本研究利用此結合多元量測技術新的作業方法，對古蹟點位定位精度與觀測時間的影響進行分析與研究，並結合此作業模式，對老街全區作雷射掃描點雲資料蒐集。提供可量測、可重複分析的數位資料基礎，對於文化資產保存、修復規劃、虛擬展示與建築變遷分析等應用具高度價值，期許對古蹟保存工程提出更佳的解決方案，以達成實現智慧城市建置的理念。

臺灣水域環境複雜，傳統多波束測深(MBES)資料品質檢核高度仰賴人工判讀，耗時且難以廣泛推廣。本研究以無人水面船(USV)於曾文水庫之實測資料為對象，探討含全域前處理之雙階段自動濾波架構的可行性。 研究流程包含三個層次：資料輸入前先進行Ping層級全域品管，以滑動視窗排除統計異常Ping；第一階段採動態四分位距法(IQR)粗篩，依局部地形複雜度自動調整閾值(平坦區 k=1.5、複雜地形 k=3.0)；第二階段分別導入孤立森林(IForest)與局部離群因子(LOF)進行精篩與效能比對。以實測點雲(72,886 點，水深 12.35–24.86 m)驗證，結果顯示：Ping品管排除 0.71%(515 點）異常資料，IQR粗篩移除 9.66%(6,988 點)明顯雜訊，合計前處理移除約 10.29%；第二階段 IForest與LO 各精篩移除約1.5%(分別980點與981點)。兩種方法所識別之雜訊分布具高度一致性，初步驗證架構可行性與參數穩定性。就運算效率而言，IForest 因無需計算距離矩陣，較LOF具更高處理時效，適合即時應用情境。 未來建議輔以人工標記樣本進行精確率與召回率之量化評估，以進一步優化模型效能。

The recognition of natural disasters from aerial imagery is essential for rapid emergency response and situational awareness. Although Vision-Language Models have recently shown strong potential in remote sensing, their effectiveness for aerial disaster classification, particularly in comparison with Vision Transformers, remains insufficiently explored. To address this gap, this paper presents a systematic benchmark evaluating representative Vision-Language Models and Vision Transformers on multi-class aerial disaster recognition using the AIDERv2 dataset. We develop a unified and modular training framework that enables consistent and reproducible experimentation across different model architectures. Through extensive experiments, we demonstrate that Vision-Language Models can be effectively adapted for aerial disaster recognition, while also revealing notable performance differences. The proposed framework facilitates fair comparison and provides empirical insights into the suitability of pretrained representations for disaster-specific patterns in aerial imagery.

農業勞動力短缺與智慧農業需求提升，本團隊以有興大智駕車專案，其中自駕電動割草機專案整合RTK GPS、光達與IMU 定位感測及自駕導航，實現自主除草作業。在此願景下，本系列研究以感知—定位—決策完整技術架構之自主移動機器人系統。硬體上，針對果園地形起伏、果樹遮蔽與衛星訊號不穩定，設計搭載VLP-16 光達、深度相機、雙天線GNSS 與高精度IMU 之感測平台，以Jetson Orin NX 為運算核心。定位上，系統性比較三種光達慣性SLAM，確保GNSS 劣化時仍具穩健姿態估測。決策上，交叉比較A*、Dijkstra 與DWA、TEB 規劃器於密集障礙環境之避障與行駛效率，完成從定位至控制之導航閉環。

本研究針對果樹遮蔽、地形起伏與衛星訊號不穩定等田間非結構化場域挑戰，提出對應之硬體解決方案。機構上，底盤採前輪阿克曼轉向，搭配輪轂馬達驅動與模組化避震懸吊，以適應不平整地形。感測方面，以 VLP-16 光達為主要環境感知元件，並配置深度攝影機輔助近距障礙偵測。定位採雙天線GNSS 配置，前後分置u-blox ZED-F9P 與 NovAtel PP7 接收器以提升精度，並整合IMU提供高精度姿態與角速度資訊，強化顛簸地形下之運動估測穩定性；底盤採快拆式電池搭配 BMS 管理系統。整體架構兼顧感測涵蓋、機構穩定與續航能力，為後續田間自主導航建立完整硬體基礎。

本研究系統性比較 LeGO-LOAM、SC-LIO-SAM 與 FAST-LIO2 三種光達慣性 SLAM 演算法之車載效能，以 NovAtel PwrPak7 RTK-GNSS/INS 之公分級定位作為參考解。設計兩測試場景以驗證穩健性：具嚴重多路徑與訊號遮蔽之密集建物區，及衛星能見度佳但特徵稀疏之開闊公園。透過 EVO 工具計算絕對軌跡誤差（ATE）與均方根誤差（RMSE），評估各演算法在里程計即時精度與全域地圖一致性之表現，藉此比較 Scan Context 迴環偵測、緊耦合迭代卡爾曼濾波與特徵萃取輕量化框架三種架構於不同環境之優劣。所建立之標準化評估流程，可為 GNSS 缺失或劣化頻繁之都市自動駕駛場景，提供演算法選型之實務參考。

