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
20 results
Search Results
Item 排球比賽轉播影像之場地自動分割與幾何校正研究(2025) 黃富祥; Huang, Fu-Hsiang隨著運動領域對科學化的重視日益提升，如何兼顧客觀性與有效率地解析比賽過程成為當前的重要課題。現行排球資訊紀錄多仰賴人工或半自動系統，不僅耗時費力，且容易受主觀因素干擾。近年來，隨著轉播技術的進步，賽事影像資料的數量與品質持續提升，傳統的記錄與分析方式已難以因應日益龐大的資料需求，促使自動化分析技術逐漸受到關注。場地校正作為排球自動化資訊分析的核心基礎，對戰術分析與即時判斷具有重要影響。本研究運用電腦視覺技術，提出無需標註資料的場地自動分割與幾何校正方法，結合機器學習與幾何特徵分析，能自動從動態視角的影像中擷取關鍵場地區域，並利用高斯混合模型進行影像分群以辨識場地範圍，結合線段分類模型，進一步透過單應性矩陣完成幾何校正，將場地資訊映射至標準二維平面座標系統。本研究共收集21部國際排球賽事轉播影像，涵蓋四種不同場館，並於不同光照與視角條件下評估方法的穩健性與準確性。實驗結果顯示，影像分割精度達98.91%，場地校正整體IoU達98.14%。此外，本研究亦建立並公開涵蓋6837張排球轉播畫面的資料集，其中6077張完成影像分割及幾何校正的手動標註，為排球場地偵測技術的標準化與可重現性提供了參考資源。Item 應用機器學習預報臺灣北部夏季午後對流之研究(2025) 黃品豪; Huang, Pin-Hao本研究以臺灣北部地區夏季午後對流降雨為研究對象，採用XGBoost機器學習模型(eXtreme Gradient Boosting)進行降雨分級預報，並結合SHAP方法（SHapley Additive exPlanations）分析模型輸出結果，以強化預報的可信度與可解釋性。研究使用2018至2024年5至9月間的中央氣象署觀測資料、探空資料及相關模式輸出進行模型訓練與驗證。結果顯示，XGBoost模型對於午後降雨事件具備良好的分級預報能力，其驗證資料的預兆得分（TS）達 0.76，誤報率（FAR）僅 0.11，較過去採用模糊邏輯方法之 TS = 0.594、FAR = 0.333明顯提升，展現 AI 方法在中小尺度降雨預報上的潛力與優勢。研究進一步指出，當預報目標越單純時，XGBoost所獲得的技術指標表現越佳，顯示明確界定預報任務能有效提升模型效能。透過SHAP分析，成功辨識影響午後對流降雨的多項關鍵特徵，包括低層水氣輸送、中高層大氣穩定度及近地面風場配置等；各特徵貢獻方向與過往研究所揭示的午後對流機制相符，驗證模型結果具備物理合理性與可解釋性。此外，分析也發現，當預報目標限定於弱綜觀環境下的午後對流降水時，模型對中高層動力與穩定度特徵的依賴性顯著增加，而針對所有降雨事件則以地面水氣與風場為主要依據，顯示不同尺度與條件下，AI 模型可捕捉不同的環境場訊號。研究同時討論了AI模型於中小尺度對流事件預報上的應用優勢與侷限，指出雖能突破傳統數值模式在解析度與即時性上的限制，但AI模型的黑箱過程仍是實務應用的重要挑戰。透過SHAP分析，本研究部分化解此問題，提升了預報結果的透明度。然而，本研究也坦承資料量有限及僅聚焦夏季弱綜觀條件，模型於不同區域及季節的泛化性尚待驗證。未來研究建議可擴增更長期與多樣化的觀測資料，並結合AI與數值模式之優勢，發展混合式預報系統，兼具物理完整性與AI高效能及可解釋性。同時，針對尚未完全明瞭的高層與近地面動力場特徵，未來亦應結合更高解析度的資料進一步探討。綜上所述，本研究展示了以XGBoost搭配SHAP方法進行午後降雨分級預報的可行性，成果可為短期降雨預報作業提供新的技術參考與方法支持，亦為未來相關應用提供可持續發展之基礎。Item 分析機器學習對化學材料的應用(2025) 林仰徹; Lin, Yang-Che近幾年，機器學習（ML）正迅速改變化學領域的研究方式，藉由使用這種數學工具，我們能夠在大量的資料中，對化學材料的性質進行預測、探索，甚至以此進行逆向設計等各種化學空間的應用。