| dc.contributor | 地政系 | |
| dc.creator (作者) | 邱式鴻 | |
| dc.date (日期) | 2022-08 | |
| dc.date.accessioned | 14-Jul-2025 11:10:29 (UTC+8) | - |
| dc.date.available | 14-Jul-2025 11:10:29 (UTC+8) | - |
| dc.date.issued (上傳時間) | 14-Jul-2025 11:10:29 (UTC+8) | - |
| dc.identifier.uri (URI) | https://nccur.lib.nccu.edu.tw/handle/140.119/158010 | - |
| dc.description.abstract (摘要) | 為改善農地重劃區圖、地不符之問題，乃透過現況測量將所測得的土地使用現況與數化完成的地籍圖進行套疊分析。目前多以地面測量方法執行現況測量，然此種測量方式耗費大量人力、時間，且其測量成果通常較為局部，難以測得全域之現況資訊。相較於傳統地面測量，近年來航空攝影測量逐漸被應用於地籍測量相關領域中，其中無人機以其低成本、快速產製高解析度正射影像等特性，彌補傳統地面測量耗時、耗力的不足，顯示應用無人機航空攝影測量於地籍相關作業有其價值，惟該方法仍以人工方式獲取現況資訊。在影像分割領域，深度學習已取得較傳統影像處理更佳的表現，其透過卷積自動學習影像特徵，能夠在短時間內完成影像分割，具有自動化、高效率等優點。為此本計畫採用ResU-net協助萃取高解析度正射影像中農地重劃區全域的現況資訊，於模型訓練方面，除了使用高解析度正射影像外，另加入密匹配產製之數值高程資訊，嘗試提升模型偵測精度，且為了使模型有抗不同解析度的能力，使用不同高解析度的宜蘭正射影像作為輸入資料一併訓練模型。成果顯示在標籤資料涵蓋高程變化處時，加入高程資訊能些微提升模型的偵測能力，另外，本計畫使用宜蘭資料訓練的模型權重作為初始權重，再使用部分宜蘭與台中區域資料進行遷移學習，成果證實使用遷移學習可提升效率，模型於宜蘭測試資料的偵測精度F Score達0.73；台中測試資料的F Score達到0.86。最後，本計畫計算地測現況點與深度學習萃取成果的平面位置較差，以《地籍測量實施規則》第73條規定進行分析，經統計得約80%資料符合規定，顯示應用深度學習搭配高解析度正射影像協助萃取農地重劃區現況資訊有其可行性。 | |
| dc.format.extent | 116 bytes | - |
| dc.format.mimetype | text/html | - |
| dc.relation (關聯) | 科技部, MOST110-2221-E004-005, 110.08-111.07 | |
| dc.subject (關鍵詞) | 農地重劃區; 地籍重測; 現況測量; 深度學習; 全卷積網路; 特徵萃取 | |
| dc.subject (關鍵詞) | farm land readjustment area; cadastral resurvey; detail survey; deep learning; FCN(Fully Convolutional Network); feature extraction | |
| dc.title (題名) | 以深度學習協助萃取農地重劃區地籍重測的現況資訊 | |
| dc.title (題名) | Using Deep Learning to Assist in the Extraction of Detail Information of Cadastral Resurvey in the Farm Land Readjustment Area | |
| dc.type (資料類型) | report | |
