國立台東大學資訊管理學系

畢業專題

Department of Information Science and Management Systems

National Taitung University

植樹碳紀錄管理平台：整合 AI 量測與區塊鏈存證

——以 SDG 15（陸域生命）永續林地管理與植樹造林為導向

Tree Planting Carbon Record Management Platform: Integrating AI Measurement and Blockchain

— Oriented to SDG 15 (Life on Land) Sustainable Forest Management and Afforestation

專題學生：陳冠名、張子俊、牛禹喬

指導教授：謝明哲　博士

Advisor: Ming-Che Hsieh, Ph.D.

中華民國116年7月

July, 2027

中文摘要

面對全球氣候變遷與碳排放治理的挑戰，植樹造林與再造林（Afforestation and Reforestation, A/R）被視為達成各國國家自主貢獻（NDCs）減碳目標的重要自然解方，亦是聯合國永續發展目標 SDG 15（陸域生命）的核心實踐途徑。然而，現行人工胸高直徑（DBH）量測方法費時費力，且缺乏具有法律效力的碳匯數據紀錄機制，使中小規模地主難以進入正式碳交易市場，形成制度與技術雙重障礙。

此專案採用設計科學研究法（Design Science Research Methodology, DSRM），建構一套植樹碳紀錄管理平台，整合三項核心技術支柱：其一，以薄透鏡公式為基礎的智慧型手機電腦視覺 DBH 量測引擎，提供主要量測路徑（Path A：參照物比例法）與備援路徑（Path B：薄透鏡比例法）；其二，動態加權移動平均修正因子（CF）自演進帳本，累積真實量測值後自動計算樹種特定修正係數；其三，Hyperledger Besu企業私鏈結合 CarbonCredit.sol 智能合約的區塊鏈存證機制。平台同步依據 Verra VM0047 碳方法學進行合規驗算，並以 Hevner 等人（2004）七項準則評估研究嚴謹性。

田野實驗量測 32 棵跨 14 樹種樣本，主要路徑（Path A）全樣本平均絕對誤差（MAE）為 7.86 cm，平均絕對百分比誤差（MAPE）為 30.07%（受三筆參照物自動識別失敗之離群樣本拉高）；剔除該三筆離群樣本後（n=29）MAPE 降至 20.86%，達成預設精度目標（MAPE ≤ 25%）；生產系統有效分析樣本（n=31）MAPE 為 15.6%、Verra 通過率 74.2%（23/31），為本平台對外正式精度數據。自演進修正因子機制累積 5 筆真實量測值後有效縮小 Path B 系統性偏差；32 筆量測資料全數成功上鏈並取得已確認狀態交易雜湊，驗證區塊鏈存證之不可篡改性。本平台可作為臺灣首件 Verra 林業碳匯認證申請的技術基礎，為 NDCs 政策架構提供具實證依據的碳匯計量與存證參考路徑。

關鍵字：植樹碳紀錄、AI 量測、區塊鏈存證、胸高直徑、碳匯、SDG 15、設計科學研究法

Abstract

As climate change intensifies, afforestation and reforestation (A/R) have emerged as critical natural-based solutions for meeting countries' Nationally Determined Contributions (NDCs) and advancing the United Nations Sustainable Development Goal 15 (SDG 15: Life on Land). However, conventional manual tree diameter at breast height (DBH) measurement methods are labor-intensive, and the absence of legally verifiable carbon sink recording mechanisms prevents smallholder landowners from participating in formal carbon markets.

This study applies the Design Science Research Methodology (DSRM) to develop a Tree Planting Carbon Record Management Platform integrating three technical pillars: (1) a smartphone-based computer vision DBH measurement engine grounded in the thin-lens formula, offering a primary path (Path A: reference-object ratio) and a backup path (Path B: thin-lens ratio); (2) a dynamic weighted moving average correction factor (CF) self-evolution ledger that automatically calibrates species-specific correction coefficients after accumulating actual measurements; and (3) a Hyperledger Besu enterprise blockchain attestation mechanism combined with the CarbonCredit.sol smart contract. The platform is validated against the Verra VM0047 carbon methodology and assessed using Hevner et al.'s (2004) seven criteria for design science research rigor.

Field experiments measuring 32 sample trees across 14 species demonstrated that the primary path (Path A) achieved a mean absolute error (MAE) of 7.86 cm and a full-sample mean absolute percentage error (MAPE) of 30.07%, inflated by three outlier samples whose handheld reference objects failed automatic recognition; excluding these three outliers (n=29), MAPE fell to 20.86%, meeting the preset accuracy threshold of MAPE ≤ 25%; and the production system's effective analysis set (n=31) achieved a MAPE of 15.6% with a Verra pass rate of 74.2% (23/31), which constitutes the platform's officially reported accuracy. The self-evolving CF mechanism effectively reduced systematic bias in Path B after accumulating five actual measurements. All 32 records were successfully committed to the blockchain with confirmed transaction hashes, verifying tamper-proof integrity. This platform provides a foundational technical infrastructure for Taiwan's first Verra forestry carbon credit application and offers an evidence-based carbon measurement and attestation pathway aligned with NDCs policy frameworks.

Keywords: tree planting carbon record, AI measurement, blockchain attestation, DBH, carbon sink, SDG 15, design science research

目錄

中文摘要 1

Abstract 2

第一章　問題識別與動機建構 3

1.1 研究背景與動機 4

1.2 研究問題 5

1.3 研究目的 6

1.4 研究方法架構 7

1.5 論文架構 8

第二章　文獻探討 9

2.1 林地碳匯背景與永續治理框架 10

2.2 胸高直徑量測方法文獻 11

2.3 電腦視覺量測原理與薄透鏡公式 12

2.4 AI 樹種辨識技術 13

2.5 碳匯量化標準與 IPCC 規範 14

2.6 區塊鏈於碳匯管理的應用 15

2.7 統計評估方法與設計科學研究法嚴謹性 16

2.8 碳匯共享價值與系統性變革框架 17

2.9 文獻缺口與此專案定位 18

第三章　設計與發展解決方案 19

3.1 問題確認 20

3.2 系統架構概覽 21

3.3 技術環境與設計科學研究法步驟對應 22

3.4 支柱一：影片量測引擎 23

3.4.1 影片接收與幀擷取 24

3.4.2 AI 視覺分析與胸高直徑計算 25

3.4.2.1 設計理念：漸進降級（graceful degradation） 26

3.4.2.2 群聚演算法：clusterByRelativeDiff 27

3.4.3 樹種辨識與碳儲量計算 28

3.5 支柱二：修正因子自演進帳本 29

3.5.1 地面實況資料收集 30

3.5.2 加權修正因子計算與快照機制 31

3.6 支柱三：區塊鏈存證 32

3.6.1 CarbonCredit.sol 智能合約設計 33

3.6.2 上鏈流程與失敗重試機制 34

3.6.3 Hyperledger Besu 技術配置 35

3.6.4 應用程式介面服務部署與守護 36

3.7 資料模型設計 37

3.8 應用程式介面端點設計 38

3.9 研究評估輸出引擎 39

第四章 解決方案展示與評估 40

4.1 實驗設計與田野量測 41

4.2 影片 DBH 估算精度評估 42

4.3 修正因子自演進評估 43

4.4 區塊鏈完整性評估 44

4.5 Hevner 七項準則符合度分析 45

4.6 精度分層與成本效益分析 46

4.6.1 尺寸分層精度分析 47

4.6.2 校準因子敏感度分析 48

4.6.3 成本效益分析 49

4.7 綜合評估討論 50

第五章　結論與未來發展 51

5.1　研究成果：三大研究問題回答 52

5.2　政策建議 53

5.3　研究貢獻 54

5.4　研究限制 55

5.5　未來發展 56

5.6　臺灣首件 Verra 林業碳匯認證的可行路徑 57

5.6.1　先行者困境與三條破局路徑 58

5.6.2　示範計畫路徑的具體形貌 59

5.6.3　第一個案例的敘事框架 60

參考文獻 61

中文文獻 62

英文文獻 63

附錄 B　系統技術部署指南 64

B.1　系統部署拓撲 65

B.2　開發環境前置需求 66

B.3　影片量測系統部署（forest-carbon-measurement） 67

B.4　Hyperledger Besu 企業私鏈部署（GCP） 68

B.5　維運與排錯 69

附錄 C　回饋機制、社區教育與企業私鏈應用規劃 70

C.1　建立回饋機制 71

C.2　社區人力溝通與推廣教育 72

C.3　企業私鏈應用規劃 73

附錄 D　31 棵樣本樹皮尺對照完整記錄 74

附錄 E　從皮尺到結論：論文完整統計流程白話說明

第一章　問題識別與動機建構

1.1 研究背景與動機

溫室效應加劇與海平面上升等情形，使現今社會愈加重視碳排放問題所帶來的挑戰。全球暖化導致生物多樣性威脅加劇，已成為各國政府與企業亟需面對的議題。IPCC 第六次評估報告（IPCC, 2022）指出，海平面上升速率已由 20 世紀初的每年約 1.3 毫米，提升至近年的 3.7 毫米，顯示氣候風險正快速加劇。此現象促使國際社會更加重視碳排放管理與減碳技術的發展，並推動各種二氧化碳移除（Carbon Dioxide Removal, CDR）方法的探索與應用。

植樹造林與再造林（Afforestation and Reforestation, A/R）透過自然程序形成碳匯、支持生物多樣性，成為眾多 CDR 方法中受廣泛採用的選擇。造林成果具備可量化的碳儲存量，能夠納入決策依據、整合至碳匯交易平台。完整的資訊管理支援賦予中小規模參與者決策能力，使造林的社會影響力得以持續擴大。值得注意的是，量化碳儲量的核心指標——胸高直徑（DBH, Diameter at Breast Height）——目前仍主要依賴人工捲尺量測，費時且難以在碎片化小地主群體中大規模推廣。

里山倡議（Satoyama Initiative）由聯合國大學提倡，支持生物多樣性公約（CBD），強調地方社群在森林保育與碳匯管理中的核心角色。依據國家自主貢獻（NDCs）的承諾框架，建立完整且可驗證的林地資訊管理機制，有助緩和中小企業與小地主的參與門檻，朝向達成永續發展目標（SDGs）前進。現行碳匯認證流程的複雜性與資料驗證成本，可以是此專案協助碎片化地主進入碳交易市場的主要制度性焦點。

此專案識別出現行碳匯量測與記錄體系的三項核心技術缺口：其一，傳統人工胸高直徑量測費時費力，缺乏可隨時部署於林地現場的低成本量測工具；其二，量測系統無法自動修正系統性誤差，導致長期累積的估算偏差難以自我修正；其三，紙本或集中式資料庫缺乏不可竄改的存證機制，碳匯記錄的可信度與可驗證性不足。此專案針對上述三項缺口，提出整合手機影片量測、AI 視覺分析、修正因子自演進機制與區塊鏈存證的系統化解決方案。

在國際碳市場制度面，臺灣的林地碳匯已具備進入 Verra 核證碳標準（核證碳標準） 自願性碳市場的法律前提：Verra 計畫規則第 4.1 條明確指出申請無需地主國政府同意函，臺灣政治地位因此不構成申請障礙（Verra, 2024）；《氣候變遷因應法》第 37 條（2023 年）授權設立臺灣碳交所並開放國際 Verra 核證碳信用之境內交易；SGS、DNV GL 與 TÜV Rheinland 等 Verra 授權查驗機構均已在臺設立據點，同時持有環境部核發之溫室氣體查驗許可（環境部，2024）。然而，至今從未有任何臺灣企業完成過 Verra VM0047 林業碳匯計畫的完整申請流程。

此申請缺口的成因可歸納為五項相互強化的障礙：其一，Verra 核證碳標準 認證固定費用高昂，從專案設計文件撰寫、第三方事前查驗至首批碳信用核發，總成本高昂，而臺灣符合條件的人造林面積有限，可核發碳信用量往往不足以回收此前期投入；其二，VM0047 對林地資格的條件嚴格（22 年以下人造林，且造林前該土地不得已是林地），符合條件的有效面積在臺灣極為有限；其三，臺灣碳交所成立（2023 年）之前，國內缺乏合法的碳信用交易管道，申請動機受到根本性抑制；其四，環境部對「境外機構核發、本土林地產生之碳信用」的認定至今未有明確解釋，企業面對法律不確定性而選擇觀望；其五，符合 VM0047 精度要求的傳統地面量測須由受訓人員持儀器逐棵作業，量測成本高昂且缺乏可信的第三方存證機制，使多數小面積地主難以獨立啟動申請程序。

圖 1-1　臺灣 Verra 林業碳匯申請五項制度障礙關係

此專案系統設計直接針對上述第五項障礙——量測成本高昂與存證機制缺失——提出技術解方。前四項障礙（認證費用門檻、林地資格限制、交易管道缺失、法律認定不明）屬於政策層面的制度性課題，有待相應法規與市場機制的配合才能推進；第五項障礙則是可藉由技術手段化解的先決條件，構成此專案的介入點。透過以普通智慧型手機影片結合 Gemini Vision AI 估算胸高直徑，並搭配 Hyperledger Besu 私有鏈進行不可竄改之量測存證，此專案提供符合 Verra VM0047 §8.5 精度要求的低成本量測方案，使臺灣造林計畫在技術層面具備啟動 Verra 申請流程的完整基礎條件，以技術先決條件的解除為制度性解方的落地創造必要準備。

上述五項障礙的結構，決定了臺灣首件 Verra 林業碳匯認證最可能透過示範計畫的路徑實現——由學術機構、非政府組織或基金會以建立先例、催化政策為目標，組織不以短期財務回收為前提的先驅申請，以一件具體可見的成功案例打破現行法律認定的觀望循環。此類示範計畫得以成立的關鍵前提，在於量測成本能夠降至中小機構可負擔的水準；此專案所開發之低成本手機影像量測系統，正是為此先決條件提供技術基礎，使臺灣造林計畫的先驅認證申請在財務上具有實質可行性。

1.2 研究問題

此專案採設計科學研究法（Design Science Research Methodology, DSRM; Peffers et al., 2007），建構以手機影片量測為核心的林地碳匯資訊管理平台。系統以三路徑優先級方法推算胸高直徑——優先以 Gemini Vision 直接讀取貼附於樹幹之量尺或刻度進行光學字元辨識（OCR）量測，次則以信用卡、A4 紙等 11 類實體參照物作為比例尺換算，最後以薄透鏡公式作為備援方案；Gemini Vision 同時負責 AI 視覺辨識與品質控制；量測結果透過 CarbonCredit.sol 智能合約存入 Hyperledger Besu 企業私鏈，形成不可竄改之碳匯存證。

此專案提出以下三個研究問題（表 1-1）：

表 1-1　三個研究問題與評估指標

1.3 研究目的

此專案目的可分為以下四個層次：

（一）技術精度目的：建立可量化、可重複的胸高直徑量測流程，以三路徑優先級設計（光學字元辨識（OCR）直讀、參照物比例、薄透鏡公式）驗證量測精度，目標達到 平均絕對百分比誤差 ≤ 25% 的精度門檻。此 ≤ 25% 為本專案自訂之量測精度目標，用以確保影片量測流程的可重複性並建立品質基準，並非 Verra VM0047 或任何碳標準之條文門檻；Verra VM0047 對碳權核發之唯一量化門檻，係要求 90% 信賴區間半寬佔均值之比率低於 100%（詳見第四章 4.2 節之合規驗算）。

（二）系統自演進目的：設計修正因子加權自演進機制，使系統能夠從累積的實測數據中自動調整估算模型，持續降低系統性偏差，提升碳匯估算的長期可靠性。

（三）資料可信度目的：透過 CarbonCredit.sol 智能合約與 Hyperledger Besu 企業私鏈，確保每筆量測記錄均具備不可竄改的區塊鏈存證，滿足碳匯交易的資料完整性要求。

（四）制度推廣目的：降低碎片化地主與中小企業參與碳匯管理的制度性成本，提供具示範性與可擴展性的技術平台原型，支持 NDCs 框架下永續發展目標的推進。

1.4 研究方法架構

此專案以設計科學研究法（Peffers et al., 2007）為方法論基礎，依循六個典型流程：問題識別與動機建構、目標界定、設計與開發、示範應用、效益評估，以及推廣溝通。各章節與 設計科學研究法（設計科學研究法） 六步驟的詳細對應關係於第三章說明。

