文學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/2

院成立於民國44年,歷經50餘年的銳意發展,目前設有國文、英文、歷史、地理、臺文等5個學系、翻譯和臺灣史2個獨立所,以及全球華人寫作中心和國際臺灣學研究中心。除臺史所僅設碩士班,其餘6個系所均設有碩、博士班;目前專兼任教師近250人,學生約2500餘人。

本院早期以培養優秀中學國文、英文、歷史和地理教師為鵠的,臺灣中學語文和史地教育的實踐與成功,本院提供不可磨滅的貢獻。近年來,本院隨師範體系轉型而調整發展方向,除維持中學師資培育的優勢外,也積極朝理論研究和實務操作等面向前進。目前,本院各系所師培生的教師檢定通過率平均在95%以上;非師培生在文化、傳播、文學、應用史學及環境災害、地理資訊系統等領域發展,也已卓然有成。

本院各系所教師的研究能量極為豐富,參與國內外學術活動相當活躍。根據論文數量、引用次數等指標所作的學術力評比,本院居人文領域全國第2名。各系所之間,無論是教師的教學與研究,或學生的生活與學習,都能相輔相成、榮辱與共,彼此渾然一體,足堪「為師、為範」而無愧。

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    使用深度學習方法建立崩塌判釋模型
    (2023) 許恆瑜; Hsu, Heng-Yu
    崩塌災害對於居民造成財產和生命的威脅,同時也對下游水庫、河道輸砂和農業等方面造成影響。因此,若能快速且準確地掌握崩塌位置及其影響範圍,對於執行正確的減災策略和後續的整治工作至關重要。本研究使用深度學習方法對谷關水庫集水區進行崩塌判釋,並比較了不同輸入資料的模型表現差異,同時比較了深度學習方法與支持向量機的精度差異。研究結果顯示,深度學習方法進行崩塌判釋係具可行性,本研究使用衛星影像光譜值作為模型輸入資料,且加入不同崩塌影響因子,深度學習模型在測試集之F1-score介於0.75至0.81,精確率介於0.73至0.80,召回率介於0.77至0.85,整體表現良好。其中,當輸入資料加入平面曲率因子階段為最適選,F1-score為0.80,精確率為0.75,召回率為0.85,可成功判釋出85%衛星影像中崩塌類別。本研究亦比較深度學習方法和支持向量機模型表現。研究結果顯示,深度學習模型表現皆優於支持向量機模型。其中,於深度學習模型中加入平面曲率因子階段表現為最佳,F1-score為0.75,精確率為0.76,召回率為0.74,並於研究中發現深度學習模型判釋出的像素雜異點較少,不需額外處理雜異點問題,係使用深度學習模型優勢之一。
  • Item
    深度學習影像分類應用於福衛二號衛星影像之崩塌地自動判釋
    (地理學系, 2019-11-??) 蔡詠名; 張國楨; 陳俊愷; 周學政; Yung-Ming Tsai, Kuo-Chen Chang, Chun-Kai Chen, Hseuh-Cheng Chou
    臺灣易遭受各種自然災害侵襲,如地震或颱風。山區容易發生崩塌,造成生命財產安全的損害。使用遙測技術監測崩塌地的發生是政府機關的年度任務。然而,這個任務暨需求大量人力,且花費許多時間。為了解決這個問題,本研究提出應用深度學習進行全自動化衛星影像崩塌地分類的方法,以獲得更準確並可靠的分類結果。所採用之分類模型是基於U-Net 卷積類神經網路,以CNTK 深度學習工具進行開發。此模型以一對衛星影像與地真資料做為模型輸入,輸出預測的分類結果。使用多對福衛二號影像與地真資料進行模型訓練。地真資料共分五類:植被、河床、崩塌地、水體與其他地物類別。為了更準確分辨崩塌地與其他易混淆類別如河床與農地,衛星影像中加入坡度圖層做為分類資訊。本研究所產出的分類模型相當可靠,能夠清楚從衛星影像上判釋崩塌地。模型本身可以重複使用,而且過程完全自動化,並可改善崩塌地監測與繪製崩塌地目錄的工作流程,對環境災害監測與災害潛勢繪製將有所助益。