本研究旨在探討移動機器人在障礙物環境及一般道路下，不同全域路徑規劃器與局部路徑規劃器組合之導航效能。過去研究多聚焦於單一規劃器之優化，鮮少針對全域規劃與局部規劃的交叉組合進行系統性量化分析。為此，本研究選取 A* 演算法與 Dijkstra 演算法 作為全域規劃器，並與 DWA（動態視窗法）及 TEB（時空彈性帶） 兩種局部規劃器進行 2 × 2 之橫向交叉對比實驗。模擬評估結果顯示，DWA 在密集區域極易使機器人原地打轉或導航超時；相較之下，TEB 透過動態優化，能將全域規劃的折線平滑化，展現出更佳的軌跡絲滑度與避障通過率。

光學衛星影像，受雲的干擾，使其用途受限。傳統上，光學衛星影像對於厚雲的處理，往往利用不同的光學衛星未受到雲遮蔽的影像，進行影像融合。合成孔徑雷達衛星具有全天候取像的特性，當光學衛星影像無法被運用於厚雲的填補時，合成孔徑衛星影像遂成為唯一填補光學衛星影像被厚雲遮蔽的依據。本研究引進深度學習Pix2Pix模式，建構合成孔徑衛星影像轉化成光學衛星影像。本研究建立Sentinel-1的合成孔徑衛星影像轉化成Sentinel-2光學衛星，進行Sentinel-2衛星影像的厚雲遮蔽填補。

內政部於111至113年度推動「精進影像特徵控制點資料庫工作案」，已完成全臺逾12,000點影像特徵控制點建置，並建立Pleiades衛星正射底圖、成果建置規範及供應機制，作為高解析度航遙測影像幾何改正與空間分析之基礎。然多數控制點係由歷史航照與衛星影像判釋取得，隨時間受地物改建、道路鋪面更新、標線重繪、植被變遷、陰影差異及影像幾何條件變動等因素影響，其長期穩定性與可用性難以確保。 本研究提出一套控制點存滅之自動化清查方法。首先於大臺北地區建立測試區，收斂正規化互相關（NCC）與結構相似度（SSIM）之雙指標檢核門檻，並於桃園地區進行獨立驗證。實驗結果顯示，整體判識準確率為95.04%，人工複核比例降至23%以下。此外，本方法導入多重像對比對與多視角決策機制，並採取保留優先原則，以降低單一影像視角因陰影或暫時性遮蔽所造成之誤判情形。結果顯示，所提方法可有效支援控制點資料庫之定期檢核作業，並提升維護效率與資料可靠性。

停車是所有駕駛者的需求，然而現在路邊停車的計費方式多為人工計費或停車柱(Smart Parking Meter)，除了耗費人力或設備安裝成本，也容易因此造成爭執或設備故障。隨著定位技術的發展，本專題提出一個創新的ROS2多感測器融合車牌定位系統，整合影像辨識與光達定位(LiDAR Odometry, LO)技術，實現車牌中心地理座標的推算。系統設計以ROS2為核心，確保高效能的資料傳輸與模組化架構。影像部分採用YOLOv5模型進行車牌偵測，快速且準確地獲取車牌中心的影像座標；定位部分則利用光達點雲與既有的點雲地圖進行NDT Scan Matching，提供在GNSS-denied環境下更穩定且可靠的車輛位姿估算。最後，透過座標轉換方法，將影像中的車牌中心點映射至實際地理座標(TWD97/TM2 zone 121, EPSG::3826)，完成跨感測器的資訊整合。 本研究的特色在於，影像與光達的資訊融合，不僅進行了車牌定位，也展現了ROS2在智慧交通與自動駕駛應用中的靈活性與可擴充性。成果可廣泛應用於智慧室內停車管理與自動駕駛輔助系統，具備高度的實用價值與延展性。此專題不僅驗證了技術可行性，更突顯了多感測器融合在未來智慧交通場域中的關鍵角色。 Parking is a universal need for drivers; however, current roadside parking fee collection methods often rely on manual billing or smart parking meters. These approaches not only incur labor and installation costs but also lead to disputes or equipment failures. With the advancement of localization technologies, this project proposes an innovative ROS2-based multi-sensor fusion system for license plate localization, integrating image recognition and LiDAR odometry (LO) to estimate the geographic coordinates of license plate centers.The system is designed with ROS2 as its core to ensure efficient data transmission and modular architecture. For image processing, the YOLOv5 model is employed to detect license plates, quickly and accurately obtaining the image coordinates of the plate center. For localization, LiDAR point clouds are matched against pre-built maps using NDT Scan Matching, providing stable and reliable vehicle pose estimation even in GNSS-denied environments. Finally, through coordinate transformation, the detected license plate center in the image is mapped to real-world geographic coordinates (TWD97/TM2 zone 121, EPSG::3826), completing cross-sensor information integration. The novelty of this research lies in the fusion of image and LiDAR data, which not only enables license plate localization but also demonstrates the flexibility and scalability of ROS2 in intelligent transportation and autonomous driving applications. The results can be widely applied to smart parking management, traffic monitoring, and driver-assistance systems, offering high practical value and extensibility. This project not only validates technical feasibility but also highlights the critical role of multi-sensor fusion in future intelligent transportation systems.