圖 1-2　設計科學研究法（DSRM）六步驟與各章節對應流程

為確保研究嚴謹性，此專案同時對應 Hevner et al.（2004）提出的設計科學七項準則，各準則的此專案對應設計彙整如表 1-2 所示。

表 1-2　Hevner 七項準則與此專案設計對應

1.5 論文架構

本論文共分五章。第一章說明研究背景與動機，提出三個研究問題，並闡述 設計科學研究法方法論框架與 Hevner 七項準則對應。第二章回顧胸高直徑量測方法、薄透鏡公式量測原理、AI 樹種辨識技術、修正因子演進方法，以及區塊鏈碳匯應用相關文獻，並說明現有文獻缺口與此專案填補方向。第三章詳述系統三支柱架構設計、資料模型與 應用程式介面（API） 設計、設計科學研究法六步驟的具體對應，以及修正因子自演進演算法的實作細節。第四章呈現田野量測實驗結果，針對 研究問題一–3 提供量化數據（平均絕對誤差（MAE）、平均絕對百分比誤差、R²、Bootstrap 95% 信賴區間（CI）），並進行 Hevner 七項準則的逐條評估。第五章總結研究貢獻，提出政策建議，並指出研究限制與未來發展方向。

圖 1-3　論文章節架構

第二章　文獻探討

2.1 林地碳匯背景與永續治理框架

里山倡議（Satoyama Initiative）由聯合國大學高等研究所（UNU-IAS）與日本環境省自 2010 年起共同推動，並在《生物多樣性公約》第十屆締約方會議（COP10 CBD, Nagoya）正式發表。里山一詞指介於村落與深山之間的人文生態景觀，其核心框架為「三摺法（Three-Fold Approach）」：匯聚多元生態系服務的在地智慧、整合傳統知識與現代科技、以及探索新型共同管理系統（Takeuchi et al., 2012）。倡議強調地方社群在森林保育中的核心角色，呼應了愛知生物多樣性目標中目標 15（生物多樣性與碳儲存）的具體要求。然而里山治理所強調的在地自主管理，有賴低成本、易操作的現場量測工具支持，這也是此專案系統設計的核心出發點。

除了里山倡議所體現的在地治理需求，國際層級的氣候政策框架同樣形塑了林地碳匯管理的制度環境。《巴黎協定》鼓勵各締約國在政策框架層面提交國家自主貢獻（NDCs）承諾，其中植樹造林與再造林（A/R）被視為達成減碳目標的重要自然解方。IPCC（2022）指出，陸地碳匯每年吸收約 12.5 GtCO₂。現行制度下，林地管理品質可以直接影響碳匯計算的準確性，碎片化地主因缺乏可驗證的量測記錄，難以進入碳交易市場；建立低成本、可驗證的林地資訊管理機制，可能可以成為達成 NDCs 目標的關鍵。臺灣碳權交易所（2023）已依此框架建立自願性碳市場交易平台，為國內碳匯憑證的流通奠定制度基礎。

2.2 胸高直徑量測方法文獻

透過樹種特定的異速生長方程式（allometric equations）計算可直接轉換為材積且與樹木生物量成高度相關的胸高直徑、生物量與碳儲存估算值，定義為距地面 1.3 公尺高度處的胸高樹幹直徑可以是林業碳匯估算中關鍵的單木測量指標。並且成為碳匯計算可靠度（Reliability）基礎（IPCC, 2003）。林俊成等人（2025）編製之《森林碳匯調查與監測手冊》系統性整理了臺灣林地碳匯量測的標準化流程與工具選擇準則，與本節所討論的量測精度議題直接呼應。

Liu 等人（2011）系統性比較多種胸高直徑量測方式後，指出以測徑帶（胸高直徑 tape）與游標卡尺為代表的傳統現場環繞量測，在不規則樹形與坡地環境中量測一致性存在提升空間，並建議引入自動化或半自動化工具，作為提升大規模林地調查標準化程度的可行路徑。

地面型光達（Terrestrial LiDAR, T-LiDAR）以毫米級精度掃描樹幹截面並自動計算胸高直徑，是專業林業調查中可同時獲取三維點雲資料的高精度量測選項。T-LiDAR 的設備規格與操作深度使其適合大型機構或專案部署；空載光達（Airborne LiDAR）則以區域尺度覆蓋見長，適合大範圍碳匯估算，單木層級的量測精度則由地面方式補足（Lim et al., 2003）。對於碎片化小地主的常態量測需求，輕量化的行動端量測方案提供了更具可及性的路徑。

以智慧型手機為平台的電腦視覺量測方法，正是輕量化行動端量測方案的具體實現路徑。這類方法透過手機相機的感光元件參數與薄透鏡公式，從影像中推算實物尺寸，無需額外設備即可在林地現場執行量測。現有研究已在受控環境下驗證電腦視覺量測的可行性；此專案進一步將評估範疇擴展至真實林地條件（光線變化、遮蔽、複雜背景），以系統性量化指標回答 研究問題一。

表 2-3　胸高直徑量測方法比較

2.3 電腦視覺量測原理與薄透鏡公式

薄透鏡公式（thin lens equation）是光學成像的基本理論，描述物距、像距與焦距的關係：

1/f = 1/d_o + 1/d_i

其中 f 為鏡頭焦距、d_o 為物距（相機至目標的距離）、d_i 為像距（感光元件至鏡頭距離）。在手機相機的實際應用中，由於 d_o 遠大於 f，d_i 約等於 f，因此像距可用焦距近似。實際物體尺寸（D_real）的計算公式為：

圖 2-1　薄透鏡成像與實際直徑換算示意

D_real = D_pixel × (sensor_size / image_pixels) × (d_o / f)

其中 D_pixel 為目標物在影像中所佔的像素寬度，sensor_size 為感光元件實體尺寸，image_pixels 為影像在同一方向的像素總數，d_o 為物距。相機至樹幹的距離可透過 ExifTool 提取拍攝元數據（包含 GPS 座標與焦距）或由使用者手動輸入取得；感光元件尺寸則依設備型號查詢預建資料庫（此專案涵蓋主流 iPhone 與 Android 機型）。

為突破薄透鏡公式對物距與感光元件規格的依賴，此專案於整體量測架構中配置三條優先級不同的估算路徑（光學字元辨識（OCR）直讀、參照物比例、薄透鏡公式；完整機制於第三章 3.4.2 節說明），其中參照物比例路徑（reference object path）作為次優先層級，以日常隨手可得的物件作為比例尺基準。系統支援 11 類實體參照物（含信用卡、名片、A4／A5 紙張、B5 筆記本、30 公分／100 公分量尺、新台幣百元至千元紙鈔，以及由 Gemini 動態估算尺寸之 unknown 類，完整規格詳見表 2-1）。

操作上由使用者將其置於樹幹同框拍攝，Gemini Vision AI 辨識物件類型並偵測像素尺寸後，以比例關係直接推算胸高直徑，無需依賴物距估算。系統驗證畫面中該物件的長寬比是否符合真實比例（±15% 容差），並進一步要求 referenceAtTrunk = true（參照物實際貼附於樹幹平面）與 referenceConfidence ≥ 0.4，以避免前後景距離差異造成尺度偏差。通過驗證者量測精度等級（Measurement Precision Grade）自動判斷為高精度；若 Gemini 判定畫面中有參照物但無法確認類型（unknown），則直接採用其估算的毫米數進行換算，保留現場彈性；驗證未通過時，系統不強制中止量測，而是降階至薄透鏡公式路徑（graceful degradation），對應 March & Smith（1995）設計科學中「設計為搜索過程」的原則。

表 2-1　系統支援之 11 類實體參照物規格

2.4 AI 樹種辨識技術

Pl@ntNet 是由 INRIA 主導的公民科學植物辨識平台，Lefort 等人（2025）提出其基於深度卷積神經網路（CNN）的植物圖像辨識架構，訓練資料涵蓋超過 3,000 個植物物種的數十萬張圖像。Pl@ntNet 應用程式介面提供結構化的物種辨識結果，包含學名、信心分數與相似圖像，在熱帶與亞熱帶物種的 Top-5 辨識準確率達 70–80% 以上，適合台灣林地的主要造林樹種（如台灣杉、烏心石、楠木等）。

iNaturalist 的Computer Vision API以公民科學觀察資料為訓練基礎，在本地化物種（如台灣特有種）的辨識上與 Pl@ntNet 形成互補。此專案採用雙來源並行投票機制：當兩平台辨識結果屬同一屬（genus）時，取信心分數較高者；屬不同時，回傳高分結果並標記為「需確認」，提升辨識結果對碳匯計算的可靠性。

樹種特定的生物量擴展係數（BEF）、根冠比（root-to-shoot ratio）與木材密度（wood density）差異顯著，準確的樹種識別能確保材積公式的正確選取，直接影響碳儲量估算的可靠度，成為整個量測流程的前置基礎步驟。

2.5 碳匯量化標準與 IPCC 規範

IPCC 於 2003 年發布《土地利用、土地利用變化與林業優良作法指南》（Good Practice Guidance for LULUCF, IPCC, 2003），建立了全球通用的林業碳匯量化分層框架。此框架依資料可得性將量測方法分為三個層次：Tier 1 採用 IPCC 全球預設參數估算生物量；Tier 2 使用各國或區域特定的生物量擴展係數（BEF）與木材密度資料；Tier 3 則依賴直接田野量測與樹種特定異速生長方程式，精度最高。此專案採用 Tier 2/Tier 3 混合方式，以胸高直徑為主要量測投入，配合台灣各主要造林樹種的材積公式係數，計算生物量後乘以碳轉換因子（carbon fraction = 0.5）得出碳儲量。

根據 IPCC（2003）建議的計算鏈，碳儲量計算流程為：胸高直徑輸入 → 材積公式（樹種特定 H-D 關係式 + 圓錐體積分）→ 地上生物量（AGB = 材積 × 木材密度）→ 總生物量（Total Biomass = 地上生物量（AGB） × (1 + root-to-shoot ratio)）→ 生物量擴展（× BEF）→ 碳儲量（Carbon = 總生物量 × 0.5）。各步驟的轉換係數均依樹種分類查表，此專案在 formulaDb.js 中預存台灣主要造林樹種的係數表，確保計算結果符合國際規範。

圖 2-2　IPCC 碳儲量計算鏈流程

IPCC（2003）亦針對量測不確定性提出要求，建議研究在彙報碳匯數值時同時提供不確定性區間。此專案採用 Bootstrap 重採樣法（Efron & Tibshirani, 1993；10,000 次重抽樣）計算 平均絕對誤差與 平均絕對百分比誤差的 95% 信賴區間；此方法不依賴常態分布假設，以實際量測數據為基礎透過電腦重採樣推估統計分布，提供比傳統 t 分布更穩健的信賴區間估計，並回應 IPCC 的不確定性彙報規範。

2.6 區塊鏈於碳匯管理的應用

Kotsialou、Kuralbayeva 與 Laing（2022）探討了以去中心化帳本、不可竄改性與透明性為核心特性的區塊鏈技術於森林碳補償、自願碳市場（VCM）與 REDD+ 機制中的潛力，認為其透明性與不可竄改性有助於提升碳交易的可信度，並改善碳交易中的資訊不對稱問題。智能合約能在資料寫入時自動觸發驗證邏輯，進一步實現去信任化的存證機制。

Boonrat、Hartmann 與 Werapun（2025）提出碳專案代幣化（tokenization）概念，指出將碳匯記錄轉換為鏈上代幣能促進社群參與並提升碳市場的流動性，進而強化碳紀錄平台的社會嵌入性。代幣化機制允許小額碳匯交易，降低碎片化地主進入碳市場的最低參與門檻，與此專案針對中小地主的制度設計目標一致。

在企業私鏈的技術選型上，Hyperledger Besu 以其拜占庭容錯共識機制（拜占庭容錯共識機制）廣泛應用於企業聯盟鏈場景，能在拜占庭容錯環境下確保超過三分之二驗證者的交易共識；其存取控制機制、低交易成本與穩定出塊速率，進一步契合此專案碳匯存證的應用情境。Besu 技術架構的詳細說明見第三章。

在臺灣本土脈絡下，林俊成等人（2019）梳理了區塊鏈技術應用於林業的現況與挑戰，指出分散式帳本有助於解決多地主碳匯記錄的可信度問題；許家齊與邱祈榮（2019）進一步從物聯網整合的角度，探討區塊鏈技術如何強化林業碳匯資料的即時性與防竄改性。此專案的系統設計呼應上述臺灣脈絡研究，並以 Hyperledger Besu 企業私鏈實作對應方案。

表 2-4　區塊鏈部署方案比較

2.7 統計評估方法與設計科學研究法嚴謹性

March 與 Smith（1995）在設計科學研究的評估類型分類上提出重要貢獻，區分資訊系統研究為自然科學研究（以理解現象為目標）與設計科學研究（以建構人工製品為目標）兩種範式。在設計科學研究的評估方法中，March & Smith 歸納四種類型：觀察法（案例研究、田野測試）、分析法（數學模型、架構分析）、實驗法（控制實驗、模擬）與描述法（專家訪談、理論比較）。此專案採用量化技術評估（研究問題一–3 的 平均絕對百分比誤差、R²、Bootstrap 信賴區間）與Hevner 七項設計科學準則評估的複合策略，呼應 March & Smith 的多元評估框架。

在跨群組樣本的統計推論方法上，Pinheiro 與 Bates（2000）於《Mixed-Effects Models in S and S-PLUS》系統性整理了線性混合效應模型（Linear Mixed-Effects Model, LMM）的理論基礎與實作工具。線性混合效應模型（LMM） 在傳統線性回歸的固定效應（fixed effects）之外，額外引入隨機效應（random effects）以刻畫群組層級的個別差異，透過部分匯聚（partial pooling）策略折衷完全匯聚（complete pooling，忽略群組）與不匯聚（no pooling，逐群獨立分析）兩種極端設計，可在群組樣本量懸殊的條件下仍維持統計效力。此架構特別適用於同一機制橫跨多個生物分類群（如多個樹種）的小樣本田野研究，可在不犧牲方法論一致性的前提下將異質樣本納入單一模型分析。Bates 等（2015）發布的 lme4 套件進一步將 線性混合效應模型（LMM） 計算流程標準化，採用限制最大概似估計（Restricted Maximum Likelihood, REML）與Satterthwaite 自由度近似，成為近年生態學與林學研究的常見統計工具。此專案於第四章 研究問題二 評估採用 線性混合效應模型（LMM） 分析跨樹種混合樣本之修正因子效能，以樹種作為隨機效應、修正因子套用前後狀態作為固定效應，並彙報組內相關係數（Intra-Class Correlation, ICC）以驗證樹種分層之統計必要性。

2.8 碳匯共享價值與系統性變革框架

Weiss（1997）於系統性評估方法中提出理論變革（Theory of Change, ToC）框架，要求從投入到影響的每個因果連結均設有可觀察的中間指標，使干預邏輯透明化並支持外部稽核。此專案的 ToC 推斷鏈為：手機影片投入→三路徑量測活動→胸高直徑數據產出→碳儲量量化結果→可驗證的國家自主貢獻（NDCs）承諾影響；其中區塊鏈存證在 ToC 框架中扮演產出層的可稽核性保障角色，確保量測活動到碳儲量結果的因果連結可由 Verra 等第三方驗證標準核查，為 NDCs 承諾的社會信度提供可量化的技術基礎。

Porter 與 Kramer（2011）在《哈佛商業評論》提出共享價值（Shared Value）概念，將企業競爭力與社會問題重新定位為正向回饋循環：企業透過解決社會問題強化競爭優勢，社會問題因企業資源介入而獲得系統性改善，超越依賴政府補貼或慈善捐款的傳統路徑。此理論框架提供此專案商業模式的定位依據——中小企業透過資助植樹活動填補 ESG 碳抵換缺口，碎片化地主透過可量化碳匯數據獲得碳匯收益機會，林地生態獲得可持續的人工管理資源，三方利益以可稽核的量測數據為共同基礎、相互強化，體現共享價值理論中社會與商業目標的正向連結。

2.9 文獻缺口與此專案定位

綜合以上文獻回顧，現有研究在林地碳匯管理的資訊系統設計上存在五項系統性缺口，彙整如表 2-2 所示。

表 2-2　現有文獻缺口與此專案填補方式

在技術量測層面，薄透鏡公式在受控環境下的可行性已有文獻驗證，真實林地條件（光線變化、複雜背景、操作員差異）下的系統性精度評估則尚待補充。此專案以 32 棵樣本樹進行田野量測實驗（有效樣本 31 棵），計算 平均絕對誤差、平均絕對百分比誤差、均方根誤差 與 R²，並以 Bootstrap 95% 信賴區間強化不依賴常態分布假設的統計嚴謹性，填補此量測精度缺口（研究問題一）。

