• 期刊

基於幾何特徵以UNet分類空載光達地面點

空載光達為我國建立數值高程模型（Digital Elevation Model, DEM）之資料來源，然既有點雲分類演算法能力有限，使各廠商需投入大量人力編修點雲分類成果，以維持DEM品質。為加速地面點分類，本研究建立了一套基於幾何特徵的空載光達地面點人工智慧（Artificial Intelligence, AI）分類模式，光達點雲之幾何特徵資訊經投影至影像網格，以建立特徵影像，訓練UNet架構之神經網路。最後透過反投影機制，回饋影像分類成果至點雲，達成點雲分類。以城市區、農田區、森林區三個測試圖幅為例，使用AI分類之地面點產生之DEM與測繪廠商經檢核後之DEM，二者之高程差，分別有85.5%、94.6%、74.3%圖幅面積在空載光達觀測精度範圍±20cm內。本研究亦建議AI模型輸出之信心值，依地表環境設定不同地面點分類門檻值，提升人機協作效率。

• 期刊

森林崩塌復育及影響因子分析

多時序光學遙測影像已廣泛運用在植生恢復監測研究中，各類植生指標也經常被應用於評估複雜的復育過程。本研究利用Landsat衛星影像觀測神木村集水區2009年莫拉克風災崩塌後的植生恢復，比較不同崩塌規模與邊坡位置的復育差異，並分析影響復育的重要因子。研究結果顯示，常態化差異植生指標的復育趨勢較常態化燃燒比快。對比災前植生狀況，大型崩塌地復育速率明顯低於中小型崩塌，而崩塌上、中、下段位置的植生恢復具有相似的趨勢。在復育影響因子方面，經迴歸分析顯示，殘留植被對於長期的恢復最具有影響力，干擾前植生量與種源距離也是重要因素，地形特性對於植被定殖再生提供間接影響。

• 期刊

地面光達於都市林木材積式之建構

一般估算樹木的材積，常利用材積式進行推估，其過程需伐倒林木分段量測，屬破壞性調查且不但耗時費力。近來地面光達技術快速發展，利用光達點雲建立林木立體模型，進行材積估算，可避免砍伐林木，更能精確量測，可快速建立材積式。本研究旨在探討光達點雲資料在都市林木材積測計之應用，驗證TreeQSM演算法是否適用建立臺灣都市林木材積推估模式，及驗證準確性。結果顯示，比較現地量測、點雲人工量測與TreeQSM估算的胸高直徑、樹高及主幹材積皆無顯著差異，證實TreeQSM確可應用於都市林木材積推估，並建立配適良好的材積式，成為都市林木測計重要工具。

• 期刊

利用深度學習模型Mask R-CNN辨識鋼結構橋梁鏽蝕之研究

近幾年，鋼結構橋梁在臺灣逐漸盛行，但臺灣為容易發生鏽蝕的環境，因此橋梁的鏽蝕檢測必須投入大量成本進行維護。而本研究利用UAV結合Mask R-CNN進行鏽蝕辨識實驗，而結果表示該方法可以改善傳統橋梁檢測的缺點。而目前臺灣無適合本研究的鏽蝕數據集，故本研究自行建立了鏽蝕數據集；其匯入Mask R-CNN進行訓練，並經過本研究的實驗，揀選出最佳的超參數配置，即「優化器SGD搭配學習率1×10^(-3)」，而模型訓練的評估指標結果為：Recall可達97.1%、Precision可達90.4%、mAP可達91.0%以及mIoU可達89.0%；再經過辨識結果的分析，發現影像中的背景雜訊會影響鏽蝕的辨識。