本研究旨在分析高雄港長期水質，突破季節分類盲點以捕捉隱性污染。方法導入兩階段無監督機器學習：先以自我組織映射圖(SOM)將12維水質特徵降維至8x8網格降噪，再透過K-Means劃分三大群集。結果顯示，模型除辨識出冬、夏季常態週期外，更精準篩出「極端異常」群集，成功捕捉暴雨引發的高泥沙非點源污染，及枯水期局部重金屬鉛污染突波。結論證實，此混合模型能有效排除雜訊，高度還原水文物理法則與化學異常，為港區環境監測提供高解釋力的決策工具。

本研究旨在建立海岸廢棄物影像辨識與風險評估模型，以改善傳統海廢調查仰賴人工判釋、分類不易及清運派遣效率不足等問題。研究整合海廢影像資料與平台數據，透過影像辨識技術判別廢棄物類型，並導入海廢風險係數，綜合考量廢棄物危害程度、數量規模、可回收性與空間分布特性，進行風險分級與高風險堆積區域辨識。研究成果可提供政府與海岸管理單位作為清運優先序、資源配置及現地管理決策之參考，使清理作業由被動清除轉向風險導向管理，進而提升海岸廢棄物處理效率，降低環境危害，並呼應 SDG 14 海洋保育與永續治理目標。

P 波初達時間(即縱波最早抵達時間)，其準確選取為震測訊號分析(如折射震測、鑽孔震測等應用)之重要基礎。然受限於人工標註成本高，本研究結合數值模擬資料與有限現地資料，建立深度學習式 P 波初達時間自動選取模型。研究流程包含波形資料前處理、人工基準標註、數值模擬資料建置、深度學習模型訓練與實測資料驗證。透過模擬資料補充不同波形與雜訊條件，使模型學習初達訊號特徵，並以現地資料檢核其判讀準確度與適用性。本研究可降低人工判讀負擔，提升有限資料條件下震測訊號處理效率，並作為後續事件定位與工程監測自動化分析之基礎。

隧道為交通運輸系統中重要基礎設施，隨服役年限增加，襯砌表面易產生裂縫、滲水、白華及表面修飾等異狀，若未能即時掌握其位置與分布，將影響維護管理與安全評估。本研究以營運中隧道光達掃描展開圖為資料來源，建立多類別襯砌異狀標註資料，並採用深度學習語意分割模型進行自動化判釋。研究針對樣本數有限及類別分布不均問題，透過亮度、對比、Gamma 調整及銳化進行資料增強。結果顯示，基準模型 mIoU 為 0.599，其中以 Gamma 調整成果最佳，mIoU 提升至 0.676，顯示資料增強可改善襯砌異狀分割成果，並可作為隧道襯砌影像異狀自動化判釋之參考。

台灣林型調查為碳匯估計與林業經營之基礎，而光譜相近之闊葉與竹林不易分離。本研究以台灣面積最大之闊葉、針葉、竹林三類純林為例，以第四次全國森林資源調查為地真，整合 Sentinel-2、Sentinel-1、ERA5-Land 氣候與 SRTM 地形共 35 維多源特徵，以隨機森林(RF)、 XGBoost 及 TempCNN、Transformer、輕量時序注意力等深度模型訓練，RF具有最高成效，總體準確率(OA) 0.869。SHAP 分析指出針葉林重要特徵來自環境，闊葉與竹林則仰賴光譜與紅邊波段．本研究發現，多尺度冠層紋理可有效降低闊竹混淆。針對持續雲遮，雷達加環境之模型於獨立年達 0.817，預測成果可標示易混區並支援現地查核，為多源感測器於森林監測提供研究基楚資訊。