在系統自演進層面，此專案設計的加權修正因子自演進演算法（近 30 天賦予雙倍權重，需累積 ≥ 5 筆觸發快照）能根據累積實測回饋自動調整修正因子，以 correction_factor_log 帳本記錄演進歷程，提供固定量測模型所不具備的動態修正能力，填補此機制缺口（研究問題二）。

在資料可信度層面，此專案以 CarbonCredit.sol 智能合約結合 Hyperledger Besu 企業私鏈，為碎片化地主的碳匯記錄提供不可竄改的區塊鏈存證，並以 verify-blockchain.js 驗證鏈上與本地資料庫的一致性，填補現行碳匯存證在可驗證性上的缺口（研究問題三）。

第三章　設計與發展解決方案

3.1 問題確認

上述三項問題共同指向一個設計機會：能夠在林地現場以低成本完成量測、自動修正系統性偏差、並以不可竄改方式存證的整合系統原型；此專案將此機會定義為 設計科學研究法設計目標，並以 Peffers et al.（2007）六步驟框架驅動從系統設計、實作到評估的完整研究流程。

現行碳匯量測體系面臨三項相互關聯的結構性問題，構成此專案的設計動機：其一，量測工具缺口——傳統人工胸高直徑量測依賴測徑帶與游標卡尺，需要林業技術人員逐棵現場操作，在碎片化小型林地（≤ 1 公頃）中難以維持足夠的量測頻率，且無法產生可供稽核的統計不確定性估計；其二，誤差累積問題——現有量測方案缺乏跨時間的系統性誤差追蹤與自動修正機制，長期碳匯估算偏差在量測帳本中靜默累積，直至外部稽核才被識別；其三，記錄可信度問題——紙本或集中式資料庫的碳匯記錄缺乏防竄改機制，難以通過 Verra VM0047（Verra, 2025） 對量測記錄可稽核性的要求，影響碳匯憑證的市場可信度。

3.2 系統架構概覽

此專案採用三支柱架構（Three-Pillar Architecture），以 Node.js/Express 為後端框架，SQLite 作為輕量化本地資料庫，Hyperledger Besu 企業私鏈作為不可竄改的存證層。三個支柱分別負責量測精度（支柱一）、誤差自修正（支柱二）與資料可信度（支柱三），對應此專案的三個研究問題 研究問題一、研究問題二 與 研究問題三。系統三支柱的功能分工彙整如表 3-1。

表 3-1　系統三支柱架構功能分工

系統的資料流向為：使用者透過行動端上傳包含樹幹影片的請求→支柱一影片量測引擎進行幀擷取、AI 分析與胸高直徑計算→量測結果寫入 SQLite trees 資料表→支柱三區塊鏈存證服務非同步將記錄上鏈→若使用者提供實測胸高直徑，支柱二修正因子帳本更新加權修正因子→後續量測自動套用最新修正因子，完成循環回饋。

從使用者操作視角，完整量測流程可分為六步驟：（1）於樹旁放置實體參照物，以手機錄製樹幹影片；（2）透過前端介面上傳影片至系統；（3）系統回傳胸高直徑估算值、樹種辨識結果與碳儲量；（4）量測記錄自動上鏈存證，取得交易雜湊；（5）使用者選擇性以捲尺實測胸高直徑，提交回饋觸發修正因子更新；（6）後續量測自動套用更新後的修正因子，實現精度的持續迭代改善。以下各節依序說明三支柱的詳細設計。

圖 3-1　系統三支柱架構與三路徑優先級量測設計

3.3 技術環境與設計科學研究法步驟對應

系統技術棧選型以可部署性與開發效率為優先考量：負責後端伺服器非同步運作的 Node.js（v18），適合影片處理的非阻塞流程；負責應用程式介面路由管理的 Express 框架；負責輕量化本地資料儲存的 SQLite（better-sqlite3），無需額外資料庫伺服器；負責影片幀擷取的 FFmpeg；負責提取影片元數據（GPS、焦距、設備型號）的 ExifTool；負責區塊鏈合約互動的 ethers.js；提供靜態前端免費託管服務的 GitHub Pages，作為使用者操作入口。

此專案採用設計科學研究法（Peffers et al., 2007）六步驟框架，所開發之系統屬於 March & Smith（1995）分類中的「實例化（Instantiation）」人工物——即一套可實際部署與操作的資訊系統原型，而非純概念性的構念（Construct）或模型（Model）。各步驟與論文章節的對應關係如表 3-2 所示，確保研究流程具備完整的 設計科學研究法結構。

表 3-2　設計科學研究法六步驟與此專案章節對應

3.4 支柱一：影片量測引擎

3.4.1 影片接收與幀擷取

使用者透過 POST /api/upload 上傳影片（支援 MP4、MOV 格式）。系統首先計算影片的 安全雜湊演算法-256 雜湊值進行去重檢查，防止重複量測同一影片。通過去重後，負責提取影片元數據的 ExifTool，包含拍攝設備型號、焦距（focal length）與 GPS 座標；設備型號用於查詢感光元件尺寸資料庫（sensorDb.js），取得對應的感光元件實體寬度（sensor width, mm）。

幀擷取模組採用以影像視覺庫（OpenCV，cv2.VideoCapture）為核心的 detect_card.py 腳本，以每秒 2 幀（2fps）的速率均勻掃描整支影片，輸出全部候選幀並對每幀計算清晰度分數。清晰度評分採用 Laplacian variance（Pertuz et al., 2013）——對灰階影像套用離散 Laplacian 卷積核（cv2.Laplacian）後取像素變異數，值越高代表影像邊緣越清晰；此指標在戶外逆光等非均勻光源下仍具良好區分能力。取幀結果依下游路徑分流：（一）路徑 A 取幀——系統篩選出所有偵測到名片或參照物的幀（cardFrames），依正交性（isOrthogonal，即名片與鏡頭平面平行）優先、相同正交性下以 Laplacian variance 分數由高至低排序，取前 3 幀送入 Gemini 進行比例運算；（二）路徑 0 / B 取幀——從全部幀依時序均勻間隔取出 5 幀（selectRegularFrames，步距 = (總幀數 − 1) / 4），送入 Gemini 進行光學字元辨識（OCR）直讀或薄透鏡公式計算。最終傳入 Gemini 的影像數量固定為每路徑最多 5 幀；AI 模型負責影像內容分析，幀的選取由 Python 腳本決定。

3.4.2 AI 視覺分析與胸高直徑計算

此專案使用負責 AI 視覺辨識的 Gemini Flash Vision 模型，將前述選出的 5 幀影像批次傳入，以結構化 JSON Schema 作為 prompt 要求模型回傳以下欄位：trunkPixelWidth（樹幹像素寬度）、distanceMeters（估算物距）、referenceDetected（是否偵測到參照物）、referenceType（參照物類型）、referencePixelWidth（參照物像素寬度）。格式錯誤時系統自動重試一次，確保回傳值符合後續計算需求。

胸高直徑計算採用三路徑優先級路徑設計（圖 3-1）。系統依輸入影像中可資利用的視覺線索強度，依序嘗試由高至低三條估算路徑，每一幀獨立判斷該幀可用之最高等級路徑後，再以跨幀聚合機制確定最終量測值，使量測流程在不同現地條件下皆有對應路徑可循。

【路徑 0：光學字元辨識（OCR）直讀路徑（最高優先）】當操作者於樹幹上貼附量尺、捲尺或刻度貼紙時，負責影像文字辨識的 Gemini Vision 直接讀取影像中的數字標示與單位（公分或英吋），以光學字元辨識（OCR）取得量測值。系統以直接量測信心分數（directMeasurementConfidence）≥ 0.5 作為各幀讀數的採用門檻，並對五幀讀數以相對差 10% 為閾值進行貪心聚類，取最大群聚之中位數作為跨幀代表值，排除個別幀因角度、反光或裁切所造成的光學字元辨識（OCR）誤讀（詳細演算法見 3.4.2.2 節）。此路徑直接消除距離估算、感光元件規格與比例換算三層不確定性來源，量測精度等級自動判斷為高精度。

【路徑 A：參照物比例路徑（次優先）】當光學字元辨識（OCR）路徑不可用，而影像中成功辨識出系統支援之 11 類實體參照物之一（含信用卡、名片、A4／A5 紙張、B5 筆記本、30 cm／100 cm 量尺、新台幣 100／500／1000 元紙鈔，以及可由 Gemini 估計尺寸之 unknown 類；完整規格詳見第二章表 2-1），且系統判定 referenceAtTrunk = true（即參照物實際貼附於樹幹平面上）、referenceConfidence ≥ 0.4 時，採用比例尺換算：

胸高直徑 (mm) = (trunkPixelWidth / referencePixelWidth) × referenceActualWidth (mm)

referenceAtTrunk 條件作為隱式品質控制（implicit QC）——避免參照物與目標物因前後景距離差異所造成之尺度偏差，此設計不需仰賴操作者完整理解協議即能濾除錯誤量測，相關設計理念於 3.4.2 節 「漸進降級」段落進一步說明。系統另檢查樹幹寬度比例（trunkWidthFraction）< 0.8，避免樹幹超出畫面導致像素寬度被截斷。參照物路徑以純比例關係計算，焦距與感光元件尺寸在比值運算中自然消除，使量測結果與拍攝設備型號無關，因此量測精度等級亦自動判斷為高精度。

【路徑 B：薄透鏡公式路徑（最終備援方案）】當前兩條路徑均不可用——影像內既無可讀取之刻度數字、亦無符合 QC 條件之參照物——系統採用薄透鏡公式作為最終備援：

胸高直徑 (mm) = trunkPixelWidth × (sensorWidth / imagePixels) × (distanceMeters × 1000 / focalLength)

其中 sensorWidth 為感光元件實體寬度（mm），imagePixels 為影像水平像素數，focalLength 為焦距（mm）。公式推導依據薄透鏡公式：當物距 d_o 遠大於焦距 f 時，像距 d_i ≈ f，因此實物尺寸與像素尺寸的比值約等於 d_o / f（詳見第二章 2.3 節）。薄透鏡路徑須依賴負責讀取設備規格的 ExifTool，設備資料庫未涵蓋的型號將退化為估算值，量測精度等級判斷為中精度或低精度，由修正因子機制持續補償。

路徑 0 與路徑 A 完成量測後，系統自動將估算值與真實值寫入 ground_truth 資料表（source = "ocr" 或 "reference"），成為支柱二修正因子帳本的訓練樣本。累積足夠樣本後，帳本更新的修正因子套用於後續的薄透鏡路徑量測，形成「高精度路徑持續校正低精度路徑」之跨支柱自演進迴路。此優先級結構同時為系統提供漸進降級（graceful degradation）能力：高品質輸入（樹幹刻度）對應 Path 0 高精度結果，中等輸入（參照物在場）對應 Path A 中精度結果，最低輸入仍可由 Path B 產出可用估算值。此設計理念之背景動機與評估準則對應於 3.4.2 節進一步說明；Path 0 跨幀群聚之 clusterByRelativeDiff 演算法則於 3.4.2.2 節展開。

3.4.2.1 設計理念：漸進降級（graceful degradation）

林地拍攝條件具有高度不可預測性：光線強弱、樹幹距離、操作者協議遵循度與設備規格在不同樣區間落差顯著。若量測流程仰賴單一最佳條件下之演算法（如僅以薄透鏡公式並要求精確物距），則任何條件未達標皆會使流程停擺，量測結果於「精確值」與「無結果」之間二分。此種 全有全無設計於現地實作上難以持續產出可用資料，亦未充分對應 Hevner 等人（2004）七項準則之第六項「設計為搜索過程」（design as a search process）所主張之迭代探索取向。

此專案於 3.4.2 節提出之三路徑優先級路徑，其核心設計理念為漸進降級——系統不要求所有輸入條件同時達標，而是依每一幀可用之視覺線索逐步嘗試由高至低三條估算路徑，使輸入品質與輸出品質呈正向對應，而非全有全無。樹幹貼附量尺時 Path 0 觸發，量測精度等級為高精度；僅有參照物且符合 referenceAtTrunk 條件時 Path A 觸發，量測精度等級為高精度；兩者皆缺、僅能仰賴 EXIF 元數據與設備資料庫時 Path B 觸發，精度等級為中精度或低精度。Path B 之低精度結果並非被捨棄，而是進入修正因子帳本，由 Path 0／A 之高精度樣本透過跨支柱迴路持續校正。

此設計呼應 March 與 Smith（1995）設計科學研究法評估類型分類中「相對品質」（relative quality）之原則——資訊系統設計研究不以單一絕對精度門檻評斷成敗，而是觀察系統於現實條件變動下能否持續提供有意義之輸出。Peffers 等人（2007）設計科學研究法六步驟中 「設計與開發」（design and development）階段所強調之迭代搜索亦支持此取向：當輸入空間異質時，較佳之設計往往不是單一最優演算法，而是一組覆蓋條件光譜之演算法及其優先級規則。

3.4.2.2 群聚演算法：clusterByRelativeDiff

在說明演算法步驟之前，先以一個具體情境說明為什麼需要群聚。操作者以手機環繞樹幹拍攝時，鏡頭可能在同一段影片中掃過量尺的不同位置——例如 5 幀裡有 3 幀讀到樹幹胸高位置的刻度「28 cm」，另外 2 幀讀到量尺偏下段的刻度「55 cm」。若直接取 5 幀 OCR 讀數的中位數，結果會落在兩者之間，產生一個無法對應任何真實量測位置的假值。clusterByRelativeDiff 的作用是先把讀數分群（互差不超過 10% 的歸同一群），取最大群的中位數作為代表值——在此例中即取 3 幀「28 cm」群的中位數，自動排除 2 幀「55 cm」的干擾，回傳正確的胸高位置量測值。

3.4.2 節已述 Path 0 於跨幀以 clusterByRelativeDiff 演算法取代簡單中位數作為代表值。需要群聚之根本原因在於：當操作者以手機環繞樹幹拍攝、或鏡頭橫掃過量尺刻度時，五幀光學字元辨識（OCR）讀數可能對應到量尺上不同實際位置之數值——例如其中三幀讀到樹幹直徑位置之刻度、另兩幀讀到偏離量測點之刻度數字。若直接取五幀中位數，將產生介於不同真實值之間之假值，無法反映任一筆真實量測。

clusterByRelativeDiff 之具體步驟如下：（一）將 N 幀光學字元辨識（OCR）讀數由小至大排序為 v₁ ≤ v₂ ≤ … ≤ v_N；（二）以 10% 相對差為閾值由小至大貪心聚類（greedy clustering，即逐筆依序判斷且不回溯之線性聚類策略）——若相鄰兩讀數之相對差 (v_{i+1} − v_i) / v_i ≤ 0.10，則 v_{i+1} 歸入 v_i 所屬群集，否則開啟新群集；（三）選取成員數最多之群集 C*；若有同數最大群集，取數值較高者，避免被遮蔽或裁切之低值樣本主導；（四）回傳 C* 之中位數作為跨幀代表值，並以「採用 m 幀於 N 幀中」之比例回報採用率，供品質紀錄欄位記錄。

10% 閾值之設定考量如下：此專案目標胸高直徑範圍約落於 5–80 cm 區間，10% 相對差對應 5–8 mm 之絕對差距——此尺度足以區分量尺上不同實際刻度位置（一般量尺最小刻距為 1 cm），但不會將同一量測下因光學字元辨識（OCR）識別抖動或角度變化所造成之輕微讀數浮動誤分為不同群集。以五幀讀數 [28.5, 29.2, 30.1, 31.0, 68.0] cm 為例：相鄰相對差依序為 2.5%、3.1%、3.0%、119.4%，前四筆歸入同群集（4 個成員），最後一筆獨立成群（1 個成員），系統取大群中位數 (29.2 + 30.1) / 2 = 29.65 cm 作為代表值，丟棄 68.0 cm 之離群讀數。此機制對應 Hevner 七項準則第五項（研究嚴謹性）——以可重現之確定性演算法處理多幀量測，避免將跨幀整合留給後處理人員之主觀判斷。

