第一河川局即時影像的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列包括價格和評價等資訊懶人包

時間域與空間域濾波應用於X-Band雷達測量水深的校正與預測

為了解決第一河川局即時影像的問題，作者陳云瑄 這樣論述：

水深測量為海洋科學與海岸(洋)工程領域中不可或缺的一部分，無論是傳統的船隻航行、能源探勘、近海作戰或救災，又或是近年興起的海域遊憩、離岸風電等，皆需要最新的的水深地形資料。本研究乃針對X-Band雷達應用於水深探測技術的精進進行探討，以提昇並掌握此監測技術的適用性與量測精度，並增加此探測技術的附加應用價值。本研究選用台南七股北堤安檢所頂樓的X-band雷達於2019年9月20日的回波影像序列資料作為觀測樣本，並以水利署第六河川局於2019年9月在同一海域進行的現場水深測量結果作為比對基礎。首先以Wu et al. (2017)提出之水深演算方法將X-band雷達之回波影像資訊轉換為量測範圍內

各空間點位處的水深，並與實際量測水深比較，了解誤差來源。後續進一步選用中值濾波與卡爾曼濾波修正空間域及時間域的誤差，誤差主要來源為量測與分析過程產生的歧異值與系統誤差。藉由上述兩種濾波方法的不同搭配方式，對雷達量測水深資料進行優化與比較，並探討不同濾波方式的優缺點，最後發現最佳的濾波方式是：先對單筆水深資料進行中值濾波，再進行多筆資料的卡爾曼濾波，能夠最有效濾除空間與時間上的歧異值；原始未進行濾波的雷達量測水深與實測水深之相關性(相關係數平方值)是0.93，若以最佳濾波方式得到的水深與實測水深之相關性可提升至0.97；其優點是每輸入一筆雷達觀測資料，就能透過中值濾波提供品質不錯的即時水深資料，

再利用後續觀測獲取的水深資料可進行卡爾曼濾波，來修正水深觀測的系統誤差影響，且可有效改善觀測期間因環境惡化造成觀測品質不佳的問題。本研究除了使用卡爾曼濾波來對改善雷達量測水深的品質，更證明卡爾曼濾波可以有效地預測受潮汐影響的水深，並可從連續時段的雷達量測水深資料中推算及預測當地潮位變化。經與中央氣象局潮位資料比較，兩個最高潮時預測潮位誤差值分別為18公分與21公分，兩個最低潮時預測潮位誤差值分別為9公分與15公分。以X-band雷達進行水深探測的優勢在於其可進行即時或連續的大範圍觀測，且觀測時間相對較不受天氣與晝夜的影響，在結合本文提出的資料優化技術後，可相當有效地提昇雷達觀測近岸水深的精度；

且在進行連續的雷達觀測水深作業期間，如果未能即時取得當地潮位資料的情況下，能夠藉由卡爾曼濾波預測出不同潮時的潮位及水深變化。此外，雷達探測在海況不平靜期間，仍可正常作業，這是其他傳統海洋探測技術不及之處，因此可有效降低水深地形觀測的風險，提升水深量測之效率，並協助權責單位在極端海氣象事件過後得以及時進行海岸保護與防治工作之評估。

發展三軸加速度計及大尺度顆粒影像流速法提升河川表面流速及流量之量測

為了解決第一河川局即時影像的問題，作者黃偉哲 這樣論述：

河川水位、流速及流量為河川管理重要之水文資料，而現行的河川流速及河川流量量測方式主要為侵入式，如量測河川流速的旋杯式流速儀與可同時量測河川流速及流量的聲波都卜勒流速剖面儀(Acoustic Doppler Current Profile, ADCP)。且量測人員需要進入河川中進行人工觀測，無法長時間連續觀測，於颱洪時期也因量測人員無法進入河川，僅能使用量測準確度較差的浮標法。因此非接觸性的大尺度顆粒影像流速法(Large-Scale Particle Image Velocimetry, LSPIV)被提出，並逐漸完善為可長時間自動化量測河川表面流速並推算流量。目前LSPIV主要需要克服的課

題之一為LSPIV架設的不便性。本研究針對此課題，提出使用三軸加速度計計算LSPIV共線式方程式的姿態參數，使LSPIV能達到快速設站量測，且提高量測河川表面流速及推算流量之穩定性。本文先說明研究方法，包含共線式方程式、空間交會模式、影像校正、影像匹配、LSPIV量測原理、指標流速法理論、三軸加速度計量測原理、自動調整量測區域大小及水位量測原理。並介紹研究地點-石門水庫上游集水區玉峰水位站及本研究使用MATLAB撰寫之LSPIV程式及硬體設備。本研究共進行8次現地實驗，每次實驗量測4-8小時，其中影像技術量測水位及LSPIV量測河川表面流速並推算流量，每10分鐘量測一次；實測水位亦為每10分鐘

量測一次；實測河川表面流速及流量則是每小時量測一次。實驗結果顯示影像量測水位及實測水位整體均方根誤差(Root Mean Square Error, RMSE)為0.03 m，表現優異；LSPIV使用三軸加速度計計算之參數分析河川平均表面流速並推算流量之結果與實測河川平均表面流速及實測流量比較，RMSE分別為0.13 m/s及1.29 m3/s；相對均方根誤差(Relative RMSE)分別為15%及17.9%；LSPIV使用控制點計算之參數分析河川平均表面流速並推算流量之結果與實測河川平均表面流速及實測流量比較，RMSE分別為0.20 m/s及1.93 m3/s；Relative RMSE

分別為23%及26.7%。結果顯示LSPIV使用三軸加速度計計算之參數量測河川平均表面流速及推算流量比LSPIV使用控制點計算之參數量測河川平均表面流速及推算流量較佳。接著討論LSPIV中共線式方程式參數及三軸加速度計參數的敏感度分析，分析結果顯示共線式方程式中，參數傾角θ最為敏感，參數旋角τ敏感度次之；參數zc、uc、vc及d對LSPIV分析河川平均表面流速較為不敏感；參數方位角α、xc及yc對LSPIV量測河川平均表面流速完全沒影響。而在三軸加速度計參數Ax、Ay及Az敏感度低於共線式參數傾角θ及旋角τ，表示LSPIV使用三軸加速度值計算之參數量測河川平均表面流速時，可以獲得較佳且穩定的量

測結果。最後討論LSPIV於影像匹配中，搜尋視窗(Search Area, SA)大小、詢問視窗(Interrogation Area, IA)大小及影像解析度(Resolution)對LSPIV分析河川平均表面流速之影響。結果顯示，當SA增加、IA增加及減少與影像解析度減少時，LSPIV使用三軸加速度計計算之參數分析河川平均表面流速與實測河川平均表面流速比較之RMSE及Relative RMSE增加幅度比LSPIV使用控制點計算之參數分析河川平均表面流速與實測河川平均表面流速比較之RMSE及Relative RMSE增加幅度較小，表示LSPIV使用三軸加速度計計算之參數分析河川平均表面流速比

較穩定。綜合上述，使用三軸加速度計計算參數，除大幅簡化LSPIV前置作業，LSPIV使用三軸加速度計計算參數量測河川平均表面流速及推算流量也可以獲得比LSPIV使用控制點計算參數量測河川平均表面流速及推算流量較好的結果。