理學院

Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/3

學院概況

理學院設有數學系、物理學系、化學系、生命科學系、地球科學系、資訊工程學系6個系(均含學士、碩士及博士課程),及科學教育研究所、環境教育研究所、光電科技研究所及海洋環境科技就所4個獨立研究所,另設有生物多樣性國際研究生博士學位學程。全學院專任教師約180人,陣容十分堅強,無論師資、學術長現、社會貢獻與影響力均居全國之首。

特色

理學院位在國立臺灣師範大學分部校區內,座落於臺北市公館,佔地約10公頃,是個小而美的校園,內含國際會議廳、圖書館、實驗室、天文臺等完善設施。

理學院創院已逾六十年,在此堅固基礎上,理學院不僅在基礎科學上有豐碩的表現,更在臺灣許多研究中獨占鰲頭,曾孕育出五位中研院院士。近年來,更致力於跨領域研究,並在應用科技上加強與業界合作,院內教師每年均取得多項專利,所開發之商品廣泛應用於醫、藥、化妝品、食品加工業、農業、環保、資訊、教育產業及日常生活中。

在科學教育研究上,臺灣師大理學院之排名更高居世界第一,此外更有獨步全臺的科學教育中心,該中心就中學科學課程、科學教與學等方面從事研究與推廣服務;是全國人力最充足,設備最完善,具有良好服務品質的中心。