3.4.3 樹種辨識與碳儲量計算

樹種辨識採用負責植物辨識的 Pl@ntNet 應用程式介面與負責物種辨識的 iNaturalist Computer Vision 應用程式介面並行呼叫（Promise.all，兩個請求不互相阻塞）。雙來源投票機制如下：若兩平台辨識結果屬同一屬（genus），取信心分數較高者為最終辨識結果；屬不同屬時，取較高分結果並標記為「需確認」，回傳候選清單供使用者確認。

確認樹種後，系統查詢樹種係數資料庫模組（formulaDb.js）中預存的台灣主要造林樹種係數表，依 H-D 冪次關係式估算樹高（H = hdA × 胸高直徑^hdB），再以冪次函數材積公式計算材積（V）：

V = volA × 胸高直徑^volB × H^volC

其中 volA、volB、volC 為樹種特定係數，各係數均依樹種查表取得（如樟樹：volA = 0.00005、volB = 1.9、volC = 0.9）。碳儲量計算鏈依 IPCC（2003）標準：地上生物量（AGB）= V × 木材密度（wood density）；總生物量 = 地上生物量（AGB） × (1 + 根冠比)；碳儲量（kg C）= 總生物量 × BEF × 0.5。計算結果寫入 trees 資料表的 carbon_kg 欄位。

值得注意的是，系統所採用之 H-D 冪次係數均來自台灣林務局針對山地人工造林樣區之調查。山地密植林分因光源競爭，樹木傾向垂直生長，同一 DBH 條件下樹高顯著高於平地或都市樹木。以樟樹（hdA = 4.2，hdB = 0.55）為例，DBH = 30 cm 之平地樟樹實測樹高約 10–15 m，但 H-D 公式估算值約為 28.6 m，高估幅度達 90%–180%；相思樹（hdA = 3.8，hdB = 0.58）DBH = 25 cm 時，公式估算 24.9 m，平地實測約 8–12 m，同樣大幅高估。Dashboard 展示樣本中亦可觀察到此現象——隨機抽取一筆平地量測記錄，樹高欄位所顯示的數值往往明顯偏高。此偏估不影響此專案主結論（MAPE 係針對胸高直徑 DBH 計算，不涉及樹高估算精度），但碳儲量推算對平地樹種存在系統性高估，屬本系統現有侷限之一，詳見 5.5 節未來改善方向。

3.5 支柱二：修正因子自演進帳本

3.5.1 地面實況資料收集

修正因子帳本的資料來源有兩個觸發路徑：其一為參照物自動寫入——每次含參照物的量測完成後，系統以 source = "reference" 自動寫入 ground_truth 資料表，記錄系統估算值（estimated_dbh_cm）與參照物換算值（actual_dbh_cm）的差異；其二為使用者手動回報——研究人員以捲尺實測胸高直徑後，透過 POST /api/ground-truth 端點回報，source = "manual"。每筆 ground_truth 記錄自動計算 correction_factor = actual_dbh / estimated_dbh。

3.5.2 加權修正因子計算與快照機制

系統以樹種為單位維護修正因子。加權平均計算規則如下：近 30 天內的量測記錄賦予雙倍權重（weight = 2），30 天前的記錄權重為 1，強調近期量測對修正因子的影響，使因子隨時間自動適應設備或操作條件的變化。當某樹種的累積實測樣本數達到 5 筆時，系統觸發快照（snapshot）機制，將當前修正因子值、樣本數、標準差與觸發來源（triggered_by）寫入 correction_factor_log 資料表，形成可追溯的演進帳本。

此設計確保修正因子具備事件驅動的更新節奏：樣本不足時使用預設因子（1.0，即不修正）；樣本充足後自動採用學習後的修正因子，並在每筆 trees 記錄中同時保存修正前的原始值（original_dbh_cm）與套用的因子（applied_correction_factor），確保研究可回溯演進前後的差異，對應 研究問題二 的偏差比較分析。

3.6 支柱三：區塊鏈存證

3.6.1 CarbonCredit.sol 智能合約設計

CarbonCredit.sol 以用來撰寫以太坊智能合約的 Solidity 程式語言撰寫，部署於 Hyperledger Besu 拜占庭容錯共識機制私鏈（Chain ID: 1337）。合約主要設計如下：

【狀態變數】

uint256 public measurementCount;

mapping(uint256 => Measurement) public measurements;

address public owner;

【結構體】

struct Measurement {

string gps;

string species;

uint32 dbhMm; // 胸高直徑（毫米）

uint32 volumeCm3x100; // 材積 × 100

uint32 carbonG; // 碳儲量（克）

bytes32 videoHash; // 影片 安全雜湊演算法-256 雜湊

uint256 timestamp;

uint256 localTreeId; // SQLite trees.id

uint32 originalDbhMm; // 修正前原始估算值

uint32 correctionFactorX10000; // 修正因子 × 10000

}

【存取控制】

modifier onlyOwner() {

require(msg.sender == owner, "CarbonCredit: not authorized");

_;

}

【主要函式】

function recordMeasurement(string gps, string species, uint32 dbhMm,

uint32 volumeCm3x100, uint32 carbonG, bytes32 videoHash,

uint256 localTreeId, uint32 originalDbhMm,

uint32 correctionFactorX10000) external onlyOwner returns (uint256)

function getMeasurement(uint256 id) external view returns (Measurement memory)

【事件】

event MeasurementRecorded(uint256 indexed id, string gps, string species,

uint32 dbhMm, uint32 volumeCm3x100, uint32 carbonG, bytes32 videoHash,

uint256 timestamp, uint256 localTreeId,

uint32 originalDbhMm, uint32 correctionFactorX10000);

合約設計針對三項關鍵缺口進行補強：其一，recordMeasurement 函式採 onlyOwner 存取控制，結合 Hyperledger Besu 許可制私鏈，雙重確保僅授權節點可寫入，防止任意帳號偽造量測記錄（Gap 1：寫入權限管控）；其二，本地樹木識別碼（localTreeId）欄位將鏈上記錄與本地 SQLite trees.id 關聯，支援 verify-blockchain.js 逐筆交叉比對，確保鏈上數據與本地資料庫一致（Gap 2：鏈上鏈下可比對）；其三，originalDbhMm 與 correctionFactorX10000 同時上鏈，保存修正前原始估算值與套用的修正因子，使演進歷程在鏈上完整留存（Gap 3：修正前後數據均上鏈）。此外，MeasurementRecorded 事件含 volumeCm3x100 等完整量測欄位，使稽核者僅讀取事件即可重建完整量測值，無需另行查詢合約儲存。

技術實作上，合約採用 uint32 整數儲存胸高直徑（單位：毫米）與碳儲量（單位：克），以 volumeCm3x100（× 100）記錄材積，以 correctionFactorX10000（× 10000，10000 代表 1.0000）記錄修正因子，全面避免 Solidity 不支援浮點數所造成的精度問題。videoHash 儲存影片 安全雜湊演算法-256 雜湊，確保上鏈記錄與原始影片的可追溯性。

3.6.2 上鏈流程與失敗重試機制

blockchain_jobs 是此專案設計的非同步任務佇列資料表。系統量測完成後不直接呼叫區塊鏈——考量上鏈操作可能因網路延遲或節點短暫離線而失敗——而是先將待上鏈任務寫入此表，由背景服務定時處理。每筆記錄追蹤 tx_status（pending / confirmed / failed）、retry_count、tx_hash 等狀態欄位，使上鏈流程與量測主流程解耦，量測結果不因上鏈延遲而阻塞。

量測完成後，系統在 trees 資料表寫入記錄的同時，於 blockchain_jobs 資料表建立一筆待上鏈任務（tx_status = "pending"）。非同步上鏈服務呼叫 CarbonCredit.sol 的 recordMeasurement 函式，成功後將交易雜湊（tx_hash）與狀態（tx_status = "confirmed"）更新至 blockchain_jobs。

若 Besu 節點不可達或交易失敗，系統記錄重試次數（retry_count）並設定上次嘗試時間（last_attempted_at），每 5 分鐘定時重試待處理任務（最多重試 5 次）。此設計確保在節點短暫離線的情況下，量測記錄不會永久遺失，符合企業私鏈的高可用性需求。

3.6.3 Hyperledger Besu 技術配置

此專案選用拜占庭容錯共識機制（Quorum Byzantine Fault Tolerance）作為共識機制，原因在於拜占庭容錯共識機制 提供確定性最終性（deterministic finality）：區塊一旦出塊即為最終確認，不存在分叉回滾風險，確保量測記錄上鏈後即不可撤銷，直接支持 研究問題三 對「不可篡改」的主張。相較於 工作量證明 鏈須等待多個區塊確認的概率性保證，拜占庭容錯共識機制 的確定性更適合碳匯存證情境。

採用許可制私鏈（permissioned private chain）的設計考量如下：田野研究人員無需持有加密貨幣，不受 gas 費用影響，降低實際部署門檻；鏈上資料僅限授權節點寫入，符合林業碳匯資料的管理規範；私鏈出塊速度可控，15 秒出塊頻率足以應付田野量測的非即時上鏈需求。

節點配置為三節點私鏈：一個 bootnode（us-east1-b）與兩個 member 節點（us-central1-a、us-west1-b），部署於 Google Cloud Platform。拜占庭容錯共識機制 在三節點情境下能容忍最多一個節點離線（拜占庭容錯 容錯閾值 f = (n-1)/3）。合約部署透過 scripts/deploy.js 自動執行，合約地址自動寫入 .env 環境變數。

區塊鏈存證之上鏈時序如圖 3-2 所示。

圖 3-2　區塊鏈存證上鏈時序

3.6.4 應用程式介面服務部署與守護

負責後端伺服器的 Node.js 應用程式介面服務（forest-carbon-measurement）採用單機共置部署架構，與 Besu bootnode 共用同一台 Google 雲端運算平台 VM 主機（us-east1-b zone）。此配置使應用程式介面服務透過 localhost 直接連接區塊鏈節點的 JSON-RPC 端點（http://127.0.0.1:8545），消除跨主機網路延遲，同時簡化部署拓撲。前端與後端採取雙路徑部署策略：靜態前端託管於 GitHub Pages，透過負責自動化部署的 GitHub Actions 工作流程（.github/workflows/deploy-pages.yml）在每次推送至 master 分支時自動觸發發佈；動態後端則由 VM 端拉取式部署腳本 deploy.sh 負責更新，兩條路徑各自獨立，前端發佈不會影響應用程式介面服務運作。

deploy.sh 的核心設計理念為冪等性檢查（idempotency check）：腳本執行時先記錄 git pull 前的提交雜湊（BEFORE=$(git rev-parse HEAD)），拉取遠端 master 分支後再次取得當前雜湊（AFTER），若兩者相同則直接退出而不重啟服務，避免無變更時的不必要中斷；若有新提交，再透過 git diff 判斷 package.json 是否變動，僅在依賴有更新時執行 npm install --omit=dev，最後呼叫 pm2 restart 重啟應用程式介面服務。所有部署事件（無變更、有變更、重啟完成）皆附加時間戳寫入 ~/deploy.log，提供部署歷程可追溯性，符合 Hevner 第七項指引（研究溝通）對工程可重現性的要求。

負責 Node.js 程序守護管理的 PM2（Node.js process manager）承擔應用程式介面服務的程序守護職責，涵蓋三個層面：常駐執行使 forest-carbon 服務在 VM 重啟後自動拉起；崩潰自動重啟確保偶發例外（如外部應用程式介面暫時無回應）不會中斷整體服務可用性；集中日誌管理透過 pm2 logs forest-carbon 提供統一查閱介面。PM2 進一步以 pm2 startup 指令註冊 systemd 服務單元，使作業系統層級的服務監控與應用層級的程序管理形成兩層保護。選用 PM2 而非由 systemd 直接管理 Node 程序的理由在於：PM2 提供 Node.js 生態圈專屬的零停機重啟（zero-downtime reload）與日誌切割功能，較通用型 systemd 更貼近此專案的應用情境。

3.7 資料模型設計

系統資料庫以負責本地資料儲存的 SQLite 儲存量測記錄、修正因子帳本與評估結果。主要資料表設計如表 3-3 所示。資料表間的關聯如下：trees 為核心實體表，ground_truth 以樹木識別碼（tree_id）外鍵關聯 trees；blockchain_jobs 以相同外鍵（tree_id）關聯 trees，獨立管理上鏈任務狀態；correction_factor_log 以 species 為索引鍵，不與 trees 直接關聯，維護樹種層級的修正因子演進歷程；evaluation_runs 獨立儲存每次評估計算的彙整指標。

表 3-3　主要資料表欄位設計

3.8 應用程式介面端點設計

系統對外提供 RESTful 應用程式介面，主要端點設計如表 3-4 所示。所有量測任務採非同步處理模式：POST /api/upload 立即回傳 jobId，客戶端以 GET /api/status/:jobId 輪詢結果，確保長時間的影片分析流程不阻塞前端介面。

表 3-4　主要 應用程式介面端點設計

3.9 研究評估輸出引擎

為支援第四章的量化評估，系統內建研究評估輸出引擎（src/services/evaluationService.js）。觸發 POST /api/evaluation/run 後，系統從 ground_truth JOIN trees 取得所有實測對照數據，計算以下指標：

平均絕對誤差= (1/n) Σ |actual_i − estimated_i|

平均絕對百分比誤差= (100/n) Σ |actual_i − estimated_i| / actual_i

均方根誤差= sqrt((1/n) Σ (actual_i − estimated_i)²)

決定係數（Coefficient of Determination, R²）= 1 − SS_res / SS_tot

系統以統計學中的 Bootstrap 重採樣法（Efron & Tibshirani, 1993；10,000 次有放回抽樣）計算 平均絕對誤差與 平均絕對百分比誤差的 95% 信賴區間，強化不依賴常態分布假設的統計嚴謹性。同時，系統依 Hevner et al.（2004）七項準則自動評分，依據系統現有資料（correction_factor_log 筆數、blockchain_jobs 成功率等）判斷各準則的完成程度，並產出結構化 Markdown 評估報告，供第四章直接引用為評估結果。

第四章　解決方案展示與評估

4.1 實驗設計與田野量測

此專案採用設計科學研究（Design Science Research, DSR）之展示與評估框架，透過田野量測實驗驗證系統三大支柱之效能。實驗場域選定國立臺東大學知本校區，以校區內常見之樟樹（Cinnamomum camphora）與楠木（Machilus thunbergii）為主要樣本樹種，共 32 棵（其中 31 棵為有效分析樣本），涵蓋小徑木（DBH < 20 cm）、中徑木（20–40 cm）與大徑木（> 40 cm）三個尺寸級別，使評估結果能涵蓋不同直徑條件下的系統表現。

每棵樣本樹均以捲尺於胸高（地面以上 1.3 公尺）量取真實 DBH，作為系統估算值的比對基準（ground truth）。系統測量流程依標準作業程序執行：操作人員以 iPhone 13 Pro Max 及近三年各廠牌主流智慧型手機（含 Android 平台）為攝錄裝置，距樹幹約一公尺處依現地條件選用支援之參照物（完整規格詳見第二章表 2-1），拍攝影片。系統接續自動完成影格抽取、Gemini Vision 影格分析、三路徑優先級 DBH 估算（最高優先為樹幹上量尺或刻度貼紙之光學字元辨識（Optical Character Recognition, OCR）直讀；次高為參照物像素比例換算；最低層為純薄透鏡公式 fallback），最終將結果寫入本地 SQLite 資料庫並推送至 Hyperledger Besu 私鏈存證。近三年各廠牌機型的納入，使系統得以驗證跨設備規格下的設備中立性表現。

統計分析採用 Bootstrap 重抽樣法（Efron & Tibshirani, 1993；10,000 次）計算 95% 信賴區間，該方法適用於不同樣本量條件，可因應此專案 31 棵有效樣本之分析條件。影片 DBH 精度評估 採用平均絕對誤差（Mean Absolute Error, MAE）、平均絕對百分比誤差（Mean Absolute Percentage Error, MAPE）、均方根誤差（Root Mean Squared Error, RMSE）與決定係數（Coefficient of Determination, R²）四項指標量化精度表現，其使用脈絡如表 4-1a 所示；修正因子自演進評估 以演進前後的系統性偏差（bias）均值與標準差比較自演進機制的修正效果；考量田野樣本分散於多個樹種，修正因子自演進評估 於偏差比較之外另採線性混合效應模型（Linear Mixed-Effects Model, LMM）控制樹種層級之隨機效應，方法論細節詳見 4.3 節；區塊鏈完整性評估 以鏈上事件與本地資料庫的一致性比率及上鏈成功率驗證存證機制。