本研究以Python程式設計啟發式演算法，探討空間配置自動化生成之可行性，並嘗試將成果應用於室內設計輔助軟體，以提升空間規劃效率與互動性。 研究以醫療診間與工廠兩種情境為例，將場地劃分為固定功能分區，採「面積排序優先放置＋隨機旋轉＋全域重試」機制，並搭配軸對齊邊界框碰撞檢測，確保各分區配置不重疊、不超出邊界。研究過程中發現初版演算法在高密度場地（工廠案例）下放置失敗率偏高，經改良後兩案例皆達到100% 配置成功率，且平均重試次數控制在3次以內，驗證了演算法穩健性的重要性。

在智慧城市發展趨勢下，地理資訊服務已逐漸由傳統空間資料管理，發展為整合多源資訊之智慧決策支援工具。本研究建構一套以地理資訊系統（GIS）為核心之自動化空間決策架構，整合景點點位、道路路網、氣象資訊及交通碳排放資料，透過 PyQGIS 建立空間資料處理流程，結合景點評分、路網最短路徑分析及碳排放估算模型，自動產生兼顧效率與低碳效益之旅遊路線。研究成果展示 GIS 空間分析、路網分析及多源資料整合於智慧資訊服務之應用能力，將傳統靜態圖資轉化為可支援決策之空間資訊，並驗證其於智慧觀光、低碳交通及永續城市治理等數位城市服務之應用潛力。

本團隊以雲林土庫地層下陷及高鐵沿線安全為研究場域，整合測量工程、地球科學、大地工程與營建管理等跨領域技術，建立「量測—分析—模擬—管理」之一體化研究架構。研究涵蓋 GNSS、精密水準、UAV、InSAR、PLAXIS 數值模擬及監測作業最佳化等主題，由多源監測資料建構地表變形時空資訊，進一步探討地下水抽取造成之沉陷機制及其對高鐵結構安全之影響，並建立工程監測最佳化策略。各子研究彼此相互串聯，從觀測技術發展、地球科學分析、力學模擬到管理決策形成完整研究鏈，不僅展現跨領域合作成果，亦可作為地層下陷監測、基礎設施維護及永續防災管理之重要技術基礎。

精密水準測量為建立高程參考與監測地層下陷之重要方法，惟外業耗時且人力需求較高，難以頻繁且大範圍施測。相較之下，e-GNSS可快速取得橢球高，若結合水準正高成果推估局部大地起伏，可掌握橢球高與正高之空間關係。本研究以雲林土庫地層下陷監測區為對象，整合多期e-GNSS與精密水準成果，計算各監測點局部大地起伏，並排除缺值與明顯離群值後，進行統計與同點多期差異分析。整合成果後可反映研究區局部大地起伏之空間分布及時間變化特徵，並作為後續高程成果整合、地層下陷監測與e-GNSS高程應用之參考。

本研究以雲林土庫地層下陷監測需求為背景，目的在開發多基站對單一移動站之高頻動態GNSS相對定位演算法，提升動態監測精度與可靠度。方法以RTKLIB單基線架構，建立多基線觀測模型，並將實驗成果與水準測量進行驗證。結果顯示，單基線與基線網固定解均可達公分等級，KF模式具有較高固定率，且修正後程式可重現RTKLIB成果。結論指出，多基線架構具備提升固定成功率與定位穩定性之潛力，可作為地層下陷與工程動態監測之技術基礎。

無人機攝影測量因具備快速建置、低成本及高解析度等優勢，已廣泛應用於地形測繪、工程測量及三維建模。然而，影像拍攝角度對高程重建精度具有重要影響，現有研究對不同傾斜角度影響仍缺乏系統性分析。本研究採用不同傾斜角度及多角度影像組合，透過運動恢復結構（Structure from Motion, SfM）完成三維重建，並以檢核點及均方根誤差（Root Mean Square Error, RMSE）評估各拍攝策略之高程精度。研究結果顯示，適當配置拍攝角度有效提升高程重建精度，並在兼顧作業效率下建立最佳影像配置，可作為無人機攝影測量及工程監測之參考，提升攝影測量於工程監測與三維建模之應用效益。

近年來，無人機攝影測量因具有效率高、非接觸式及高解析度等優點，逐漸應用於土木工程量測與變形監測。本研究以高鐵連續梁 TK228+094 附近橋梁為研究區域，利用無人機影像結合 ContextCapture 建立橋梁三維模型，並以全測站儀實測成果為基準，比較平面坐標、高程及沉陷量差異，評估攝影測量於橋梁變形監測之精度與適用性。此外，運用 PLAXIS 2D 建立地盤與基樁有限元素模型，模擬地下水超抽造成之孔隙水壓消散、土層壓密及基樁差異沉陷，分析橋梁基礎沉陷特性，並將數值模擬結果與監測成果相互驗證，以探討橋梁沉陷機制，作為後續監測與維護管理之參考。

