• Journals

海岸線自動偵測與AI模型

在遙測領域中，海岸線偵測是一重要的研究課題，尤其在面對氣候變遷、海平面上升和環境變遷等問題時，快速海岸線偵測有助於環境監測與管理。本研究結合水體指標和深度學習於外傘頂洲海岸線偵測，以指標如多種NDWI（Normalized Difference Water Index）與AWEI（Automated Water Extraction Index）相關公式來進行海岸線偵測研究，在GEE平台套用相關五個水體指標公式來區分出外傘頂洲區域的水體與陸地區域，產製二值化地圖，接著應用Otsu法自動找出閾值，以此閾值作為初始值後續再進行微調，本研究將所有結果來進行比對與觀察，確認整個海岸線偵測的自動化流程，最後，以深度學習模型產出海岸線偵測結果圖，使用深度學習U-Net模型，透過訓練後，U-Net模型可對衛星影像直接進行海岸線自動偵測，模型的準確度（Accuracy）達到99.6%、F1 Score為0.72，能有效的偵測出外傘頂洲主體的海岸線。

• Journals

應用魚眼鏡頭物像對應模式於雨量計顯露度測量

雨量計的運作受環境遮蔽程度影響，過度遮蔽可能導致降雨量測量偏差，為確保測量成果的代表性，雨量計應架設於開闊場域，並持續監測其遮蔽情形，針對此需求，本研究提出基於影像的演算法，以估計雨量計之環境顯露度。透過魚眼鏡頭拍攝雨量計上方的對空影像，套用魚眼鏡頭物像對應模式，並依據顯露度幾何條件定義參數，擬定傾斜誤差改正方法。實驗結果顯示，本研究所研擬之方法應用於顯露度測量，在方便野外的施作程序及考量各類誤差的修正模式下，可提供仰角誤差小於1度之測量品質，滿足顯露度測量之精度需求。

• Journals

室內三維製圖導入低成本點雲輔助策略與成本評估

研究使用低成本的RGB-D感測器，獲取室內點雲資料輔助人工三維製圖，並比較純人工測量與建模的做法，探討「測量作業時間」和「建模作業時間」的差異。在「測量作業時間」中，純人工測量花費的時間較RGB-D做法少了1小時25分鐘，原因在於後者因儀器限制必須執行多站掃描和點雲套合任務，使得測量時間倍增。在「建模作業時間」中，點雲輔助策略所花費的時間相較純人工建模少了4小時。綜合上述，本研究策略比純人工測量與建模所花時間少；若提升儀器規格或針對複雜且不規則的目標，「測量作業時間」的改善預期更為顯著。

• Journals

基於人工智慧分類法之無人機影像在精準農業中的應用：以台灣宜蘭縣部分鄉鎮的水稻田坵塊分類為例

隨著無人機與影像分析技術進步，精準農業逐漸成為提升農業效率的關鍵，本研究使用高解析度UAV影像並比較三種機器學習與深度學習模型於宜蘭縣水稻田坵塊偵測問題。機器學習模型如倒傳神經網路、羅吉斯迴歸與C5.0決策樹利用原始波段與紋理特徵，最佳精度為倒傳神經網路（總體精度95.62%、Kappa值0.912）；而深度學習模型為Alexnet、VGG16、VGG19同樣利用原始波段與影像增揚特徵後，最佳精度為VGG16（總體精度93.83%、Kappa值0.894）。雖然機器學習部分工具精準度略高，但其需依賴繁瑣特徵工程才能達成目的，反之深度學習只需要原始波段加入簡單影像增揚特徵後就能產生一定程度的判釋結果，這顯示圖像式（2D）CNN在地物判釋上的優越性，其在農業環境調查中具有高度的應用潛力。