照片地理定位 API：能回答什麼，不能回答什麼

名稱在寫任何程式碼之前就造成了混淆。瀏覽器的Geolocation API會回報裝置目前的位置，而且必須等使用者授權之後才行。照片地理定位 API 回答的是另一個問題，針對另一種輸入：這張照片是在哪裡拍的？照片可能是十年前拍的，地點也可能在地球上的任何一處。

另外還有三種同樣常被說成「定位照片」的技術：讀取 GPS 中繼資料、以圖搜圖，以及地標偵測。它們回傳的東西不同，失效的方式也不同，因此在選擇之前，先弄清楚你的產品真正要問的是哪一個問題，會很有幫助。

許多研究系統把這當作分類問題來處理。PlaNet是 Google 研究人員在 2016 年提出的模型，它把地球表面切成數千個格子，並用數百萬張有地理標記的照片訓練網路，預測影像屬於哪一個格子。輸出是散布全球的機率分布。一張里斯本電車的照片會把機率集中在一個地方；一張松林的照片則把機率稀釋到好幾個大洲。信心分數，實際上就是這個分布的摘要。

對產品設計來說，最重要的細節是：這一切都不需要照片已經存在於網路上。這個 API 可以處理從未公開發布過的照片，即使證據薄弱，它也能回傳答案，因此分數和地點同樣重要。模型如何讀取場景另有說明；本文談的是你如何運用輸出結果。

精確度的分布本來就不平均。PlaNet 會把照片密集的地區切成較小的格子，把稀疏的地區切成大得多的格子，因此它在某些城市區域能達到街道等級的精確度，農村地區則落在大得多的格子裡。預期大多數模型在訓練照片密集的地方會比較準。

EXIF GPS 是測量值，不是估計

手機記錄位置時，座標會寫入 EXIF 資料中一個專用的 GPS 區塊，標籤包括 GPSLatitude 與 GPSLongitude。GPS.gov 表示，智慧型手機在開闊天空下的典型精確度為 4.9 公尺。沒有任何視覺方法能接近這個精度，因此一個穩健的流程會先讀取中繼資料，只有在它缺失時才進行推論。對經過社群平台的影像來說，中繼資料通常已經遺失，因為上傳時的重新編碼會把它丟掉。

以圖搜圖是一種查詢

Google Cloud Vision 的網頁偵測展示了這一類工具的樣貌。它會回傳 fullMatchingImages、partialMatchingImages 與 pagesWithMatchingImages 等欄位。若存在相符的影像，它所在的頁面通常會直接寫出地點，這勝過任何估計。若照片是私人的或原始的，就沒有東西可以比對。引擎比較涵蓋了同一概念的消費者版本。

地標偵測能辨認知名地點

Cloud Vision 的地標偵測「偵測圖片中的熱門自然與人造結構」。每筆結果都包含 description（地標名稱）、score（分數）、標示其在畫面中位置的 boundingPoly，以及 locations 座標列表。Google 自己的範例會回傳聖瓦西里主教座堂（Saint Basil's Cathedral），分數為 0.78。

有兩個細節會讓團隊踩坑。一般街道根本不會回傳任何地標，因此涵蓋範圍很窄。而座標描述的可能是地標，而不是相機：Google 的參考資料指出，一個位置可能描述圖片中的場景，另一個位置則描述照片的拍攝地點。在塞納河對岸拍攝艾菲爾鐵塔的人，可能站在離鐵塔自身座標數百公尺遠的地方。

照片地理定位能為任何戶外場景估計區域

在四種方式中，視覺推論是唯一能對一條平凡、從未上過網路的街道提出看法的方法。代價是精確度。答案是附有信心分數的城市或地區，而不是測得的點；沒有地理證據的畫面，只會得到一個薄弱的答案，甚至沒有答案。

要避免的設計錯誤，是把估計座標和 EXIF GPS 合併成同一個位置欄位。下游的程式碼，以及閱讀其輸出的人，會把城市等級的猜測當成衛星定位那樣有把握。一路到介面層，都要把測得的位置與推論的位置分開，顯示時也要用不同方式標示。

估計座標同樣需要小心。為波爾圖回傳的一個點，代表的是好幾平方公里的區域。如果在街道縮放等級把它畫成釘點，使用者就會讀到一個根本不存在的精確度。

這份清單直接對應上面的表格。它不包含街道地址，因為視覺證據無法支持地址；而且它把中繼資料的讀取和視覺估計並列，而不是取代後者。

端點、定價、速率限制與上線日期尚未公布，本頁的任何內容都不應被理解為對它們的承諾。如果你正在規劃整合，請透過聯絡頁面申請搶先體驗，並描述你的使用情境。

在那之前，網站是最接近輸出結果的預覽，可以用真實照片來試。網站分析包含在 GeoSpy Premium 中，訂閱方案為每週 7.99 美元或每年 29.99 美元，會持續續訂直到你取消，而上傳的照片不會被保存。