雲林土庫地區受地下水抽取與地層壓密影響，可能產生地表沉陷問題。本研究以土庫地區為對象，整合 Sentinel-1 InSAR 時序分析與 PLAXIS 2D 模擬，觀察地表變形分布並探討抽水作用下之沉陷反應。研究中先利用多期雷達影像取得地表位移趨勢，作為辨識變形分布的依據；再依據地質資料建立土層模型，設定不同抽水條件，分析地層與地表沉陷變化。InSAR 可用於掌握研究區沉陷趨勢，PLAXIS 則可輔助說明地下水抽取後可能造成之變形行為，成果可提供後續地層下陷監測及工程安全評估參考。

測量工程多元監測作業常整合 GNSS、水準測量、UAV 航測及車載測量等多項技術，各工項於作業流程、人力配置、儀器調度及工序安排具有高度關聯。然而目前多數監測計畫仍仰賴經驗進行作業規劃，缺乏系統化之排程方法，影響整體作業效率與資源利用。本研究以本團隊於土庫多元監測計畫為案例，彙整各監測工項之作業流程、前後關係、作業時間、人力需求及儀器配置等資訊，建立多元監測作業架構，並導入關鍵路徑法進行工期分析與作業排程，探討營建管理方法應用於測量工程之可行性。預期研究成果可作為大型測量監測計畫之工期規劃與資源配置參考，提供測量工程作業管理之新方向。

傳統森林調查雖可取得林木資料，但需耗費大量人力與時間，不易進行大範圍調查。近年來，隨著遙測技術發展，高解析度影像與光達(light detection and ranging, LiDAR)資料已逐漸應用於森林相關研究，其中，樹冠偵測可提供單木位置資訊，作為後續萃取樹木資料之基礎。因此，為提升單木位置判釋效率與準確性，本研究結合高解析度影像與LiDAR衍生之樹冠高度模型(canopy height model, CHM)，先進行主成分分析(principal component analysis, PCA)，並以PCA影像作為非監督式影像分割之輸入資料，用以初步判斷樹木概略位置。後續再利用CHM最高點作為樹冠中心，以提升判斷樹木位置之準確度。 研究地點位於南投縣魚池鄉蓮華池人工試驗林，主要樹種包含臺灣杉、臺灣肖楠、巒大杉及杉木，共設置29個樣區進行分析。影像分割結果顯示，高空間解析度恐使影像產生過度分割，但將細碎分割物件合併至鄰近樹冠目標後，可改善分割結果。本研究以現地樹木位置與分割結果之偵測數量初步評估成果，其中臺灣杉偵測率最高為90.6%。進一步於分割物件內萃取CHM最高點作為樹冠中心預測位置，據此比較與現地調查之差異。分析結果顯示，平均所有樣區之歐式距離誤差介於0.88至1.27公尺，均方根誤差(root mean square error, RMSE)介於0.73至1.26公尺，證明本研究推估之樹木位置具有一定準確性。

臺灣地質結構複雜且受極端降雨脅迫，坡地崩塌由影響範圍可分為三種特徵，包含源頭 （source） 、拖曳帶 （trail） 、堆積區 （deposition） 。源頭是導致崩塌發生的主因區域，而拖曳帶 和堆積區則是崩塌造成的後續反應，統稱為Run-out 。從崩塌影響範圍中分離源頭及Run-out產 製崩塌目錄，可以降低偏差。物件式影像分析之圖徵具空間連續性能大幅降低胡椒鹽效應， 結合深度學習在屬性辨識的優勢，分離源頭與Run-out，進而為災害預測提供參考依據。本研 究設計兩種分類策略，二類別進行崩塌與非崩塌的劃分以及三類別區分源頭、Run-out與非崩 塌。利用衛星影像進行物件式特徵工程產出待分類特徵，篩選因子後，運用深度學習進行訓 練，地真資料分為訓練集、驗證集與測試集，通過精度評估後，利用最佳模型產出研究區之 崩塌目錄。 本研究以2009年8月莫拉克颱風引發大規模崩塌的高雄小林村之荖濃溪流域為對象 。 分析 結果顯示，光譜特徵在二類別分類時貢獻較大，三類別則需藉由地形因子提升辨識能力。在 二類別偵測表現上， 僅使用光譜特徵即可取得良好成果 ， 精度達95.38%。 在三類別的分類中 ， 使用光譜資訊與物件特徵，精度僅91.87%，而結合地形與物件特徵後，精度提升至93.22%， 證明本研究的深度學習模型與特徵整合策略，能產出高精度之崩塌目錄。