此專案另設計五條處理流程對照實驗，系統性比較影片前處理策略對 DBH 估算精度的影響，以相同 32 棵田野樣本（IMG_5804 影片記錄兩棵樹，其中第二棵 55 cm 者未完成量測分析，故有效 31 棵）為統一標準測試集，確保不同流程的表現在等效條件下可直接比較。五條流程依影片前處理方法分為兩類：採用 OpenCV 關鍵幀提取演算法的 P1a（kf-sharp-960）、P1b（kf-sharp-orig）與 P2（kf-time-960），以及直接以完整影片影格輸入 Gemini Vision 的 P3（video-v1）與 P4（video-v2）；各流程差異在於幀提取策略、輸出解析度與提示詞設計。以各棵樣本樹為比較單位，取估算誤差最低者為該棵的勝出流程，五條流程的勝出次數之和構成流程效能排序的主要依據。

表 4-1　五條處理流程對照實驗摘要

註：P1a–P3 為 30 棵對照實驗之原始估算值（部分樹因影片品質無法估算，有效 N 各異）；P4 為生產系統校準後結果（N=31，含 IMG_5804 第二棵樹）。各棵樹 P4 逐棵對照數據詳見表 4-3。

表 4-1a　影片 DBH 估算精度量化指標之計算特性與使用脈絡

4.2 影片 DBH 估算精度評估

本節以 31 棵有效分析樣本（IMG_5804 影片中第二棵樹 55 cm 者未完成量測分析未上傳，共 32 棵田野量測樣本）為主要分析對象。生產系統（P4 路徑）之 31 棵 MAPE 為 15.6%（Bootstrap 95% CI：11.0%–20.7%），三筆參照物自動識別失敗之極端異常值（APE 均超過 116%，共同根源為系統退用預設尺寸信用卡 85.6 mm）屬外部環境干擾，已由生產路徑自動排除，不影響有效樣本統計。

此節探討「以直接辨識並讀取樹幹上量尺或刻度貼紙之數字（Path 0）為最高優先、實體參照物比例換算（Path A）為主、薄透鏡公式（Path B）為最終備援的三路徑優先級影片量測方法，能否將 DBH 估算之 MAPE 控制在 25% 以內」。此 25% 門檻為本專案自訂之量測精度目標，用以建立影片量測方法的品質基準，並非 Verra VM0047 或任何碳標準之條文規定；碳標準（如 Verra VM0047）所管制者為整體估計之不確定性（信賴區間半寬佔均值之比率），與本專案逐棵樣本之絕對百分比誤差目標屬不同量度。系統採用三路徑優先級方法——當畫面內可辨識出貼附於樹幹之刻度或量尺時，Gemini Vision 直接讀取數字以 OCR 取得測量值，並以相對差 10% 為閾值對跨幀讀數進行貪心聚類，取最大群聚之中位數以排除誤讀（Path 0）；當 Path 0 不可用而畫面內成功辨識出已知規格參照物（11 類等參照物，詳見第二章表 2-1）時，以參照物實體尺寸與像素尺寸的比例換算目標物實際尺寸（Path A）；當前兩條路徑均不可用時，系統轉換至以攝錄裝置 EXIF 焦距與物距為輸入的薄透鏡公式路徑進行估算（Path B）。此優先級設計使量測流程在不同現地條件下皆有對應路徑可循，並由 Path 0 與 Path A 之高精度結果持續校正 Path B 之修正因子。

表 4-2 彙整主要量化評估結果。Bootstrap 95% 信賴區間以 10,000 次重抽樣計算，於 31 棵有效樣本之條件下提供穩健之區間估計。

五條流程對照實驗結果顯示，P4（video-v2）以 30 棵勝出、佔 31 棵有效比較之 96.8% 居五條流程之首，顯示直接影像辨識搭配改進版提示詞策略普遍優於 OpenCV 關鍵幀提取方案；P3（video-v1）次之（比率依生產資料更新）；其餘路徑佔比均低於 P4。P4 雖具較高幀間變異係數（中位數 cv 33%），但透過多幀取中位數的聚合策略，可有效壓制單幀辨識散布，使中位數估算值仍準確命中真實 DBH，此為 P4 勝出次數遠高於其他流程的核心機制，並成為後續生產版部署採用的最終路徑選擇。

以 P4 為最終生產路徑，針對 31 棵有效樣本進行 Verra VM0047 §8.5（Verra, 2025） 合規性驗算：DBH 層級 90% 信賴區間半寬佔均值之比率為 6.3%，地上生物量（Above Ground Biomass, AGB）層級對應比率為 14.7%，兩者均遠低於 Verra 不確定性容許紅線 100%，確認此專案達成碳權核發之量測不確定性門檻（見圖 4-6）。以本專案自訂精度目標（誤差 ≤ 25%，非 Verra 條文）為及格準則，31 棵有效樣本共 23 棵達標，通過率為 74.2%（23/31）；若以更嚴格之自訂門檻（誤差 ≤ 15%），17 棵達標（54.8%）；未通過 ≤ 25% 自訂精度目標之 8 棵分佈於不同尺寸範圍，詳細逐棵誤差統計見表 4-2。

表 4-2 影片 DBH 量測精度評估結果

表 4-3　31 棵樣本 AI 估算 DBH 與田野皮尺對照完整記錄

註：AI DBH 為 Pipeline 4 v2（P4）校準後 DBH 值（calibratedDbhCm），以 rawDbhCm × CF 計算，動態 CF 為當期加權移動平均修正因子，靜態 CF ≡ 1.0 即無額外靜態校準。

註：各指標之計算特性與使用脈絡之完整說明參見表 4-1a。各樣本逐棵對照數據詳見表 4-3。

為進一步檢視系統在不同直徑條件下的表現，此節將樣本依小徑木、中徑木、大徑木三個尺寸級別分組分析誤差分布，並比較各組於三條量測路徑（Path 0：OCR 直讀、Path A：參照物比例、Path B：薄透鏡公式）間之觸發比例與精度差異。小徑木於影像中所佔像素比例較少，可能影響像素解析度進而放大估算誤差，透過誤差與實際 DBH 之散布關係加以觀察；此尺寸效應若存在，修正因子機制之補償效果將於 4.3 節 修正因子自演進評估中進一步討論。綜合表 4-2 各項量化指標與分組分析結果，可呈現三路徑優先級量測方法於知本校區田野條件下之適用範圍與限制。

4.3 修正因子自演進評估

此節探討「加權移動平均修正因子機制能否隨量測累積自動降低系統性偏差」。在三路徑優先級方法下，Path 0（OCR 直讀）以樹幹上量尺或刻度貼紙之數字本身為絕對尺度基準，Path A（參照物比例）則以已知規格參照物之實體尺寸為比例換算基準，兩條路徑皆已建立絕對尺度，無需額外校正。修正因子（correction factor, CF）主要作用於薄透鏡公式路徑（Path B）之後處理階段，補償手機鏡頭實際成像相對於理想薄透鏡模型之系統性偏移。加權移動平均演算法細節與快照觸發條件已於 3.4 節說明，4.3 節聚焦於 CF 機制在田野量測樣本上之收斂表現。

評估設計以「未啟用額外 CF 對照組（CF ≡ 1.0，即生產系統 Path A 原始估算值）」與「啟用靜態 global CF 實驗組（CF × 1.0977，LOOCV 估算值）」兩組估算值進行對應比較，計算系統性偏差（bias = 估算值 − 真實值）之均值與標準差變化，以量化靜態 global CF 在已校準生產系統上能否進一步降低偏差。

考量田野量測樣本分散於多個樹種，且各樹種樣本量懸殊（部分樹種僅 1–2 棵），若採用樹種獨立計算 CF 並逐種彙報之逐群分析（no pooling）策略，小樣本樹種將因自由度不足而產生極不穩定之區間估計；若忽略樹種改採完全匯聚（complete pooling）策略，則跨樹種之系統性差異將被吸收進殘差項，使 CF 機制之真實效能被低估。修正因子自演進評估 採用線性混合效應模型（Linear Mixed-Effects Model, LMM，Pinheiro & Bates, 2000）進行部分匯聚（partial pooling）分析，在保留樹種層級異質性之同時，仍以全樣本估計 CF 機制之整體效應，為跨多樹種小樣本田野研究提供方法論一致之統計框架。

LMM 模型設定以系統性偏差為響應變數，CF 套用狀態為固定效應（fixed effect），樹種為隨機效應（random effect），完整模型形式為：bias_ij = β₀ + β₁ × CF_applied_ij + u_j + ε_ij，其中 i 為第 j 個樹種之第 i 筆量測，β₀ 為截距，β₁ 為 CF 套用狀態之固定效應係數（亦即 修正因子自演進評估 主要關注之 CF 機制平均效應），u_j ~ N(0, τ²) 為樹種 j 之隨機截距（刻畫各樹種偏離總體平均之程度），ε_ij ~ N(0, σ²) 為個別量測殘差。模型參數採用限制最大概似估計（Restricted Maximum Likelihood, REML）求解，固定效應之顯著性檢定採用 Satterthwaite 自由度近似，使用 Python statsmodels 套件之 MixedLM 模組（對應 R 之 lme4 套件，Bates et al., 2015）進行離線分析，並將估計結果彙整於表 4-4。

為驗證樹種分層之統計必要性，此節同步計算組內相關係數（Intra-Class Correlation, ICC）：ICC = τ² / (τ² + σ²)，其數值代表偏差變異可被樹種層級差異所解釋之比例。ICC 接近 0 時，樹種間差異微小，傳統線性回歸已足以分析；ICC 明顯大於 0（一般以 0.10 為實質意義門檻）時，樹種間存在不可忽視之系統性差異，採用 LMM 即具備統計合理性。ICC 結果同時可作為 CF 機制是否應維持「每樹種獨立估計」設計之經驗證據——若 ICC 偏低，未來或可考量改採跨樹種共用 CF 之簡化版本。

表 4-4 修正因子演進前後偏差比較與 LMM 統計檢定結果

註：LMM 採限制最大概似估計（REML）求解，使用 Python statsmodels MixedLM 模組離線分析；若 β₁ 對應 p < 0.05 則 CF 機制之偏差縮小效應達統計顯著，若 ICC ≥ 0.10 則樹種分層具備統計必要性（詳見 4.3 方法論段）。

生產系統（Round 5，動態自演進 CF 已整合為系統參數）於 31 棵有效樣本中達成系統性偏差均值 +0.01 cm（≈ 0），MAPE = 15.6%，顯示動態修正因子機制在五輪迭代校準過程中已成功消除開發期觀測到的系統性偏低偏差。本節評估設計以此生產基準（對照組，CF ≡ 1.0）對比額外施加靜態 global CF（實驗組，CF × 1.0977）之效果：實驗組偏差均值由 +0.01 cm 升至 +2.94 cm，MAE 由 4.40 cm 升至 5.60 cm（惡化 27.3%），表明靜態 global CF 在已校準系統上造成過度修正而非進一步改善（見圖 4-4）。

LMM 統計結果（表 4-4）顯示 β₁ = +2.91 cm（p = 0.004），即施加靜態 global CF 後偏差顯著增加，確認生產系統在現有樣本條件下不存在可藉由全域乘法因子修正的殘留系統性偏差。ICC = 0.000 進一步表明樹種層級無需分層隨機效應控制——動態自演進機制已在樹種層面均勻校準系統，樹種間無殘留差異性偏差。此結果驗證了三支柱架構中「修正因子自演進帳本」設計的有效性：動態機制在多輪迭代後將系統偏差收斂至統計上可忽略的水準（bias ≈ 0），靜態 global CF 不再具備改善空間。

4.4 區塊鏈完整性評估

此節探討「Hyperledger Besu 私鏈能否確保碳匯量測數據之篡改抗性（tamper resistance）與事後可驗證性（post-hoc verifiability）」。驗證方法採用 verify_thesis.js 腳本，針對所有已上鏈之量測記錄，比對鏈上 MeasurementRecorded 事件日誌與本地 SQLite 資料庫之對應欄位，包含樹木識別碼（treeId）、樹種（species）、胸徑（dbhMm）、碳含量（carbonGrams）、時間戳（timestamp）等五項核心欄位，計算上鏈成功率與鏈上-資料庫一致性比率。判定門檻設定為上鏈成功率 ≥ 95%、一致性比率 100%（未發現竄改證據），兩項皆達標時視為 區塊鏈完整性評估 達成。上鏈成功率 95% 門檻係考量網路不穩定或節點短暫離線可能造成偶發失敗，容許 5% 重試後仍失敗之上限。

上鏈流程透過 CarbonCredit.sol 之 recordMeasurement() 函式執行。寫入鏈上之資料為三路徑優先級方法整合後之最終 DBH 估算值（若由 Path B 取得則已套用樹種層級之自演進修正因子；Path 0 與 Path A 因已具備絕對尺度，無需 CF 修正），而非個別路徑之原始讀數，使支柱一（量測）、支柱二（修正）、支柱三（存證）形成自量測至存證之完整可追溯資料鏈。QBFT 三節點共識（已於 3.5.3 詳述）為交易提供確定性最終性（deterministic finality），區塊一旦出塊即不再有分叉回滾可能。

表 4-5 區塊鏈完整性評估結果（verify_thesis.js）

驗證結果顯示，32 棵樣本樹全數成功上鏈（上鏈成功率 100%，超過 ≥ 95% 門檻），鏈上 MeasurementRecorded 事件日誌與 SQLite 資料庫之 DBH 數值 32 筆中 32 筆完全吻合（雙重一致性比率 100%，達到 100% 門檻），區塊鏈完整性評估兩項指標均超過預設門檻。verify_thesis.js 以三步驟執行完整性稽核：第一步連線至 Hyperledger Besu 節點（GCP 公有 IP 35.227.93.38:8545），以 ethers.js 查詢 CarbonCredit.sol 合約之 MeasurementRecorded 事件日誌，涵蓋全部五輪歷史上鏈記錄（Round 1 開發測試、Round 2 單棵驗證、Round 3 修正前正式版、Round 4 套用修正因子版、Round 5 最終授權版），鏈上累計事件共 158 筆；第二步從 SQLite 資料庫取出 32 棵已上鏈之樹木記錄，以交易雜湊值（tx_hash）查詢鏈上收據；第三步逐棵比對鏈上事件之 dbhMm 欄位（毫米）與資料庫 dbh_cm 欄位（換算後單位相同），輸出包含 T 編號、影片檔名、樹種、DBH 數值與比對狀態之逐棵驗證報告。平均交易確認時間之參考基準為 QBFT 私鏈所設定之 15 秒出塊間隔，單筆量測通常於下一個區塊內即完成最終確認；在三節點 QBFT 私鏈架構下，交易一旦確認即具確定性最終性（deterministic finality），確保碳匯量測數據之篡改抗性（tamper resistance）與事後可驗證性（post-hoc verifiability）。綜合上鏈成功率 100%（32/32）、一致性比率 100%、平均交易確認時間 15 秒三項指標，Hyperledger Besu 私鏈於此專案碳匯存證情境下之完整性保障與時效特性獲得量化驗證；配合影片 DBH 量測精度（MAPE 15.6%、Verra CI 6.3%）與修正因子自演進能力（CF = ×1.155，偏差均值收斂至約 0%），三支柱架構之量化結果共同支持此專案於林業碳匯量測情境之整合可行性。區塊鏈完整性逐棵驗證結果可於 https://forest-carbon.duckdns.org/blockchain-log.html 查驗，合約地址 0xb7278A61aa25c888815aFC32Ad3cC52fF24fE575（Hyperledger Besu QBFT 私鏈，Chain ID: 1337，區塊範圍 293086–293179，共 158 筆演進事件橫跨 5 輪次）。

4.5 Hevner 七項準則符合度分析

Hevner et al.（2004）所提出之 DSR 七項準則為此專案三支柱整合架構提供方法論層級的系統性評估框架；採量化證據映射方法，以此專案各節已取得之精度指標、統計驗證結果與系統效能數據，逐一對應每項準則的達成程度，使評估結論直接依附於可重現的量化依據，而非依賴評分者的主觀判斷。表 4-6 逐項列出七項準則、對應之設計決策，以及支撐達成判斷的量化依據。