在理學院紮實、多元的研究基礎下,學生可依其性向、興趣做出寬廣之選擇,無論對其未來進入學術研究領域、教育界或工業界工作,均是絕佳選擇。

Browse

Search Results

Now showing 1 - 2 of 2
  • Item
    錐果櫟的遺傳-環境-表現型相關性研究
    (2023) 孫沛煒; Sun, Pei-Wei
    環境會顯著地影響樹木的族群歷史 (demographic history) 與遺傳特徵。研究影響族群分佈、遺傳多樣性、局部適應 (local adaptation)、與棲位分化的因子在生物學當中是至關重要的議題。尤其對於在生態系統當中具有重要角色的森林樹木來說,釐清局部適應與氣候變遷衝擊的關聯對於保育及森林管理有關鍵性的功能。在本論文中,我使用錐果櫟 (Quercus longinux) 作為研究物種,以簡化基因組測序 (RAD-Seq) 建構的單核苷酸多態性 (SNPs) 及葉片特徵來探討在異質性棲地間的族群遺傳、棲位分化、和形態變異等議題。依據族群歷史分析的結果,錐果櫟的族群大小變化和基因交流與更新世 (Pleistocene) 的氣候波動有關。由於末次盛冰期 (LGM) 之後氣候變得更加暖活和濕潤,錐果櫟族群在間冰期經歷了族群擴張和更頻繁的基因交流。錐果櫟族群被發現有向北的不對稱基因交流,可能是開花季節時盛行的西南風或冰河歷史使台灣南部族群有較大的族群數量所造成。使用現在的環境因素,地勢 (topology) 造成的阻礙被認為是藉由阻礙種子或花粉的基因交流而引發遺傳分化最重要的因子。高海拔山區被認為是錐果櫟進行基因交流的重要障礙。然而,從適應的角度來看,土壤和氣候相關因子是影響環境相關天擇 (environment-associated selection) 最重要的因子。季節性季風帶來的降水變化和緯度及海拔造成的溫差可能造成局部適應。我也偵測到環境相關天擇的信號和非生物壓力反應(包括乾旱和霜凍)相關功能的基因有關。除遺傳結構外,葉片形態性狀的變異還受土壤和氣候相關因素的影響,而水分可及性的因子是影響葉片個別性狀最重要的環境因素。最後,從未來脆弱性 (future vulnerability) 的預測來看,面對氣候變化,台灣北部的錐果櫟族群可能因大量增的冬季降水而產生適應不良。冬季降水的增加可能會改變物候並且進一步降低基因交流的效率和遺傳多樣性,這些都會對錐果櫟在未來的存續和適應產生有害影響。輔助性基因交流 (assisted gene flow) 將是可能的保育措施之一,但應在具備足夠背景知識的情況下進行,以避免對錐果櫟族群的適應造成意外後果。
  • Item
    結合PTZ攝影機與光學雷達之CNN虛擬圍籬系統
    (2018) 陳靖允; Chen, Ching-Yun
    本研究開發一套結合PTZ(Pan-Tilt-Zoom)攝影機與光學雷達(Light Detection and Ranging, LiDAR)之CNN(Convolutional Neural Network,卷積神經網路)虛擬圍籬系統。 虛擬圍籬與傳統的隔離方式不同,並不需要真正築起一道實體的牆壁或護欄,而是利用各種電子裝置與軟體程式的結合,建立人眼不可察覺的虛擬防線。虛擬圍籬具有下列優點:(A)低人力介入且警戒可為全天候、大範圍 (B)具機動性與擴充性 (C)不破壞原景觀 (D)即時通報且可延伸後續處理。但實際應用上,虛擬圍籬常因誤報率太高,處理和通報速度太慢等因素,尚未被大眾所接受。 本研究分別從軟硬體兩方面來提升傳統虛擬圍籬偵測與辨識的準確度與速度。在硬體方面的改良是使用LiDAR與PTZ攝影機。LiDAR所發出的紅外線不但可以做為系統的觸發器,而且它不易受天候與光影影響,可以降低誤判,提高系統的精準度與穩定度。此外,LiDAR也將偵測到的侵入物距離資訊傳送給PTZ攝影機以控制鏡頭的變焦縮放,使得拍攝到的影像都有適當的大小,增加後續CNN分類辨識的準確度。 在軟體方面的改良則是使用CNN,利用它強大的特徵學習能力,提升辨識分類的速度與準確率。本研究以不同的訓練模式以及不同的資料集前處理來進行VGG-16與Darknet-19的實驗。就訓練模式而言,使用以ImageNet大量資料訓練所得的pretrained參數,再加上與測試資料前處理類型相近的資料集進行fine-tune,可以得到最佳的成效。就資料集前處理而言,本研究將其大致分為Original(即原本的邊界框影像)、Rescaled(以程式自動將邊界框影像等比縮放置中放入符合CNN輸入尺寸的黑色或灰色底)、Matting(去背景,將背景塗成黑色或灰色)、以及Matting&Rescaled(以程式自動將去背景後的邊界框影像等比縮放置中放入符合CNN輸入尺寸的黑色或灰色底)。實驗顯示,訓練和測試都使用Rescaled版的資料集可以得到最高的mAP,其中VGG-16實驗中,訓練和測試都使用Rescaled-Grey版資料集可得到96.3%的mAP。 對於虛擬圍籬系統而言,因為侵入物件有移動的動態資訊,會造成連續畫面的變化,因此系統可經由移動物件定位法來找出侵入物件及其邊界框,不需像傳統的物件偵測系統是以單張靜態的影像畫面為輸入,必須產生和評比各種可能的物件邊界框,並浪費資源和時間在不必要的背景物件的偵測和辨識上。本研究所採用的移動物件定位法是運用三個連續畫面的連續影像相減法,並且採運作速度極快的bitwise_and函式取相減影像的交集,以得到較精確的移動前景與邊界框。此外,可用經過動態形態學填補空洞後的二值化前景影像為遮罩,與原影像或邊界框影像結合後,達到粗略的去背景(matting)效果。Matting& Rescaled-Grey版資料集在VGG-16也有很高的mAP(95.3%)。 目前本系統設定區分的侵入者類別為三類,分別是「行人」、「動物」和「非人且非動物」。使用者可以視應用場所的需求,對三個類別的侵入者做不同的處理,使後續的應用更有彈性。從整合測試的實驗結果顯示,本研究虛擬圍籬系統整體的偵測準確率mAP達95%以上,而從LiDAR觸發取像至判斷出物件類別的平均處理時間則在0.2sec.以下,是一套準確率高且速度快的實用系統。