茶園為臺灣重要之經濟作物，尤以高海拔茶區具有高度產業價值，其空間分布與土地利用變化不僅影響農業生產，亦與坡地管理及環境永續密切相關。然而，由於茶樹屬多年生常綠作物，與林地等植生類別具有相似光譜特徵，傳統單時期遙測影像容易產生分類混淆，因此如何整合多時序遙測資訊以提升茶園辨識能力，已成為重要研究課題。 本研究以南投縣仁愛鄉大同村為研究區，蒐集2015年至2025年間之SPOT衛星影像，建立高海拔茶園多時序遙測資料集，並透過多光譜與全色態影像融合處理，提取植生指標、紋理特徵及時間資訊作為模型輸入資料。研究中利用XGBoost分析各項特徵對茶園辨識之貢獻程度，並建構CNN-LSTM與時空視覺轉換器（Temporal-Spatial Vision Transformer, TSViT）兩種多時序深度學習模型進行六類土地利用分類，結果顯示CNN-LSTM與TSViT整體分類準確率分別達89.1%及89.8%，其中TSViT之mIoU達0.76，較CNN-LSTM之0.73為佳。在茶園類別辨識方面，TSViT之Precision、Recall分別達0.83、083，顯示其於植生類別區辨上具有較佳表現。進一步透過時空注意力歸因分析發現，模型於判斷茶園時並非僅依賴單一時期影像，而是同時參考不同時間位置之影像資訊；空間注意力則主要集中於茶園實際分布區域及其周邊邊界，反映模型已能有效掌握茶園之時空特徵。 綜上所述，多時序衛星影像結合植生指標、紋理特徵及時間資訊，能有效提升高海拔茶園之辨識能力。其中，TSViT於時空特徵整合與茶園分類表現上優於CNN-LSTM，顯示Transformer架構在處理長時間序列遙測資料方面具有較佳潛力，可作為未來高山茶區長期監測、土地利用調查及農業資源管理之參考依據。

本研究聚焦於氣候變遷下極端降雨對高雄彌陀養殖漁業與魚群存活率之衝擊。透過導入空間資訊技術，於QGIS平台整合多模式降雨與魚塭圖層進行兩階段風險評估。第一階段建構氣候風險評估指標，包含危害指標為未來降雨相對變化率，暴露為彌陀區魚塭之空間幾何面積，敏感度則為物理層面之魚塭溢堤潛勢與生物層面之魚塭水質變異物種存活風險；第二階段則納入灰色調適與綠色調適等調適因子進行質化探討，並於空間資訊上進行量化疊圖，對比調適前後差異。最終針對高風險區規劃韌性調適策略，提供具體變遷調適藍圖。

本研究運用深度學習重建美國本土之陸地水儲量異常，並填補重力回復與氣候實驗衛星(GRACE)及其後續任務(GRACE-FO)之空窗期資料。研究整合衛星重力觀測與北美陸地資料同化系統(NLDAS)及全球陸地資料同化系統(GLDAS)之陸面模式輸出，比較卷積神經網路(CNN)、長短期記憶網路(LSTM)、卷積長短期記憶混合模型(CNN-LSTM)、卷積式長短期記憶網路(ConvLSTM)與貝氏卷積神經網路(BCNN)五種架構，並以相關係數與均方根誤差評估各模型於 18 個流域之重建精度。結果顯示，貝氏卷積神經網路於各流域表現最佳，並據以重建空窗期之陸地水儲量異常，提升衛星重力資料之時空完整性，並為乾旱與地下水監測提供參考。

隨著《國土計畫法》與都市計畫體系逐步完備，中央與地方政府於空間規劃、災害防救及建築管理等領域，對高解析且具決策支援功能之地震風險資訊需求日益提升。然而，現行地震潛勢圖資多以地質條件為核心進行劃設，與都市土地使用、開發強度及人口暴露等空間特性之整合仍顯不足，限制其於都市規劃實務中的應用效益。本研究以地震潛勢圖資整合與空間化應用為主軸，提出一套都市尺度之地震風險評估方法論，強調將外在環境潛勢暴露性（地震災害潛勢）與內在都市脆弱性（建築物易損性）及（人口與土地使用）進行系統性整合。研究透過斷層地質敏感區之實證分析，檢視現行地震潛勢劃設方式於銜接都市計畫土地使用管制時之限制，並進一步建立以土地使用分區為分析單元之地震衝擊風險評估架構。研究結果顯示，都市地震風險具有明顯之空間集聚特性，高風險區域多集中於都市核心發展區、老舊聚落及高人口密度空間，且常與活動斷層帶及土壤液化潛勢區產生空間重疊，形成複合型災害風險。本研究之主要貢獻，在於將原屬土木工程與防災領域之分析方法轉譯並導入都市規劃尺度，建立開發行為、空間結構、建築易損性與地震潛勢之整合評估機制，並提升地震潛勢圖資於空間治理與決策支援中的應用性。研究成果可作為未來都市防災規劃、土地使用管理及韌性城市政策制定之基礎工具。