在本篇論文中，我們簡單分析了目前現有的機器學習方法，包括監督式學習（Supervised Learning）、非監督式學習（Unsupervised Learning）、半監督學習（Semi-supervised Learning, SSL）、強化學習（Reinforced Learning），及自監督學習（Self-supervised Learning），並探討上述方法在目前化學材料領域中的挑戰扮演之重要角色。此外，由此發展之深度學習（Deep Learning）與主動學習（Active Learning），進一步擴展了機器學習處理複雜結構的能力，有效降低資料取得的成本，相對於機器學習，亦展現出不凡的效果。接著在實務方面，在後續章節我們會介紹機器學習在預測材料性質（如能隙、吸附能、熱導率等）、材料分類、催化劑設計及高熵材料探索之應用，以及在應用方法前，對原始資料的前處理，與針對不同情境所使用的任務類型，如迴歸、分類、聚類與生成建模。本篇分析中也深入分析了機器學習在化學材料領域中之挑戰，如資料稀缺與品質不一、模型的解釋性及泛化性不足、結果的可合成性等。最後，我們概述了新興趨勢與未來發展方向，包括基礎模型、自動化實驗系統，以及以資料為核心的研究策略。此分析論文期以提供基本概念及有結構的入門指引，協助推動機器學習驅動之化學材料科學研究之參考資源。Item 隨機森林與機器學習方法預測能力比較-以混凝土抗壓能力為例(2024) 曹崴智; Tsao, Wei-Chih本研究旨在探討隨機森林與其他機器學習方法在預測混凝土抗壓能力方面的相對效能。混凝土抗壓能力是評估混凝土品質和結構強度的重要指標。研究以隨機森林為主要預測模型，並與其他機器學習方法進行對比，包括梯度提升技術、決策樹等。在研究中，我們首先收集了具有多樣性混凝土特性的數據集，包括不同成分、製程和時間點的數據。接著，我們利用這些數據進行模型訓練和測試，評估各模型在預測混凝土抗壓能力方面的性能。隨機森林模型以其擬合能力和抗過擬合特性而聞名，我們將進一步分析其與其他方法的比較優勢。研究結果將有助於深入了解隨機森林在混凝土抗壓能力預測中的表現，並提供選擇最適合的模型以改進混凝土品質預測的參考。這項研究對於擴展機器學習在建築材料領域的應用具有重要意義。Item 利用環境資料預測地表位移及坡地災害事件(2024) 何其恩; Ho, Chi-En自1940年代起，隨著全球氣溫逐年升高，災害發生頻率也顯著上升。重大災害事件數從每年約20起增加至每年超過400起，顯示全球均溫上升驅動了更多致災因子，直接反映在災害事件數量上及次生災害之比率。劇烈天氣事件能改變近地表地質特性、觸發地質災害事件如地層下陷、土壤液化、坡地災害等，由於這些地質災害事件可反應在地表變形資料上，如何利用環境資料（包含大氣類、地下水、潮汐等資料）預測地表變形資料（GNSS和地震資料）及坡地災害事件？這幾個問題驅動了我們對「天然災害鏈預測」可行性評估的動機。本研究的主要工作目標為利用長短期記憶模型（LSTM模型）及支持向量迴歸（SVR模型）之演算法，建立地下水位、地表變形及坡地災害之預測模型。首先我們利用2004年至2020年潮州地區兩個自動氣象站所提供的氣溫、雨量、風向、風速，以及目標預測測站之歷史地下水位，預測十二個地下水測站的地下水位，比較LSTM模型和SVR模型的表現，結果顯示，大部分地下水測站的LSTM模型在測試集上的平均決定係數高達0.90。其次，我們應用相同方法，探討2013年至2020年垂直地表變形預測，新加入了氣壓、相對濕度以及潮位資料，發現GNSS測站的LSTM模型在測試集上的平均決定係數達0.94，而更高採樣點率寬頻地震站位移場的平均決定係數達0.89，不同測試皆證實LSTM較SVR模型預測表現更佳。最後，我們以農業部農村發展及水土保持署的坡地災害事件目錄為基礎，評估了不同年份組成的四個資料集。由2010年至2012年的訓練集以及2013年至2014年的測試集組成的資料集表現最佳，顯示了環境資料在坡地災害預測中的潛力，準確率達0.83，精準率為0.95，召回率為0.67。綜合以上， LSTM模型展示了對於時序資料強大的預測能力，並強調了環境資料在地表變形及坡地災害預測中的關鍵作用。