• 期刊

以攝影測量方式建立無人機影像曜光模式之研究

無人機影像和航遙影像同樣會受到太陽曜光影響。雖已有不同方式可最小化太陽曜光對影像的影響，但目前尚不確定過去使用於低空間解析度影像的處理方法，是否能夠有效應用於高空間解析度的影像。本研究欲於無人機於航線規劃階段，瞭解曜光可能的出現情形。在對研究區域建立地表、太陽及攝影站之空間關係後，研究將進行曜光預估的計算。根據研究之模擬，使用攝影測量方式建立之曜光預估模式可使使用者於航線規劃階段得知曜光於整體影像蒐集過程之分佈，並可依時間、外方位元素之調整要點，為目標飛行時段帶來較佳有效影像蒐集效率之航拍規劃。

• 期刊

結合深度學習與街景影像建構街道廣告招牌之空間聚集指標

近年來許多研究透過深度學習建構都市量化指標，作為後續相關議題結合應用。基於臺灣廣告招牌密度高、樣式多元，本研究旨在應用常見深度學習（Deep Learning）之語義分割（Semantic Segmentation）以及物件偵測（Object Detection）方式，量化街景影像中廣告招牌街道空間聚集狀態，並探討研究區域空間分布型態。成果顯示，Deeplab v3+模型訓練平均交併比（Mean Intersection over Union, MIoU）值可達83%；YOLOv7模型精確率（Precision）與召回率（Recall）分別可達91.7%與87.1%，顯示有一定辨識成效，亦可與實際分布情形相符合。本研究可為後續廣告招牌進一步應用與探勘，以及相關領域結合應用之契機。

• 期刊

藉由相隔15年的兩組數據探索蘇鐵蕨物種分布模型之時間可轉移能力

本研究旨在探討不同演算法對物種分布模型（species distribution model, SDM）時間可轉移能力（transferability）的影響，以及使用深度學習法建立SDM的可能性。研究以蘇鐵蕨為目標物種，獲取該物種兩組調查時間相隔15年之數據，以最大熵值法（maximum entropy, MAXENT）、隨機森林（random forest, RF）、支持向量機（support vector machine, SVM）和深度學習法U-net進行試驗。結果顯示，MAXENT和SVM有最佳的時間轉移能力，而U-net也有機會獲得甚佳的成果。顯示深度學習具研究潛力，後續研究有必要採納更多種類的深度學習法，並持續試驗。惟在環境變數方面，單獨使用地形因子可能限制了模型的時間轉移性，需尋找與物種更具直接因果關係的生態因子提高可轉移性。

• 期刊

應用四物候日無人機影像空間外推入侵外來種－小花蔓澤蘭之空間型態

本研究以無人機獲取外來入侵種小花蔓澤蘭（Mikania micrantha；bitter vine, BV）兩試區A與B的四物候日多光譜影像，續以最大概似法、隨機森林與U-net空間外推BV的空間型態。建、驗模採兩組取樣策略：（1）兩試區以各自訓練樣本推測本身所在地、（2）雙向外推至另一無訓練樣本之試區。結果顯示，第一組三模型之kappa值皆高於0.75。第二組由試區A正向外推至B較試區B反向外推至A成效差，乃兩區植被型態及BV花況不同而致，尤以U-net更能掌握BV的空間型態，外推之kappa值最高達0.73。為改善此情況並更完整探討模型之效能及穩定性，後續將結合兩區樣本執行空間外推，期能改善目前外推之結果。