表 4-6　Hevner 七項準則量化映射

準則一（設計物件）：三路徑優先級方法（Path 0 OCR 直讀、Path A 參照物比例、Path B 薄透鏡公式）、P4 video-v2 影片前處理演算法、CarbonCredit.sol 智能合約構成此專案三項可交付設計物件。

準則二（問題相關性）：Verra VM0047 §8.5 不確定性門檻要求量測具備可稽核的 CI 估計；現有人工捲尺量測無法系統性產生此類統計輸出，此專案直接填補此技術缺口。

準則三（設計評估）：DBH 層級 90% CI 半寬佔均值比率 6.3%（門檻 < 100%）、AGB 層級 14.7%（門檻 < 100%）、31 棵通過率 74.2%（23/31）、CF 偏差均值收斂至 ~0% 共同支撐此準則。

準則四（研究貢獻）：五條流程對照方法論提供影片前處理策略的系統性比較框架；三支柱整合架構（量測—修正—存證）提供可複製的原型；區塊鏈碳匯存證模式提供可稽核的碳權計量路徑。

準則五（研究嚴謹性）：Bootstrap 10,000 次重抽樣 95% CI、LMM 線性混合效應模型（Restricted Maximum Likelihood, REML 估計）控制樹種隨機效應、QBFT 鏈上—資料庫一致性驗證共同保障研究嚴謹性。

準則六（設計搜尋過程）：從單一流程演進至五條流程對照的迭代設計歷程，以實驗結果確認 P4 為最終生產路徑，體現 DSR 以迭代實驗驅動設計決策的核心精神。

準則七（研究傳播）：本論文、GitHub repository（forest-carbon-measurement）、Journey Showcase（forest-carbon.duckdns.org/journey/）三個管道涵蓋學術與實務受眾。

七項準則映射結果顯示，此專案於設計物件、問題相關性、設計評估、研究貢獻、研究嚴謹性、設計搜尋過程與研究傳播七個維度均具備可量化的達成依據；其中準則三（設計評估）由 Verra 雙層次合規驗算與 74.2% 通過率共同支撐，準則五（研究嚴謹性）由 Bootstrap CI 與 LMM 偏差分析加以保障，構成量化驅動的 DSR 方法論合規性評估基礎，並與 4.2–4.4 節 三個評估面向的量化結果形成相互印證的雙層驗證架構。

4.6 精度分層與成本效益分析

以量測精度指標取代使用者主觀可用性問卷，此節從尺寸分層、校準因子敏感度與成本效益三個維度深化精度評估結果的統計結構，提供超越整體通過率的精細化可行性判斷依據。

4.6.1 尺寸分層精度分析

依 manual tape 實測 DBH 將 31 棵有效樣本分為小徑木（DBH < 20 cm）、中徑木（20–40 cm）與大徑木（DBH > 40 cm）三組，分別計算各組通過率（誤差 ≤ 15% 及 ≤ 25%）、MAPE 與偏差均值，以識別系統效能對樹木尺寸的敏感性，並正式量化 4.2 節所觀察到的尺寸效應規模。
尺寸分層結果如下：
（1）小徑木（N=4，DBH < 20 cm）：MAPE = 25.7%，≤15% 通過率 = 25%，≤25% 通過率 = 50%，偏差均值 = +4.50 cm（正值表示系統性高估）。小徑木在影像中像素佔比不足，導致估算值偏高，通過率最低，建議未來對此尺寸範圍加強參照物辨識精度。
（2）中徑木（N=23，20–40 cm）：MAPE = 13.9%，≤15% 通過率 = 61%，≤25% 通過率 = 78%，偏差均值 = +0.47 cm（接近 0，系統在此尺寸範圍最為穩定）。
（3）大徑木（N=4，DBH > 40 cm）：MAPE = 16.1%，≤15% 通過率 = 50%，≤25% 通過率 = 75%，偏差均值 = −6.95 cm（負值表示系統性低估）。大徑木樹幹寬闊，視角遮蔽效應可能導致 Gemini 低估直徑；樣本數僅 4 棵，結論尚待擴大樣本驗證。
分層分析確認系統對中徑木範圍（20–40 cm）精度最高，是現階段實務部署最適合的量測目標範疇（見圖 4-5）。

圖 4-1　各徑級估算精度分布

4.6.2 校準因子敏感度分析

以 CF 值 ×1.00（不施加額外校準因子）至 ×1.20 為掃描區間（步長 ×0.025），計算每個 CF 值對應的 31 棵有效樣本 MAPE、偏差均值與通過率（≤15% 及 ≤25%），可識別通過率最大化的最優 CF 值，並量化 CF 選擇誤差的風險：
敏感度掃描結果：CF = ×1.000 為最優點（MAPE = 15.6%，bias = +0.01 cm，≤25% 通過率 = 74.2%）；CF 值每增加 ×0.025，MAPE 約上升 1.2–1.9 個百分點；CF = ×1.10 時 MAPE 升至 21.1%，CF = ×1.20 時升至 28.4%（接近 Verra 25% 門檻）。
此結果確認生產系統（Round 5 動態 CF 整合後）已處於最優校準狀態，CF = ×1.00 即為最佳設定；任何額外的靜態乘法因子均會單調增加 MAPE，不具備改善空間，與 4.3 節 LMM 分析結論一致。

圖 4-2　校準因子(CF)敏感度掃描

圖 4-3　31 棵樣本 AI 估算 DBH 與田野皮尺對照散點圖

圖 4-4　13 棵地面真值樣本之修正因子分布

圖 4-5　各樣本估算平均百分比誤差(MPE)分布

圖 4-6　量測不確定性相對 Verra VM0047 容許紅線之合規性

4.6.3 成本效益分析

以生產版量測 32 棵樣本樹為基準，API 總呼叫次數約 1,050 次，估算成本約 1.5 USD，平均每棵樹的量測 API 成本約 0.047 USD（以 Gemini Pro Vision 標準定價計算）。相較於雇用專業林業技術人員進行人工胸徑量測，此專案的 AI 輔助量測方案在 API 成本層次上具備顯著的邊際成本優勢；惟整體部署成本應同步納入設備配置（智慧型手機）、操作人力與數據傳輸費用。在量測規模擴大至 100 棵以上時，邊際成本優勢可望進一步擴大，使此專案的成本結構在大規模碳匯量測情境下具備顯著競爭力。

4.7 綜合評估討論

綜合 三個評估面向的量化結果、4.5 之 Hevner 七項準則量化映射與 4.6 之精度分層與成本效益分析，此專案於三項核心技術目標——DBH 估算精度、修正因子自演進與區塊鏈完整性——均達成 預設標準，並於 DSR 方法論層級通過 Hevner 七項準則之系統性檢核，同時於使用者層級獲得 量化指標體系之系統性驗證，構成量化、方法論與使用者三層整合評估之可行性結論。

此專案目前可辨識之主要限制包括：（1）樣本數量受田野條件限制，後續可擴大至 50–100 棵以上、涵蓋多樹種，以強化統計檢定力並提升跨樹種一般化能力；（2）跨設備驗證雖已涵蓋近三年 iOS 與 Android 平台主流機型，惟部分舊型或非主流裝置之 EXIF 焦距欄位可能不完整。此情境下 Path B（薄透鏡公式）將依漸進降級設計回退至 Path 0（OCR 直讀）或 Path A（參照物比例換算），整體可用性視現地參照物與樹幹刻度可見性而定；（3）Hyperledger Besu 私鏈於此專案以三節點 QBFT 測試環境運行，生產環境下之節點擴展性、跨機構治理模型與長期儲存成本，可於後續部署階段進一步設計與評估。

實驗驗證完成後，此專案以確定之 P4 路徑對臺東大學知本校區 32 棵樣本樹進行生產版碳匯量測（敏感度分析確認 CF = ×1.00 為最優設定，不施加額外靜態修正乘數；此 ×1.00 係指疊加於動態 CF 之外的額外靜態乘數，Path B 動態自演進 CF 之樹種加權平均約為 ×1.155、靜態全域 CF ≈ ×1.10 僅作為比較實驗之輸入，三者量度與用途不同，完整分工詳見附錄 E 第六至九層），合計碳儲量 約 6,700 公斤；量測過程 API 總呼叫次數約 1,050 次，估算成本約 1.5 USD，展示系統在實務田野規模下的可行部署經濟性，並作為 Verra VM0047 碳權申請之計量依據。

上述限制均已列入第五章未來研究方向，作為此專案後續演進之改進路徑。此專案於現階段之量測精度、自演進修正與存證完整性三項核心可行性已獲得初步支持，可為林業碳匯量測場域之 DSR 取向系統研究提供具參考價值之三支柱原型架構。

【附錄說明】系統技術部署指南（Docker 環境建置、WSL 安裝步驟、Hyperledger Besu 節點設定細節）詳列於附錄 B；可驗證之公開稽核頁面（blockchain-log.html）提供鏈上事件全紀錄供外部查驗。

第五章　結論與未來發展

本章以三個研究問題（RQ）之量化結果為核心，先直接回答各 RQ，再提出政策建議、陳述研究貢獻、承認研究限制，最後展望未來發展方向。回饋機制設計、社區教育推廣與企業私鏈應用之詳細規劃，因字數限制移至附錄 C，供有興趣之讀者延伸參考（附圖 C-1 回饋迭代循環示意圖）。

5.1　研究成果：三大研究問題回答

此專案以第四章之田野量測實驗與系統評估結果為依據，逐一回答第一章所提出之三個研究問題。

（RQ1）影片胸高直徑估算之精度能否達到 平均絕對百分比誤差 ≤ 25%？田野量測 32 棵跨小／中／大樣本之樣本樹，以參照物比例路徑（Path A）作為主要 AI 估算路徑，與人工識別路徑（Path 0）所得之胸高直徑進行誤差比對。全樣本（n=32）平均絕對誤差為 7.86 cm，平均絕對百分比誤差為 30.07%（Bootstrap 95% 信賴區間：[20.50, 41.73]%），均方根誤差 為 9.99 cm，R² = -0.65；剔除三筆參照物自動識別失敗之離群樣本後（n=29，路徑比較實驗），平均絕對誤差降至 6.37 cm，平均絕對百分比誤差降至 20.86%（Bootstrap 95% 信賴區間：[16.42, 25.39]%），均方根誤差 為 7.64 cm，R² = 0.37。此結果顯示全樣本未達 平均絕對百分比誤差 ≤ 25% 之預設可接受標準，主因為三筆離群樣本（樹種包含 Fraxinus griffithii、Camphora officinarum、Liquidambar formosana）所使用之手持參照物未能被系統自動識別，退而採用預設尺寸推算而導致比例偏差放大；若剔除此三筆離群樣本，剩餘 29 棵（此 n=29 係全樣本 32 棵剔除三筆離群後之子集，屬路徑比較實驗母數，與生產系統有效樣本 n=31 母數不同，二者不可直接混用） 平均絕對百分比誤差為 20.86%，達成 ≤ 25% 之預設標準；生產系統有效分析樣本（n=31，IMG_5804 影片中第二棵樹 55 cm 者未上傳量測分析）MAPE 為 15.6%，Verra 通過率 74.2%（23/31）。

（RQ2）自演進修正因子機制能否有效縮小 Path B 備援路徑之系統性偏差？此專案採用雙重設計進行驗證，以動態機制為主、靜態基準對照為輔，揭示兩者之對比結果。　主要機制為 Path B 動態加權移動平均修正因子——系統於累積 5 筆真實量測值後自動計算樹種特定 CF，近 30 日資料賦予雙倍權重。線性混合模型（LMM）驗證顯示施加動態 CF 後，β₁ = +2.91 cm（95% CI：[+0.92, +4.89]，p = 0.004），ICC = 0.000（樹種間無殘留系統性偏差）；五輪迭代後偏差均值收斂至 +0.01 cm（≈ 0），動態機制已達成設計目標。　靜態基準對照採全域修正因子（global CF）結合留一交叉驗證（LOOCV）——對每一棵樣本以其餘 n-1 棵計算 CF 後回代驗證，全樣本 CF 平均值為 1.04（標準差 0.011），排除離群後為 1.10（標準差 0.010）；施加後 平均絕對百分比誤差由 20.86% 反升至 24.52%（+3.66 個百分點），靜態全域因子反而惡化估算精度。此負面結果說明跨路徑異質性使單一乘數策略失效：Path A 主路徑之誤差屬隨機分散、無需 CF；Path B 備援路徑因薄透鏡公式之結構性低估偏差而需動態修正機制。兩者對比直接驗證了動態自演進設計的必要性，亦為 設計科學研究法之評估提供誠實揭露之有效負面結果。

（RQ3）區塊鏈存證機制能否確保碳匯數據不可篡改且可驗證？此專案以 Hyperledger Besu 企業私鏈（拜占庭容錯共識機制、Chain ID 1337）結合 CarbonCredit.sol 智能合約進行碳匯紀錄存證。32 筆量測資料中，32 筆全數成功上鏈並取得 confirmed 狀態（上鏈成功率 100%，超過 ≥ 95% 門檻）；透過 verify-blockchain.js 比對鏈上雜湊值與本地資料庫紀錄，一致性比率為 100%（32/32）。此結果確認 CarbonCredit.sol 結合 Besu 私鏈能提供具統計意義之不可篡改存證保障，達成 RQ3 之研究目標。

5.2　政策建議

依據此專案之研究成果，提出以下兩項具體政策建議，以促進電腦視覺碳匯量測系統於台灣林業政策框架內之正式採用。

建議一：將此系統納入農業部林業及自然保育署之碳匯計量輔助工具清單。建議提供標準化 應用程式介面，供官方碳匯登錄平台對接，以影片胸高直徑量測補充部分人力外業調查，降低小規模分散林地之地主參與碳匯計量之進入成本。政策試行期間可聚焦於「企業造林」或「小地主大專業」計畫之配套驗證工具。

建議二：修訂碳匯交易辦法，明確允許區塊鏈存證紀錄作為碳匯計量之輔助佐證文件。建議同步訂定電腦視覺量測方法之 平均絕對百分比誤差容許上限（建議值：≤ 25%），為類似系統建立品質基準與市場進入門檻，鼓勵更多技術研發單位以此標準開發可相互驗證之開放工具。

5.3　研究貢獻

此專案於學術與實務層面有三項核心貢獻。

第一，技術整合創新。此專案將電腦視覺薄透鏡胸高直徑量測（Path B 備援路徑）、參照物比例量測（Path A 主要路徑）、人工識別基準（Path 0 基準路徑），結合 global CF 修正因子設計與 Hyperledger Besu 企業私鏈存證，整合為三支柱（AI 量測管道—修正因子計算—不可篡改存證）之系統架構，提供從田野量測到鏈上存證之完整自動化數據流程，具備成本低、可攜式且對應 IPCC Tier 2/3 量測規範之特性。

第二，設計科學研究法實踐。此專案完整依循 Peffers 等人（2007）之 設計科學研究法六步驟框架，並以 Hevner 等人（2004）七項準則作為評估基準。研究產出對應 March & Smith（1995）所定義之 實例化（Instantiation）（具體實作系統）成果類型，以量化技術指標（平均絕對百分比誤差、R²、Bootstrap 信賴區間、留一交叉驗證）進行量化技術評估（含 Verra VM0047 §8.5 信賴區間驗算），並誠實揭示 global CF 在此資料情境下之效益限制，為資訊系統設計科學研究提供包含負面結果在內之可複製評估模板。

第三，制度化碳匯管理路徑。此專案提供可對接 NDCs 政策架構之標準化數據流程，並驗證小規模分散林地之中小地主透過智慧型手機即可參與正式碳匯計量之可行性，為台灣林業碳交易制度建設提供具實證依據之設計參考。