• 市集刊登檢查。 一間刊登在巴塞隆納的度假租屋，如果照片強烈指向另一個國家，就值得再看一眼。把不吻合的情況交給審查人員，而不是自動拒絕刊登；同時記住，佔了刊登大部分的室內照片，給模型的可讀資訊很少。
• 新聞編輯室查證。 一張號稱拍攝於某座城市的爆紅影像，可以在任何人發布之前，先用畫面中的證據加以測試。地理定位只回答「在哪裡」，因此要搭配搜尋較早副本的做法，如如何查證照片真假所述。
• 旅遊與照片 App。 掃描的沖洗照片和匯出的影像通常沒有 GPS。估計結果可以建議相簿的地點，或把照片分組成一趟旅程，前提是介面把它呈現為使用者確認的建議。
• 保險理賠審查。 當理賠把損壞放在某個城鎮，而照片明確指向別處時，理算員就有理由提出疑問。單靠估計不能作為拒賠的依據。
• 研究。 要描繪大型影像資料庫的地理分布，或審核訓練資料集的地區偏誤，需要大規模的粗略標籤，而這正是此方法擅長產生的。

這五種情況的模式都一樣：估計負責標記，由人做決定。如果讓城市等級的猜測自動觸發結果，就會大規模地放大模型的每一個錯誤。結構化的 OSINT 流程說明了估計該放在其他檢查的哪個位置。

有些限制屬於證據本身，而不是模型。PlaNet 論文開宗明義指出，構造一種完全無法推斷地點的情境是輕而易舉的事。一面白牆、一間飯店的浴室，或一盤食物，都不帶任何地理資訊，而模型再大也改變不了這一點。

研究結果是有用的現實檢驗。在 230 萬張 Flickr 照片上，PlaNet 把 10.1% 的照片定位到 25 公里以內，這是其基準所認定的城市等級距離。PIGEON於 CVPR 2024 發表，以 GeoGuessr 的街景影像訓練，它把超過 40% 的猜測放在 25 公里以內。差距一部分來自較新的方法，一部分來自照片本身：街景畫面充滿道路標線與招牌，而一般的照片集裡有許多畫面根本沒有任何地理資訊。

地理定位也無法為影像作保。一張 AI 生成的街景，仍然會得到一個對應它最像的地點的估計。API 回答的是「這像是什麼地方」，而不是「這是真的嗎」。

1. Step 1從真實流量建立測試集示範影像都是挑選過、必定成功的。收集幾百張與使用者可能傳來的照片相似、真實地點已知的照片，並保持這組資料固定，讓不同廠商與版本能被公平比較。軼事也會誤導：一份在網路上爆紅、長達 1,100 字的 ChatGPT 提示詞，讓許多試過的人印象深刻，但在固定的 200 張照片測試集上，它的表現並不比簡短的提示詞好。
2. Step 2基準測試前先移除 GPS如果 API 同時讀取中繼資料，一張帶有地理標記的測試照片，測量的會是中繼資料讀取器，而不是模型。請先移除測試副本中的 EXIF 資訊，否則你會記錄下一個完美的分數，而這個分數到了正式環境就會消失。
3. Step 3以固定距離計分研究基準把猜測在 1 公里（街道）、25 公里（城市）、200 公里（地區）、750 公里（國家）或 2,500 公里（大洲）以內，視為正確。沒有附上距離的準確率聲明，無法與任何東西比較。
4. Step 4城市與鄉村都要測精確度往往跟著訓練照片的密度走，因此一個在首都很精準的模型，在農田裡可能很模糊。如果你的使用者兩種照片都會傳，就兩種都要測。
5. Step 5納入沒有可讀資訊的照片室內、特寫和單純的天空，應該回傳低信心。一個從飯店房間裡說出城市、而且信心很高的工具，也會對你的使用者做同樣的事。
6. Step 6檢查分數是否經過校準依信心值分組，並測量每組猜對的頻率。如果分數高於 0.8 的答案，並不明顯比接近 0.4 的答案更準確，那麼這個分數就不能用來決定門檻。
7. Step 7閱讀資料條款查明影像是否被保存、保存多久，以及是否用於訓練。照片可能算是個人資料，特別是當畫面中有人出現時。