水稻為重要糧食作物，精準掌握其生長階段對於區域水資源調度與農業產量評估具備高度決策價值，然而，在臺灣等多雲雨氣候區域，光學遙測衛星(如 Sentinel-2)常因長時天候遮蔽而產生觀測斷層，導致傳統植生指數時序分析方法之監測效能受到阻礙，為突破此觀測瓶頸，本研究聚焦於已知水稻田區域之動態物候監測，應用結合Sentinel-1與Sentinel-2特徵之多模態深度學習影像重建去進行生長階段判釋。在影像重建階段，應用結合二維空間鄰域特徵與多波段同步輸出之深度學習模型，實驗結果顯示，結合空間相鄰資訊的2D-5 feature模型在四波段同步輸出的配置下展現最優異的重建效能，該配置不僅將 RMSE 降至最低的 0.021，PSNR 29.888 dB，進一步引入光譜角相似度損失函數進行優化，模型的光譜角(SAM)誤差顯著降低了 11%，減少重建影像的色彩失真，有效約束波段間之相對比例關係。在空間誤差分析中，2D模型各波段的空間殘差顯著小於1D純時序模型，且近紅外光(NIR)因對地表植被敏感，其誤差分佈範圍仍較可見光廣泛。在時間誤差分析上，重建序列符合臺灣中部雙期作水稻的雙峰物候趨勢。在生長階段判釋方面，本研究進一步將重建後之光學特徵與雷達訊號結合，輸入長短期記憶網路(LSTM)進行水稻生長階段預測。結果表明，主被動遙測資料具備高度互補性，能有效克服現地水分管理(如曬田)及植被稀疏期之訊號混淆。最佳模型組合為(S1+S2 Reconstruction)之整體 F1 分數高達 0.94 以上，各生長階段F1分數也達0.92以上全面優於傳統數學平滑化插值演算法。本研究所應用之重建方法，有效克服氣候下之影像資訊缺失，以及以像素級解析度捕捉破碎化農田之空間異質性與動態面積變化趨勢，為未來區域農情監測與智慧水利調度提供具備高穩健性與實務價值之解決方案。

福衛八號（FORMOSAT-8）計畫為我國重要之遙測衛星發展計畫，由八顆高解析度遙測衛星組成，部署於太陽同步軌道。過去福衛二號與福衛五號僅由單顆衛星執行觀測任務，任務規劃相對單純；相較之下，福衛八號星系可同時執行多影像拍攝任務，且須考量衛星操作限制、拍攝窗口、資源配置及客戶需求等多項條件，因此其任務規劃屬於複雜的 NP-hard 組合最佳化問題。如何有效進行多衛星協同調度，以提升整體觀測效益，成為衛星星系運作的重要課題。 本研究建立一套兩階段多衛星任務排程系統，在滿足衛星設計參數、客戶訂單需求及各項操作限制條件下，自動產生可行且具效率之任務規劃方案。研究以福衛八號設計參數為基礎，初步模擬三顆遙測衛星，並採用模擬退火（Simulated Annealing）作為核心最佳化演算法。第一階段為「目標－軌道分配最佳化（Target-to-Orbit Assignment）」，依據客戶需求規劃各觀測目標之拍攝日期與對應軌道；第二階段為「單軌拍攝時序最佳化（In-Orbit Observation Scheduling）」，根據第一階段之分配結果檢查各軌道內任務時序及衛星操作限制，若產生衝突，則透過回饋機制將衝突資訊傳回第一階段進行重新分配與調整。模擬結果顯示，本研究所提出之兩階段排程架構能有效產生符合各項限制條件之可行排程解。以包含 70 個觀測目標之 7 日排程情境為例，其求解時間可控制於 600 秒以內。研究結果顯示，所提出方法可有效處理多衛星協同調度之組合最佳化問題，並在任務分配效益與運算效率間取得良好平衡，對未來福衛八號及其他遙測衛星星系之自主任務規劃與任務管理具有實質應用價值。