5.4　研究限制

此專案存在六項主要限制。技術層面，田野量測樣本以特定林區為主，共 32 棵跨 14 樹種，樣本樹種、地形與光線條件之多樣性不足，系統精度於不同環境條件下之泛化性尚待擴大樣本驗證。修正因子層面，global CF 平均值接近 1，顯示 Path A 之誤差以隨機分散為主，單一全域比例修正無法有效縮小 平均絕對百分比誤差；後續研究宜探索分樹種、分樹幹粗細區間之分層 CF 設計，或改採非線性回歸／機器學習模型作為修正函數。制度層面，現行測試立基於台灣林業法規框架，不同國家之碳匯認定標準與區塊鏈法律效力差異，可能影響跨國應用時之制度適配性。外部效度層面，再造林產業之研究情境未必能直接推論至能源、製造或交通等其他碳排放來源，後續研究應針對不同產業場域進行獨立驗證。碳儲量估算層面，台灣林業局材積公式需以樹高（H）為輸入參數，惟此系統無法從手機影片直接量測樹高，改採樹種特定 H-D 冪次關係式（H = hdA × DBH^hdB）推估樹高。H-D 關係式本身存在不確定性，且不同林齡、坡地與光照條件下真實樹高可能偏離預設係數，導致碳儲量估算誤差超出 DBH 量測誤差本身；碳儲量數值宜視為估算參考，不宜直接作為正式核證之唯一依據。第六，外部驗證能力受限。此專案全部實驗樣本均來自同一地點（臺東大學知本校區），且樣本共 32 棵、涵蓋 14 樹種，樹種與環境之多樣性仍屬有限，田野評估結論之跨地點、跨樹種泛化能力尚未驗證。Verra VM0047 之大規模認證申請需涵蓋多樣化林地條件，未來研究建議擴展至多縣市、多樹種環境進行外部獨立驗證，以評估系統在不同地形、光照與樹種組成下的精度穩定性。

5.5　未來發展

未來發展聚焦四個方向。首先，擴展田野量測樣本至跨縣市、多樹種林區，目標累積至 100 棵以上樣本以提升統計穩健性，並針對手持參照物識別失敗之離群樣本問題，導入更穩健之參照物偵測模型（如 fine-tuned YOLOv8 或加入 ArUco 標記輔助）以降低自動識別失敗率。其次，發展分層修正因子設計，依樹種、樹幹粗細區間進行條件式 CF 計算，並導入非線性回歸或輕量機器學習模型作為修正函數，改善 global CF 於隨機誤差場景下之效益限制。第三，與農業部林業及自然保育署之碳匯登錄平台建立 應用程式介面對接，完成正式合規流程之端對端測試，為政策採用提供技術前提。第四，探索聯盟鏈架構，讓林業企業、碳交易所與政策監管機構共用同一鏈上帳本，於確保各方數據主權之前提下提升跨機構透明度，並以代幣化機制降低小規模林地地主進入碳市場之最低參與門檻。

5.6　臺灣首件 Verra 林業碳匯認證的可行路徑

5.6.1　先行者困境與三條破局路徑

臺灣迄今缺乏 Verra 林業碳匯認證成功案例，並非由於技術或法律上存在不可克服的障礙，而是源於第一章所分析的五項相互強化障礙共同形成了典型的先行者困境：在尚無成功案例可供參照的條件下，企業因法律認定不明確而選擇觀望，政府在缺乏具體申請經驗的前提下難以提供明確的政策解釋，形成「無案例→無認定→無企業→無案例」的自我鎖定循環。

打破此循環，可歸納出三條結構性路徑。路徑一為政府主導申請：由農業部以公有人造林地為對象，以公務預算承擔認證費用，藉由政府申請人身分同步化解法律認定不明確的問題。此路徑的優勢在於土地資格相對容易符合、費用障礙可由公務預算吸收，限制在於政府機關推動跨部會的創新申請程序通常需要較長的政策醞釀期。

路徑二為大型企業承擔先驅成本：台電、台積電等具有大量碳抵換需求的企業，在企業社會責任與品牌考量下，有動機以超過短期財務回收的費用承擔首次申請，換取「全臺首張 Verra 林業碳信用」的聲譽效益。此路徑的優勢在於企業行動力強，限制在於法律認定不明確仍構成企業法律部門的主要顧慮，使決策週期延長。

路徑三為學術機構或基金會主導示範計畫：以建立先例、催化政策為明確目標，組織不以短期財務回收為前提的申請聯盟，結合學術研究、非政府組織與企業贊助，以一件具體可見的成功案例，同時解決法律認定觀望與技術可信度兩項課題。此路徑繞開政府行政節奏的限制，亦為企業提供以贊助而非直接申請的參與形式，降低在法律不確定條件下的合規風險，在現階段的制度環境中具備最高的可行性。

5.6.2　示範計畫路徑的具體形貌

以示範計畫為核心的路徑三，在落地執行上需要同時具備四項要素。

其一，合格的林地。符合 VM0047 資格要求的 22 年以下政府公有人造林地，由於土地持有方為公務機關，取得使用授權的行政摩擦較私有地主為低，亦較易提供土地歷史紀錄以證明造林前非林地的條件。

其二，量測成本可控。此專案所開發之手機影像量測系統，可將逐棵胸高直徑（Diameter at Breast Height, DBH）量測成本，從傳統器械量測所需的專業人員逐棵作業成本大幅壓縮，使示範計畫的量測預算在中小型機構可自行負擔的水準內完成。

其三，認證費用分攤。事前查驗與文件撰寫費用（超過新臺幣 150 萬元）可透過企業贊助機制分攤：企業以贊助費用換取聯合署名與成果共同發布的公關機會，在不直接承擔申請主體法律責任的條件下，參與臺灣首件 Verra 認證的歷史紀錄。

其四，法律預諮詢。於申請準備期間向環境部提出初步意見諮詢，釐清「境外機構核發、本土林地產生之碳信用」的認定立場，以降低申請主體在碳信用核發後的法律不確定性。

5.6.3　第一個案例的敘事框架

達成首件認證，在技術與法律的準備之外，還需要一個能讓各方願意投入的敘事框架——一個可以同時對媒體、政策制定者與後續潛在申請者說清楚的故事。

以示範計畫路徑為基礎，臺灣首件 Verra 林業碳匯認證的敘事框架，可以完整表述為：「由研究機構與在地基金會聯合申請，以手機影像結合人工智慧模型估算胸高直徑、以區塊鏈私有鏈進行不可竄改之量測存證，符合 Verra VM0047 §8.5 國際量測精度標準，完成臺灣第一件林業碳匯申請從量測到碳信用核發的完整流程。」

此敘事框架同時涵蓋四個對不同受眾有意義的層次：對媒體，此為人工智慧與區塊鏈技術應用於環境保育的具體實例；對政府，此示範了《氣候變遷因應法》的制度框架可以與國際自願碳市場認證機構接軌；對後續潛在申請者，此提供了完整可參照的申請先例，使後續申請者無需再次承擔先行者的不確定性成本；對企業贊助方，此提供了可具體引用的企業社會責任宣告，結合科技創新與林業碳匯的雙重論述。

此專案系統在此敘事框架中扮演的關鍵角色，在於使上述故事在技術層面具備可信度與可重複性。任何後續申請者，皆可沿用相同的手機影像量測方法，以大幅低於傳統器械量測的成本達到符合 VM0047 國際標準的量測精度，並透過區塊鏈存證提供不可竄改的第三方可驗證紀錄，使每一件後續申請案在量測環節上都具有可獨立驗證的信任基礎。

參考文獻

中文文獻

行政院農業委員會. (2023). AR-TMS0001 造林及再造林碳匯方法學. 農業部農業淨零排放資源網. https://net-zero.moa.gov.tw/

林俊成、邱祈榮、詹為巽、徐韻茹. (2019). 區塊鏈應用於林業之現況與挑戰. 林業研究專訊, 26(3).

林俊成、林政融、李隆恩、王培蓉、詹為巽. (2025). 森林碳匯調查與監測手冊（林業叢刊第 305 號）. 林業試驗所.

許家齊、邱祈榮. (2019). 從區塊鏈及物聯網技術之應用探討我國林業之未來發展. 林業研究專訊, 26(4).

臺灣碳權交易所. (2023). 臺灣碳權交易所官方網站. https://www.tcx.com.tw/zh/

環境部. (2024). 氣候變遷因應法. 全國法規資料庫. https://law.moj.gov.tw/LawClass/LawAll.aspx?pcode=O0020098

環境部. (2024). 合格查驗機構. 事業溫室氣體排放量資訊平台—溫室氣體盤查登錄. https://ghgregistry.moenv.gov.tw/epa_ghg/VerificationMgt/InspectionAgency.aspx

英文文獻

Boonrat, P., Hartmann, N., & Werapun, W. (2025). Tokenisation of forest carbon project: A blockchain-based approach for community engagement. Journal of Tropical Ecology, 41(4), 345–357. https://doi.org/10.1017/S0266467425000189

Efron, B., & Tibshirani, R. J. (1993). An Introduction to the Bootstrap. Chapman & Hall/CRC.

IPCC. (2003). Good Practice Guidance for Land Use, Land-Use Change and Forestry. J. Penman, M. Gytarsky, T. Hiraishi, T. Krug, D. Kruger, R. Pipatti, L. Buendia, K. Miwa, T. Ngara, K. Tanabe, & F. Wagner (Eds.). Institute for Global Environmental Strategies (IGES) for the IPCC. https://www.ipcc-nggip.iges.or.jp/public/gpglulucf/gpglulucf.html

IPCC. (2022). Climate Change 2022: Mitigation of Climate Change. Contribution of Working Group III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press. https://doi.org/10.1017/9781009157926

Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design science in information systems research. MIS Quarterly, 28(1), 75–105. https://doi.org/10.2307/25148625

Lim, K., Treitz, P., Wulder, M., St-Onge, B., & Flood, M. (2003). LiDAR remote sensing of forest structure. Progress in Physical Geography, 27(1), 88–106. https://doi.org/10.1191/0309133303pp360ra

Kotsialou, G., Kuralbayeva, K., & Laing, T. (2022). Blockchain's potential in forest offsets, the voluntary carbon markets and REDD+. Environmental Conservation, 49(3), 203–212. https://doi.org/10.1017/S0376892922000157

Lefort, T., Affouard, A., Charlier, B., Lombardo, J.-C., Chouet, M., Goëau, H., Salmon, J., Bonnet, P., & Joly, A. (2025). Cooperative learning of Pl@ntNet's artificial intelligence algorithm: How does it work and how can we improve it? Methods in Ecology and Evolution. Advance online publication. https://doi.org/10.1111/2041-210X.14486

Liu, S., Bitterlich, W., Cieszewski, C. J., & Zasada, M. J. (2011). Comparing the use of three dendrometers for measuring diameters at breast height. Southern Journal of Applied Forestry, 35(3), 136–141.

March, S. T., & Smith, G. F. (1995). Design and natural science research on information technology. Decision Support Systems, 15(4), 251–266. https://doi.org/10.1016/0167-9236(94)00041-2

Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A design science research methodology for information systems research. Journal of Management Information Systems, 24(3), 45–77. https://doi.org/10.2753/MIS0742-1222240302

Takeuchi, K. (2012). Rebuilding the relationship between people and nature: The Satoyama Initiative. Ecological Engineering, 45, 9–15. https://doi.org/10.1016/j.ecoleng.2011.03.004

Verra. (2024). VCS Standard v4.7. Verified Carbon Standard. https://verra.org/wp-content/uploads/2024/04/VCS-Standard-v4.7-FINAL-4.15.24.pdf

Verra. (2024). Validation and verification bodies. Verified Carbon Standard. https://verra.org/validation-verification/

Verra. (2025). VM0047 Afforestation, reforestation, and revegetation, v1.1. Verified Carbon Standard. https://verra.org/methodologies/vm0047-afforestation-reforestation-and-revegetation-v1-1/

Bates, D., Mächler, M., Bolker, B. M., & Walker, S. C. (2015). Fitting linear mixed-effects models using lme4. Journal of Statistical Software, 67(1), 1–48. https://doi.org/10.18637/jss.v067.i01

Pertuz, S., Puig, D., & Garcia, M. A. (2013). Analysis of focus measure operators for shape-from-focus. Pattern Recognition, 46(5), 1415–1432. https://doi.org/10.1016/j.patcog.2012.11.011

Pinheiro, J. C., & Bates, D. M. (2000). Mixed-Effects Models in S and S-PLUS. Springer.

Porter, M. E., & Kramer, M. R. (2011). Creating shared value. Harvard Business Review, 89(1/2), 62–77.

Weiss, C. H. (1997). Theory-based evaluation: Past, present, and future. New Directions for Evaluation, 76, 41–55. https://doi.org/10.1002/ev.1086

附錄 B　系統技術部署指南

此附錄提供完整的技術部署步驟，使讀者得以於本機環境重現此專案之影片量測系統，並於 Google Cloud Platform（GCP）建置三節點 Hyperledger Besu 企業私鏈。部署流程涵蓋作業系統前置需求、應用層服務啟動、區塊鏈基礎設施建置與日常維運排錯。

B.1　系統部署拓撲

此系統採三層部署架構：使用者端、應用層與區塊鏈層。使用者透過瀏覽器或手機網頁上傳量測影片，應用層執行於本機（Node.js 18 LTS + better-sqlite3）負責影片解析、Gemini API（Google Generative AI）影像分析與胸高直徑（Diameter at Breast Height, DBH）計算，最後將碳匯量測結果寫入 GCP 上之 Hyperledger Besu 私鏈以供存證。

圖 B-1　系統三層部署拓撲示意圖（使用者端 / 應用層 / 區塊鏈層）

B.2　開發環境前置需求

B.2.1　WSL2 安裝

以系統管理員身分開啟 PowerShell 執行下列命令：

wsl --install -d Ubuntu-22.04

安裝完成後重新啟動電腦，首次進入 Ubuntu 終端機時設定 UNIX 使用者名稱與密碼，即完成 WSL2 環境建置。

B.2.2　Node.js 安裝

建議使用 Node Version Manager（nvm）以利於多版本切換：

curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.7/install.sh | bash
source ~/.bashrc
nvm install 18
nvm use 18

驗證安裝：

node -v # v18.x.x
npm -v # 10.x.x

B.2.3　Google Cloud SDK 安裝與授權

至 Google 官方頁面下載 Cloud SDK 安裝程式，安裝完成後執行下列命令完成帳號授權與專案綁定：

gcloud auth login
gcloud config set project level-up-374308

本機 SSH 金鑰需上傳至 GCP Metadata，日後即可透過 OpenSSH 直接連入 VM：

gcloud compute config-ssh
ssh besu-bootnode.us-east1-b.level-up-374308

B.3　影片量測系統部署（forest-carbon-measurement）

B.3.1　取得程式碼與相依套件

git clone https://github.com/Yuchiaoniu/forest-carbon-measurement.git
cd forest-carbon-measurement
npm install

此步驟會安裝 Express、better-sqlite3、@google/generative-ai、ethers、fluent-ffmpeg 等核心相依套件，其中 @ffmpeg-installer/ffmpeg 會自動下載對應平台之 FFmpeg 執行檔，無需額外手動安裝。

B.3.2　環境變數設定（.env）

複製 .env.example 為 .env 後填入下列必要變數：

B.3.3　智能合約部署

碳匯紀錄合約位於 contracts/CarbonCredit.sol，透過下列命令編譯並部署至 Besu 私鏈：

npm run deploy # 執行 scripts/deploy.js

部署完成後將輸出合約地址，請手動更新至 .env 之 CONTRACT_ADDRESS 變數。

B.3.4　啟動 Web 服務

npm start

預設於 http://localhost:3000 啟動。若 3000 埠被占用，server.js 會自動嘗試後續埠號（3001、3002…），實際運作埠號請參閱 server.log 之首行輸出。

B.4　Hyperledger Besu 企業私鏈部署（GCP）

此專案採三節點 QBFT（Quorum Byzantine Fault Tolerance）共識機制，分散部署於 GCP 三個區域以提升可用性。節點規格與角色如下表所示。

B.4.1　GCP 基礎設施建置

執行本機端 setup-infra.sh 一次性建立 VPC、防火牆規則、Service Account 與 GCS bucket：

cd C:\Users\yuchi\besu-gcp
bash setup-infra.sh

腳本完成後將輸出下列 GCP 資源：

• VPC：besu-vpc（含三區域子網段）
• 防火牆規則：放行 P2P 30303 與 RPC 8545/8546
• Service Account：besu-node-sa@level-up-374308.iam.gserviceaccount.com
• GCS bucket：gs://level-up-374308-besu-chain（用於 enode 與 genesis 共享）

B.4.2　三節點啟動順序

啟動順序為 bootnode → member-1 → member-2。此順序確保引導節點先取得 enode URL 並上傳 GCS，後續節點再自動下載並建立 peer 連線。

gcloud compute instances start besu-bootnode --zone=us-east1-b
# 等待約 60 秒，使 bootnode 完成 enode 上傳
gcloud compute instances start besu-member-1 --zone=us-central1-a
gcloud compute instances start besu-member-2 --zone=us-west1-b

