳偉文、卓柏漢、林莉珊（2020）。火龍果與荔枝航照影像判釋：運用卷積神經網路影像辨識技術與作物特徵萃取分類演算法。Journal of Photogrammetry and Remote Sensing。25（1），25-38。
馮豐隆、廖亞禎（2003）。校園土地利用之地景變遷：以國立中興大學為例。
黃欣雅（2019）。遙測影像運用於東沙環礁棲地變遷監測及水深估計之研究。海洋國家公園管理處研究生進行專題研究計畫。中央大學。
楊明德、劉益誠、張騏顯（2008）。應用衛星影像於石門水庫水質優養監測。第17屆水利工程研討會，台中。
楊婉如（2005）。應用SPOT影像進行金門島土地覆蓋變遷監測–1995年、2000年、2001年。國家公園學報，15（2），1-15。
鄒克萬、張曜麟（2004）。都市土地使用變遷空間動態模型之研究。 Journal of Photogrammetry and Remote Sensing，35，35-51。
鄒克萬、黃書偉（2007）。都市土地使用變遷對自然環境衝擊之空間影響分析。地理學報（TSSCI），1-18。
劉正千、陳培殷（2019）。應用人工智慧結合紅色地圖判釋集水區內地質災害潛勢。國立成功大學全球觀測與資料分析中心。
鄭書青、黃玉霖（2002）。台灣新市鎮開發課題之調查與研究 (Doctoral dissertation)。
賴啟宇（2015）。以馬可夫細胞自動機模擬都市變遷對環境的衝擊：以台中市為例。
賴進貴、葉高華、王韋力（2004）。土地利用變遷與空間相依性之探討：以臺北盆地聚落變遷為例。臺灣地理資訊學刊，（1），29-40。
顏子揚、馮正民、林楨家（2005）。捷運沿線土地使用變遷模擬模式之建構與應用（Doctoral dissertation）。
顏啟峯、張國楨（2015）。基隆河土地覆蓋時空變遷分析：以第二次截彎取直計畫範圍內為例。地理研究。（62），71-90。
Cao, C., Dragićević, S., & Li, S. (2019). Short-term forecasting of land use change using recurrent neural network models. Sustainability, 11(19), 5376.
Carmelo Riccardo Fichera1 , Giuseppe Modica1 and Maurizio Pollino, 2012, Land Cover classification and change-detection analysis using multi-temporal remote sensed imagery and landscape metrics, p.6
De Teyou, G. K. ConvLSTM for Spatio-Temporal Feature Extraction in Time-Series Images.
Dzeroski, S., Kobler, A., Gjorgjioski, V., & Panov, P. (2006). Using Decision Trees to Predict Forest Stand Height and Canopy Cover from LANDSAT and LIDAR Data. In EnviroInfo (pp. 125-133).
Fichera, C. R., Modica, G., & Pollino, M. (2012). Land Cover classification and change-detection analysis using multi-temporal remote sensed imagery and landscape metrics. European journal of remote sensing, 45(1), 1-18.
Gong, C., Qi, L., Heming, L., Karimian, H., & Yuqin, M. (2017). SPATIO-TEMPORAL SIMULATION AND ANALYSIS OF REGIONAL ECOLOGICAL SECURITY BASED ON LSTM. ISPRS Annals of Photogrammetry, Remote Sensing & Spatial Information Sciences, 4.
Interdonato, R., Ienco, D., Gaetano, R., & Ose, K. (2019). DuPLO: A DUal view Point deep Learning architecture for time series classificatiOn. ISPRS journal of photogrammetry and remote sensing, 149, 91-104.
Jia, X., Khandelwal, A., Nayak, G., Gerber, J., Carlson, K., West, P., & Kumar, V. (2017, August). Incremental dual-memory lstm in land cover prediction. In Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 867-876).
Li, Y. (2021, March). Time-series prediction model of PM2. 5 concentration based on LSTM neural network. In Journal of Physics: Conference Series (Vol. 1861, No. 1, p. 012055). IOP Publishing.
Okwuashi, O., McConchie, J., Nwilo, P., Isong, M., Eyoh, A., Nwanekezie, O., ... & Ekpo, A. D. (2012). Predicting future land use change using support vector machine based GIS cellular automata: A case of Lagos, Nigeria. Journal of Sustainable Development, 5(5), 2.
Sokal, R. R. (1974). Classification: Purposes, principles, progress, prospects. Science, 185(4157), 1115-1123.
Turner, B., Moss, R. H., & Skole, D. L. (1993). Relating land use and global land-cover change.
Wang, C. Y., & Lee, S. J. (2021). Regional Population Forecast and Analysis Based on Machine Learning Strategy. Entropy, 23(6), 656.
Xingjian, S. H. I., Chen, Z., Wang, H., Yeung, D. Y., Wong, W. K., & Woo, W. C. (2015). Convolutional LSTM network: A machine learning approach for precipitation nowcasting. In Advances in neural information processing systems (pp. 802-810).
Zhang, J., Zhu, Y., Zhang, X., Ye, M., & Yang, J. (2018). Developing a Long Short-Term Memory (LSTM) based model for predicting water table depth in agricultural areas. Journal of hydrology, 561, 918-929.
潘國樑（2009）。遙測學大綱：遙測概念、原理與影像判釋技術(第二版)。科技圖書
人工智慧與類神經網路簡介網頁。檢自http://w3.uch.edu.tw/cwhuang/aihw/ai59011001.htm (July. 25, 2021)。
胡淑惠。行政院農業委員會網頁，統計與出版品，航遙測技術於崩塌地判釋上之應用。檢自https://www.coa.gov.tw/ws.php?id=2446490 (August. 4, 2021)。
國立中央大學太空及遙測研究中心網頁，衛星介紹- Landsat。檢自https://www.csrsr.ncu.edu.tw/rsrs/satellite/Landsat.php (July. 25, 2021)。
國立中央大學太空及遙測研究中心網頁，衛星介紹- SPOT。檢自https://www.csrsr.ncu.edu.tw/rsrs/satellite/SPOT.php (July. 25, 2021)。
新北市政府地政局網頁，林口新市鎮第三期(三、四區)市地重劃區（2021）。檢自https://www.land.ntpc.gov.tw/cp.aspx?n=8819 (July. 20, 2021)
新北市政府網頁，林口工一市地重劃（2021）。檢自http://www.asia-survey.com.tw/linkou/project.php (July. 20, 2021)。
藍硯琳（2019）卓越雜誌網站。同樣是重劃區　林口怎麼發展？。檢自http://www.ecf.com.tw/tw/article/show.aspx?num=376&authors=%E8%97%8D%E7%A1%AF%E7%90%B3 (July. 25, 2021)。
魏國彥、徐晃雄。全球環境變遷導論網頁，台灣大學全球變遷研究中心。檢自http://gis.geo.ncu.edu.tw/gis/globalc/index.htm (August. 4, 2021)。
I code so I am（2017）。 iT邦幫忙。長短期記憶網路(Long Short Term Memory Network, LSTM)。檢自https://ithelp.ithome.com.tw/articles/10193678 (July. 20, 2021)。
Planet Developer Resource Center (2020), Planet Scope. Retrieved from https://developers.planet.com/docs/data/planetscope/。
Video Classification in Keras using ConvLSTM (2020). Thebinarynotes. Retrieved from https://thebinarynotes.com/video-classification-keras-convlstm/。