高解析度衛星影像常受大氣與光照影響，導致對比度不佳。傳統手動調色耗費人力，無法大規模生產；而全域拉伸則易使複雜地物產生過曝（如屋頂）或過暗（如陰影）的兩極化失真。為兼顧效率與品質，本研究提出結合 Mantiuk 色調對映與限制對比度自適應直方圖均衡化（CLAHE）的全自動色彩優化方法。首先透過 Mantiuk 演算法動態壓縮高動態範圍數值，抑制高光並提升陰影亮度，避免極端曝光；接著在 LAB 空間套用 CLAHE 進行局部對比度自適應調校，並搭配細節增強，重現真實紋理。實驗證實，本方法能高效保留亮暗區地物特徵，大幅提升影像品質。

高解析度衛星影像地表覆蓋分類應用中，模型訓練常面臨兩大挑戰：一是少樣本訓練資料(本研究僅約 140 幅)，二是立體數化圖資建立之訓練標籤，與正射影像間因高差移位存在局部邊界偏移。此外，導入具遙測預訓練之 SatMAE模型雖可緩解小樣本限制，但其採用16×16 patch token 表示影像，空間解析度受限使細部邊界較平滑。 本研究提出預訓練模型與物件導向細化之工作流程。先以 SatMAE 搭配特徵金字塔網路強化多尺度特徵融合，建立語意分割基礎。再結合 SAM2 模型建立物件導向細化流程，透過語意引導撒點擷取幾何邊界，並以「面積 × 信心分數」機制優先保留最佳候選物件。最後，輔以純度投票機制，利用語意機率圖統計物件內部類別一致性，藉此確立最終分類邊界。 彰化獨立測試區驗證結果顯示，整體平均交併比由基礎 SatMAE 的 39.4% 顯著提升至 52.6%，其中建物類別精度達 72.5%。本研究證實，結合預訓練模型與物件導向細化流程，可有效改善少樣本及標籤偏移情境下之高解析度 LULC 分類成果。

近年因應我國2050淨零轉型政策、地熱能源發展及國土永續治理需求，地下空間已成為國土規劃、能源開發及防災減災的重要基礎。地質探勘資料涵蓋鑽探、岩心、地球物理探測及地球化學分析等多元空間資訊，惟資料來源分散、格式多元且缺乏一致性管理機制，不利於跨機關資料共享、空間分析及決策應用，亦影響地下空間資訊於國土治理之整體效益。經濟部地質調查及礦業管理中心長期建置「工程地質探勘資料庫」，累積大量地下空間探勘成果，已成為我國重要之地質基礎資料。隨著地熱探勘及地下空間利用需求持續增加，現行資料管理模式已逐漸面臨異質資料整合、跨系統介接及智慧應用等挑戰。 本研究以地下空間資訊智慧治理為目標，探討建立地質探勘資料整合架構，透過資料標準化分層管理、Metadata治理、空間資訊整合流程及3D GIS展示等機制，提升地下空間資料之整合效率與應用能力，並提供智慧分析與決策支援之基礎，支援國土規劃、地熱能源開發、防災減災及環境治理等跨域應用，促進地下空間資訊之共享與永續發展，作為推動智慧國土與韌性治理之重要基礎。

高光譜影像具有較高的光譜解析度與豐富的光譜資訊，已廣泛應用於農業、地質、環境生態、及水資源調查等領域。然而，由於受到大氣分子與氣溶膠之吸收與散射影響，高光譜感測器所量測的光譜輻射量將含有與地物性質無關之大氣光譜特徵，若未適當進行大氣改正，將影響後續定量分析與地物性質反演之正確性與可靠性。本研究所探討之大氣改正方法將聚焦於兩大類：一為以輻射傳輸模型為基礎之物理法，此方法需引入適當的大氣模式、水氣模式、氣溶膠模式與幾何參數，藉由求解輻射傳輸方程以估算路徑輻射量與上下行透射率，進而反演地表反射率；二為以觀測資料為基礎之經驗法，如平場改正法與經驗線性等，其主要透過場景統計特性或地面實測資料推估大氣效應並加以消除。本文將從理論架構、參數需求、計算成本與操作複雜度等面向，比較此兩類方法之特性與適用情境，並以實際高光譜資料評估反射率反演之正確性及對後續影像分析之影響。綜合分析結果顯示，輻射傳輸模型法在物理一致性與跨場景穩健性上具優勢，而經驗法則在資料需求與實務操作上較具彈性，但也面臨地面實測資料蒐集不易的問題；未來高光譜大氣改正研究仍須在精度與實務操作之間取得平衡，以支援多樣化之高光譜影像應用。