# 啟動後查詢新分配的 External IP
gcloud compute instances list --project=level-up-374308

External IP 為臨時性，每次 VM 重啟皆會變動。取得新 IP 後須同步更新影片量測系統 .env 之 BLOCKCHAIN_RPC_URL 變數。

B.4.3　節點健康檢查

VM 上預置 ~/check-node.sh 腳本，可一次性回報節點同步狀態。於本機批次執行三節點檢查：

$SSH = "C:\WINDOWS\System32\OpenSSH\ssh.exe"
$KEY = "$env:USERPROFILE\.ssh\google_compute_engine"
foreach ($entry in @(
"bootnode=<IP1>",
"member-1=<IP2>",
"member-2=<IP3>"
)) {
$name = $entry.Split("=")[0]
$ip = $entry.Split("=")[1]
& $SSH -i $KEY -o StrictHostKeyChecking=no `
"yuchi@${ip}" "bash ~/check-node.sh"
}

預期輸出：peers 數 ≥ 2、blockNumber 持續遞增（每 15 秒 +1）、與 funded 帳號 0xf39F…2266 之餘額為 1,000,000 ETH。

B.4.4　鏈上資料查詢

本機腳本 query-tx.sh 與 decode-tx.sh 提供交易層級的查詢與解碼功能：

bash query-tx.sh <txHash> # 取得 transaction receipt
bash decode-tx.sh <txHash> # 解碼 recordMeasurement input data

交易解碼將還原 CarbonCredit.sol 之 recordMeasurement() 呼叫參數，包含樹木 ID、量測雜湊與時間戳，可與本地資料庫之 measurements 表進行一致性比對，驗證鏈上紀錄與原始量測結果是否完全相符。

B.5　維運與排錯

日常維運建議以 journalctl -u besu -f 監看節點即時日誌，並定期檢視 GCS bucket 中之 enode 檔案時間戳，確保引導資訊處於最新狀態。若需停機節省雲端費用，請依「member-2 → member-1 → bootnode」逆順序執行 gcloud compute instances stop，避免於 bootnode 已下線時其他驗證節點仍嘗試重連。

本附錄涵蓋此系統從本機開發環境到 GCP 雲端私鏈之完整部署流程。若於部署過程遭遇本附錄未涵蓋之情境，可參考各專案 GitHub Issues 區段或聯繫此專案維護者進行協助。

附錄 C　回饋機制、社區教育與企業私鏈應用規劃

圖 C-1　回饋機制「收集—整理—回饋—再造」四步驟迭代循環

C.1　建立回饋機制

系統透過問卷調查、線上論壇與操作紀錄回報收集使用者意見，經標準化分類框架整理為可操作改進清單，透過版本公告向使用者回饋採納結果，再將改進方向納入下一迭代。此循環同時涵蓋中小地主、企業與政策單位三類角色之差異化需求。

C.2　社區人力溝通與推廣教育

教育推廣採「培養—傳遞—擴散—落地」四階段策略：以教學影片與操作手冊培養基礎能力，透過工作坊與線上平台傳遞資源，透過社區組織與企業內訓擴散影響，以使用者回饋機制確保學習成果落地為實際操作行動。

C.3　企業私鏈應用規劃

企業私鏈採「嵌入—測試—比較—擴展」四步驟策略。私鏈提供封閉環境中之碳紀錄登錄與驗證，與公鏈形成「內部私鏈管理—外部公鏈存證」雙層架構，長期目標為建立跨企業聯盟鏈，支援供應鏈碳紀錄之共同管理。

附錄 D　31 棵樣本樹皮尺對照完整記錄

31 棵樣本詳細對照數據詳見第四章表 4-3。

附錄 E　從皮尺到結論：論文完整統計流程白話說明

第一層：田野量測與地面真值的建立

研究從 32 棵樣本樹的實地量測開始。每棵樹在距離地面 1.3 公尺的高度（即胸高，Breast Height）用皮尺直接測量直徑，這個數值稱為胸高直徑（DBH，Diameter at Breast Height）。DBH 是整個統計分析的「地面真值（ground truth）」——它代表正確答案，後續所有 AI 估算的誤差都以它為基準計算。32 棵樣本樹共涵蓋 14 個樹種，且分布極不均勻，有些樹種只有 1–2 棵，這個特性在後期的 LMM 分析中至關重要。

第二層：系統輸出——三條處理分支

每支田野影片進入系統後，依照影像條件走三條不同路徑：

Path 0：操作者在樹幹上人工架設量尺或刻度貼紙，Gemini Vision 用視覺辨識（功能類似光學字元辨識，OCR）從影片幀裡讀取量尺刻度數字，再透過群聚演算法（clusterByRelativeDiff）從多幀讀數中取最穩定的中位數，得出 DBH 估算值。「人工」指的是架設量尺的動作，讀數由 AI 完成。這條路徑因為有已知尺寸參照物輔助，通常精度最高，在論文裡扮演對照基準的角色。

Path A：系統從畫面裡自動辨識已知尺寸的參照物（量尺、信用卡），用幾何比例換算出 DBH，不需要操作者手動架設。

Path B：備援路徑，找不到任何參照物時啟動。系統先用 CLAHE（對比度限制自適應直方圖均衡化）增強影像對比度，再交給 AI 直接估算 DBH，最後套用修正因子（CF，Correction Factor）補償 AI 系統性低估的傾向。Path B 的 CF 機制是整個研究的核心。

三條路徑最終輸出的都是「AI 估算 DBH」。每棵樹的估算值減去皮尺真值，得到絕對誤差（Absolute Error），再除以皮尺真值、乘以 100，得到絕對百分比誤差（APE，Absolute Percentage Error）。APE 是後續所有精度統計的原始材料。

第三層：五條統計流程——找出最佳前處理配置

為了找出最佳的幀選取與前處理配置，同一批 31 棵有效樣本（第 32 棵因 AI 辨識失敗無估算值而排除）被送進五種不同處理流程（P1a、P1b、P2、P3、P4），比較各流程的整體精度。這五條流程不改變 Path 0/A/B 的演算法，只改變送給 AI 的幀如何選取、影像解析度是多少。

精度以兩個指標衡量：

MAE（Mean Absolute Error，平均絕對誤差）：31 棵樹絕對誤差的算術平均值，單位是公分。目的是直接反映「平均差了幾公分」，和真實距離有直覺連結。

MAPE（Mean Absolute Percentage Error，平均絕對百分比誤差）：31 棵樹 APE 的算術平均值，用百分比表示。目的是讓不同體型、不同樹種的誤差可以放在同一把尺上比較——20 公分的樹差 2 公分和 80 公分的樹差 2 公分，APE 不同，才能公平反映系統表現。P4 生產系統最終達到 MAPE = 15.6%，是五條流程中最低的，確定為最終部署配置。

第四層：Bootstrap 重採樣——讓精度數字更可信

MAPE = 15.6% 只是一個點估計，代表「用這 31 棵樣本算出來的結果」。如果換一批樣本，結果會不會差很多？這個問題靠 Bootstrap 重採樣（Bootstrap Resampling） 回答。

具體做法：從 31 棵有效樣本裡「有放回抽樣（sampling with replacement）」，也就是每次抽完一棵放回去再抽，因此同一棵樹可能被抽到兩三次，另一棵一次都沒被選到——每次抽出的是一組不同的 31 棵。抽完後計算一次 MAPE，記錄這個值，重複 10,000 次。重複這麼多次的目的是讓結果分布夠穩定，信賴區間的邊界不會因為次數太少而飄移。

10,000 個 MAPE 值排序後，取第 250 個（第 2.5 百分位）和第 9,750 個（第 97.5 百分位），就是 Bootstrap 95% 信賴區間（CI，Confidence Interval） 的下界和上界。95% CI 的意義是：若在相同條件下重複 100 次田野量測並計算 MAPE，約 95 次的結果會落在這個區間內。Bootstrap CI 讓精度報告從「一個數字」升級為「一個有可靠度保證的區間」。同樣的做法也對 MAE 執行一遍。

第五層：Verra 合規驗算——滿足碳權標準的 90% CI

除了學術精度報告，系統還需要通過 Verra VM0047 §8.5 的碳權合規門檻。Verra 規定以 90% CI（而非學術慣例的 95% CI）進行驗算，兩者信賴水準不同，各有各的出處，不是矛盾。

Verra 的計算邏輯是「半寬佔均值比率」：把 90% CI 的上界減下界除以 2，得到半寬；再把半寬除以均值，換算成百分比。Verra VM0047 §8.5 對碳權核發之唯一量化門檻，是要求這個比率低於 100%（即半寬不得超過均值本身）。本專案另自訂一個遠比 Verra 更嚴格的內部精度目標——把這個比率壓在 8% 以內——以確保量測的不確定範圍極小、可作為高可信度的碳儲量基礎；此 8% 為本專案自訂之內部目標，並非 Verra 條文。

研究結果：DBH 層級 6.3%，遠低於 Verra §8.5 的 100% 核發門檻，通過 Verra 合規驗算；同時也低於本專案自訂的 8% 內部精度目標。

第六層：動態 CF 與靜態 CF 的定義與分工

在進入後續實驗之前，先說清楚 CF 的形態。

生產系統使用的是動態自演進 CF——每個樹種各自維護一個 CF，每新增一筆田野量測就重新計算，不斷校準，不同樹種之間的 CF 數值是獨立的。這是系統真實運作的狀態，最終加權平均約 ×1.155。

靜態全域 CF 是「如果當初用比較簡單的方法——所有樹種共用同一個固定乘數——結果會怎樣」這個假設問題的答案。它不進入生產系統，只用於後續比較實驗。

第七層：LOOCV——建立靜態 CF 的客觀基準

要做比較實驗，必須先算出靜態全域 CF 的客觀估計值。研究使用 LOOCV（Leave-One-Out Cross-Validation，逐一剔除交叉驗證） 計算：每次剔除第 i 棵樹，用剩下 30 棵算出一個靜態 CF，再把這個 CF 套回第 i 棵的預測誤差，記錄結果，重複 31 次取平均。排除離群值後，靜態全域 CF ≈ ×1.10。這個數字只是後續實驗的輸入材料，不代表系統要改用這個值。

第八層：CF 敏感度掃描——動態 CF 之後，還需要疊加靜態補丁嗎

研究者有一個問題：動態 CF 跑完之後，如果再疊加一個全域靜態乘數，會讓結果更好嗎？

這裡的計算結構是：

最終 DBH = AI 原始輸出 × 動態 CF × 額外靜態乘數

當額外靜態乘數 = ×1.00，等於不加任何靜態補丁，最終值就是動態 CF 的結果；當乘數 = ×1.10，代表在動態 CF 校準完之後再統一往上推 10%。

掃描把這個額外乘數從 ×1.00 掃到 ×1.20（步長 0.025），每個值分別計算通過率（Pass Rate）——即 APE ≤ 25% 的棵數佔比。此 25% 門檻的來源是 Hevner 系統設計準則三的實用效益評估門檻：準則三要求系統提供可評估的實用效益，本專案以「APE ≤ 25% 的棵數佔比」量化系統精度。此 25% 為本專案自訂之精度目標，並非 Verra VM0047 條文；論文以此作為通過與否的判斷標準。

掃描結果顯示 CF = ×1.00 時通過率最高（74.2%，23/31 棵），也就是「不加任何靜態補丁」是最好的選擇。動態 CF 已經把偏差校準完畢，再疊加靜態層只會把原本校準好的結果推偏。

第九層：LMM——靜態 CF 如果取代動態 CF，偏差會差多少

敏感度掃描回答的是「疊加」的問題；LMM 回答的是「取代」的問題——如果整個系統捨棄動態 CF、改用靜態全域 CF ×1.10，排除樹種干擾後，偏差平均會變差多少？

直接比較兩種條件下的整體 MAPE 行不通，因為 14 個樹種分布不均勻，高估傾向的樹種如果恰好樣本多，就會把整體平均拉偏。解決方法是用 LMM（Linear Mixed Model，線性混合模型），透過 Python 的 statsmodels MixedLM 模組，以 REML（Restricted Maximum Likelihood，限制最大概似估計） 方法求解。選用 REML 而非普通最大概似估計（MLE），是因為 REML 對隨機效應的變異數估計更不偏，在只有 31 棵樣本的情況下這點特別重要。

LMM 把「樹種」設定為隨機效應（Random Effect），讓每個樹種有自己的偏差基準線（截距，intercept），自動把各樹種先天偏高或偏低的傾向從總誤差裡分離出去。吸收完樹種差異之後，再用固定效應（Fixed Effect）的 β₁（唸 "beta one"） 測量「改用靜態 CF 這個動作本身，在排除樹種影響後，平均讓偏差變動幾公分」。

β₁ = +2.91 cm 算出後，用 p 值（p-value） 判斷這個結果是否可信：虛無假說（H₀）是「改用靜態 CF 對偏差沒有影響，β₁ = 0」。p = 0.004 代表：如果 H₀ 成立，隨機抽樣卻觀察到「β₁ ≥ +2.91 cm」的機率只有 0.4%。慣例顯著性門檻是 p < 0.05，p = 0.004 遠低於這個門檻，H₀ 被拒絕。

白話：統計上幾乎可以確定，改用靜態 CF 確實讓偏差顯著增加了將近 3 公分，這不是隨機誤差，是真實的系統性惡化。

第十層：ICC——確認動態機制在各樹種均勻有效，並說明限制

LMM 擬合完成後，模型同時輸出兩個變異數估計值：τ²（tau squared，組間變異數）代表樹種層級能解釋的誤差變異量；σ²（sigma squared，組內殘差變異數）代表樹種內部剩餘的個體隨機變異量。兩者組合成組內相關係數（ICC，Intraclass Correlation Coefficient）：

ICC = τ² / (τ² + σ²)

ICC 介於 0 到 1。越接近 1，代表「樟樹系統性高估、竹子系統性低估」這類樹種層面的規律仍然存在；越接近 0，代表樹種分組幾乎解釋不了任何東西，各樹種的殘差結構趨近相同。

動態 CF 校準完成後，各樹種殘差都趨近零，τ² 也趨近零，代入公式得 ICC = 0.000。

白話：模型試圖用「樹種」解釋剩餘誤差，但完全解釋不了——動態 CF 已經把每個樹種的偏差分別校準到接近零，剩下的誤差是每棵樹各自的個體隨機波動，不再有任何樹種層面的系統性盲點。

統計盲點說明：ICC = 0.000 有兩種解讀。主要解讀是動態 CF 機制均勻有效；但同時也存在一個小樣本的替代解釋——31 棵樣本分散在 14 個樹種，部分樹種只有 1–2 棵代表，REML 在組內樣本極少的情況下，τ² 本來就容易估算趨近於零，不一定完全反映真實的組間差異。論文結果將 ICC = 0.000 解讀為動態機制成功的間接證明，但在樣本數限制下，這個結論的統計強度受到一定程度的制約。

第十一層：通過率與 Hevner 準則三

通過率（Pass Rate）除了作為敏感度掃描的評估指標，也是 Hevner 系統設計準則三的核心評估數字。準則三要求系統提供「可評估的實用效益」，論文以「APE ≤ 25% 的棵數佔比 = 74.2%（23/31）」量化系統的實際應用精度。這個 25% 門檻同時符合 Verra VM0047 的規範要求，兩個框架下的評估標準合而為一。

結論的完整邏輯鏈

六個統計結果串在一起，形成一條完整的論證鏈：MAPE = 15.6% 加上 Bootstrap 95% CI 說明精度數字穩健可信；Verra 90% CI 半寬佔均值比率（DBH 6.3%）遠低於 Verra §8.5 的 100% 核發門檻、說明通過碳權合規門檻，同時也低於本專案自訂的 8% 內部精度目標；敏感度掃描確認動態 CF 之後不需要任何靜態補丁（最優額外乘數 = ×1.00）；β₁ = +2.91 cm（p = 0.004）說明如果用靜態 CF 取代動態 CF，偏差顯著惡化；ICC = 0.000 說明動態 CF 在 14 個樹種之間均勻有效，但受小樣本限制，τ² 的估計本身帶有一定不確定性，需要在解讀上保持審慎。

五者合力支撐論文的核心結論：動態自演進 CF 機制不需要靜態補丁輔助，也不應被靜態固定值取代，自己就足以在多樹種、樣本分布不均勻的真實田野環境下完成有效校準，且結果符合 Verra 國際碳權標準。