本研究並測試六個不同的氣象參數在預測模型之貢獻度，依照重要程度依序如下：氣溫、氣壓、風速、風向、相對濕度、雨量，然而同時考慮此六個氣象參數的模型，其預測效能仍優於單一氣象參數。本研究具體提供了氣象與地質災害間的預測方法論，期能在未來用於近即時警報/預報、並為未來政策制定提供即時參考依據。Item 以注意力模塊、殘差連接建構之雨量深度學習超解析度模型(2023) 江家浩; Chiang, Chia-Hao人口的過度增長、土地的開發以及化石能源的消耗在近百年來造成地球氣候的變遷。自然災害發生的頻率也因此增加，並造成許多人類的傷亡以及產業的經濟損失。為了減緩自然的衝擊與資源的消耗，各國政府機關制定了相關政策，以減緩消耗；科學家們研發全新的、乾淨的替代能源，另一方面，氣象學家們則是藉由模型的建構，來模擬並預測這些極端事件的發生，以利人們在災害來臨之前做好準備，減少損失。其中，以水資源的影響最為深遠，它是地球中最基本也是重要的循環之一，同時也是占比最重的溫室氣體，且與人類活動息息相關。我們以台灣為例，台灣雖然年降雨平均高達2,500毫米，然而人均水資源卻是低於全球平均值。這是因為台灣的崎嶇地形特色所致，再加上季風與洋流的作用，使得降水的時空間分布不均。若能預測雨量的分布，則可訂定相關的防洪或者儲水建設，以降低災害並最大化水資源的利用，故一個準確且高解析度的預測模型一直是科學家們努力研究的方向之一。現今普遍的做法是將氣象模型的模擬資料做降尺度來提升解析度以供區域性的參考。然而這些預測模型所消耗的計算資源甚鉅，且解析度有限，很難提供疆域小且地形交互作用複雜的地區有準確的預測結果。我們提出了一個以深度學習為基礎，並結合殘差連接、注意力模塊的超解析度模型，可望提升現有的氣象模型所產出之低解析度的結果之準確性和解析度。文末，我們也比較了其他氣象降尺度的方法和其他機器學習為基礎的模型，並在四種指標(平均絕對誤差、方均根誤差、皮爾森係數、結構相似性)、定量降雨預報檢測中優於其他氣象降尺度的方法。Item 基於人體姿勢估計之跆拳道側踢分析(2023) 翁驊成; Weng, Hua-Cheng在跆拳道品勢 (Taekwondo Poomsae) 比賽或訓練中，評估該運動表現唯基於專家及教練的觀察，並根據其自身經驗會有不同的想法，存在多種公平性問題，此外，教練也無法全天候指導所有學員，人們對於量化評價方法和工具之需求日益增加。然而，跆拳道快速的肢體動作與結構極端繁複的技術，使量化困難且不易評估。跆拳道品勢單元技術中，側踢 (Side Kick) 屬於較複雜、評分比重較高的項目，因此，本論文針對側踢先行試驗，我們以臺北市立龍山國中以及國立臺灣師範大學的跆拳道品勢選手作為研究對象，並參考專家建議之評分標準，提出基於人體姿勢估計 (Human Pose Estimation) 之跆拳道側踢分析，通過專業認證的跆拳道側踢評分系統 (Taekwondo Side Kick Assessment System, SideKick)，能夠有效地量化選手運動數據，分析並評估其側踢表現。 本研究中，我們首先建立了具高度公信力的跆拳道側踢資料集，由專業品勢教練進行動作質量評分；接著透過人體姿勢估計的方式，偵測人體關節點座標，精確獲取肢體運動角度及高度變化數據，使得運動特徵不易受場景影響，將攝影鏡頭校正難度降低；最後，我們參考專家提供之側踢建議量化特徵，分析各特徵的重要性排序，並利用機器學習的方式，訓練運動時空特徵及專家建議特徵，來預測選手整體側踢表現分數。 實驗以均方根誤差與交叉驗證評估多種回歸模型方法，最終選擇卷積神經網路模型，作為系統之評分模組。結果顯示實際應用之誤差為0.69，經信度檢驗，其結果也達顯著相關，在容許誤差為1的範圍內，準確率達86%。本研究提出之SideKick系統不需花費大量金錢及人力，且錄製設備取得容易。學員們能藉由本系統了解自身能力，教練們也可以在不限任何時間或地點下指導學員，提升團體訓練效益，並為未來遠程跆拳道品勢評價系統奠定基礎。Item 通用於第一人稱射擊遊戲外掛檢測機制之研究(2022) 陳逸文; Chen, Yi-Wen隨著科技的飛速發展，玩家可以在一台個人電腦上遊玩各種類型的遊戲，在各類型遊戲中，網路遊戲是大多數玩家最喜愛的遊戲類型，玩家為了在網路遊戲中獲得更好的成就，開始使用外掛程式達成個人無法實現的目標，基於上訴原因，作弊偵測成為了遊戲廠商的重大課題。