• 期刊

以時間序列遙測資料評估大規模崩塌地植被結構與光譜指標的恢復速率差異

本研究以時間序列的植生光譜變量為基礎，建立冠層結構推估模型來檢測大規模崩塌的植被恢復，並比較植生指標與冠層結構的恢復速率差異。分析顯示，機器學習模型能有效模擬冠層結構，模擬值與觀測值的R^2可達0.9以上，可在廣泛的時空尺度下推演植被結構變化。植被恢復軌跡呈現高度變異，僅約14%的崩塌表面有望能恢復至成熟林分狀態。植生指標的恢復突顯了飽和效應問題，容易高估恢復速率，估計良好恢復的植被能在15年內到達成熟森林水準，但冠層結構則需要數十年至百年的發展時間。故植生指標適用於初期演替階段的評估，長期復育監測仍須考量植被結構變化，整合光譜與結構訊息將有助於更全面地評估復育動態。

• 期刊

深度學習影像特徵匹配應用於無人機影像視覺定位

當無人機（unmanned aerial vehicle，UAV）配備之定位及定向設備無作用時，可使用影像視覺定位技術單以影像共軛點進行空間後方交會推導載具外方位。本研究提出影像視覺定位流程，並改善使用深度學習模型特徵點匹配時因影像間平面旋轉而匹配成功率大幅降低地問題。加入資料擴增隨機旋轉影像，以特徵萃取模型提取特徵後輸入匹配模型學習。另外，透過提出內插法以及可學習參數法將原本用於匹配之特徵描述符替換為傳統特徵描述符，使其具有旋轉不變性。萃取影像中之特徵點並進行匹配後，可用一般傳統攝影測量空間後方交會求解位於載具上的相機6個外方位元素，進行載具定位。經本文影像視覺定位流程，解算外方位平面位置誤差最佳可達3m、姿態角誤差最佳可達1.3°。

• 期刊

使用深度學習演算進行Sentinel-2影像之土地利用和土地覆蓋分類

土地利用和土地覆蓋（land use and land cover，LULC）圖是各種景觀規劃與資源管理中不可或缺的基礎資料。深度學習的卷積神經網路（convolutional neural network，CNN）可自動擷取遙測影像特徵，快速獲取LULC圖，近年來已成為廣受關注的影像分類方法之一。本研究選擇Sentinel-2衛星影像做為材料，建構具有7層架構的CNN模型執行LULC分類，並與機器學習的隨機森林（random forest，RF）進行比較。結果顯示，CNN在總體準確度（89%）和kappa係數（0.84）方面均優於RF（分別為87%與0.81）。9種LULC類型中，除草地、休耕稻作與農用設施外，其餘類型的分類結果均達到可接受的水準。總結而言，CNN展現了深度學習結合衛星影像在大面積製圖上的應用潛力。

• 期刊

合歡山地區玉山箭竹分布與地形的關係探討

合歡山區有大面積玉山箭竹覆蓋，鄰近山區相近海拔高度區域則不一定有大面積玉山箭竹分布。因此利用福衛五號衛星影像進行合歡山區地表覆蓋的非監督式分類及分類結果評估，結合20 m數值地形模型，進行地形分析。發現玉山箭竹所在的高度與前人研究所述一致，主要在3100 m至3600 m，研究並發現箭竹分布區較針葉林的坡度緩。另從分析結果發現研究區的玉山箭竹主要分布於東坡及東南坡，與前人提出玉山箭竹多分布在南坡有差異。本研究整理出合歡山區的玉山箭竹從海拔1800 m以上即有分布，但3000 m以上箭竹林分布的面積比例大幅提高，且主要出現在山頭、山脊線等較為緩的區域。綜合上述，除了高度影響，坡度是影響合歡山區玉山箭竹分布的重要因素。