本研究提出了一種基於影像辨識並以數據檢測輔助的作弊檢測系統，並分別使用VGG16、ResNet50、MobileNet V2、Xception和Inception v3 對誠實玩家和作弊玩家的瞄準軌跡進行檢測，研究結果表明，Inception V3 能最準確的分辨誠實玩家與作弊玩家。Item 利用隨機交互森林預測模型之應用(2023) 洪坊瑜; Hong, Fang-Yu根據生物、工業，以及商業統計資料，對於不同領域下的預測分析，舉例客戶行為、消費者需求或股票價格波動以及診斷病人等等，從中探討重要變數之間的交互作用，達到模型更準確的預測結果，本研究套用了隨機森林演算法，考慮交互效應予以改善模型並允許對解釋變數做交互作用進行有價值的洞察效果，而隨機交互作用森林(Random Interaction Forest, RIF)是隨機森林(Random Forest, RF)所衍生出來的一種新策略演算法，適合用於類別、連續變數或存活等資料型態加以預測，並明確地模擬建構森林中的決策樹所執行變數之間定性與定量的相互作用。在模擬研究中，使用了R包套件中"vivid"(Variable Importance and Variable Interactions Displays)，呈現了機器學習模型中變數之間的重要性以及交互作用的可視覺化工具，同時也使用了R包中"diversityForest"，透過投票分割抽樣，在隨機森林中進行複雜的分類程序，使用雙變數拆分對定量和定性交互效應進行建模。 交互森林(Interaction Forest, IF)帶有效果重要性度量(Effect Importance Measure, EIM)，可用於識別具有高預測相關性的定量和定性交互作用的變數做應對。IF和EIM專注於易於解釋的交互形式。透過新的隨機交互森林結構，檢驗了線性迴歸模型、邏輯迴歸模型，增添了機器學習預測模型的能力。研究結果表明，當RIF模型存在交互作用時，不僅優於隨機森林和邏輯、迴歸分析方法。同時，證實RIF在執行許多情況下比傳統統計方法所創建的模型識別來的更為準確。並且交互作用為顯著時，RIF的性能也顯得更加優越表現，表示使用此方法不但可以提高業務流程和科學研究的效率。而且RIF在預測建模中的辨識度以及利用交互效果的部分都相對容易解釋，這是一項具有挑戰性且合適的工具。本文將透過這些方法的檢測應用於2012~2016年台北市死亡數實際資料進行評估。Item 臺灣雲解析差時系集颱風定量降水預報應用研究(2023) 陳鑫澔; Chen, Shin-Hau臺灣的颱風降雨雖為主要的水源之一，但也常因此造成災害。數值天氣預報開發以來，時常面臨著不確定性造成的困難，眾多研究者嘗試使用各式方法獲取防災資訊，本研究面對臺灣颱風防災的需求，嘗試在現有資源限制下，建構針對臺灣颱風降水於防災的建議系統。具體而言，本研究使用雲解析風暴模式，建構上採用了2.5km水平格點間距，每六小時進行八天的預報，在本研究的十個目標颱風內，經過評估後皆能在各颱風風雨影響臺灣前至少52小時前，也就是大約兩天以前，找出颱風影響期間總累積降雨量的相似技術得分(Similarity Skill Score，簡稱SSS) 大於0.6的高解析度的降水情境，顯示此方法實際應用上可以在有反應時間的前提下，提供有效的降水情境。 防災事前可以針對最糟糕的降水情境做防範，但為了更有效的找出較有參考價值的預報，本研究針對十個西行侵臺颱風選出105個預報參數，使用機器學習嘗試建構能夠預估降水指引(SSS為其中之一)與路徑指引的模型並進行評估，評估後大多數機器學習預估的SSS皆能適度掌握不同初始時間預報中的實際降水SSS好壞。機器學習預估的結果約在實際颱風影響臺灣26小時前可以產出，當預估的SSS中位數達0.6以上時，實際的SSS也有71%超過0.6，顯示可以在中心登陸兩天前預先指出那些預報的可信度低，那些的可信度高。 本研究進行機器學習訓練時進入模型的颱風數量上不多，可當作ㄧ初步之研究，文章中亦討論了許多颱風預報相關性分析，並提出了幾個可能的改進方向。總體來說，高解析差時系集預報輔以機器學習可在臺灣西行颱風的防災預警上，提供有效的降水情境，並指出較具可信度的預報。