過去海岸篩檢仰賴以人進行實地探勘來決定海岸是否存有大量人為垃圾，這樣的方法既耗時又費力，若能透過遙測影像獲得圖像資料並以影像辨識技術進行機器學習協助垃圾判釋，即能節省大量時間以及人力資源。
    本研究將透過一般譜影像對海岸周圍進行影像辨識，以區分海岸邊人為垃圾和非人為垃圾。研究設計的策略為導入多種紋理資訊以輔助分類成效，在分類器使用支持向量機(Support Vector Machine, SVM)、隨機森林(Random Forest)、類神經網路進行分類，然後產生誤差矩陣並繪製主題圖。
    本研究主要研究地區為新北市瑞芳區台2線海岸邊，主要以綠地、岩石、漂流木、人為垃圾4種地貌作為辨識。本研究第一步為獲取海岸一般譜影像，將所產生訓練資料和測試資料藉由資料前處理進行整理，透過組合不同的紋理資訊以及分類器進行比較，最後產生出誤差矩陣以及繪製主題圖來比較兩種分類器辨識準確度。
    自動編碼器(Auto-Encoder, AE)將資料進行前處理後輸入至各分類器進行分類辨識，並比較有無AE處理後的誤差矩陣以及主題圖。

    In the past, coastal monitoring relied on people to conduct on-site exploration to determine whether there is a large amount of man-made garbage. This method is very time-consuming and labor-intensive. If image data can be obtained through remoted image data with machine learning with image classification technology, which can save a lot of time and human resources. 
    Accordingly, this study the image recognition around the coast will be carried out through general spectrum imagery to distinguish the waste on the coast. The strategy of the study is to import a variety of texture information to assist the classification effect, using Support Vector Machine (SVM), Random Forest (Random Forest) and neural-like network in the classifier. Then generate an error matrix and plot the thematic map.
    The main research area of this study is the coast of Taiwan Line 2, Ruifang District, New Taipei City, which includes 9 landforms including seawater, roads, green spaces, cars, parking lots, rocks, wave-absorbing blocks, driftwood, and man-made garbage. The first step of this research is to obtain the general spectral image of the coast. The generated training data and test data are organized by data preprocessing, and then compared by combining different texture information and classifiers, and finally an error matrix is generated and a theme map is drawn.
    Auto-encoder(AE) is used to examine to preprocessing progress of the input image data through those machine learning classifiers. The difference with/without AE is compared with error matrix and thematic.

目  錄
摘　要		i
ABSTRACT	ii
目  錄		iv
表目錄		vi
圖目錄		vii
第一章	緒論	1
第一節	研究背景與動機	1
第二節	研究目的	1
第三節	論文架構	2
第二章	文獻探討	3
第一節 地理資訊系統	3
第二節 遙感探測	3
第三節 紋理資訊	5
第四節 多光譜與高光譜影像	7
第五節 支持向量機	8
第六節 隨機森林	9
第七節 類神經網路	10
第八節 自編碼	17
第三章 研究方法	18
第一節 研究設計	18
第二節 研究地區	19
第三節 研究工具	21
第四節 資料前處理	23
第五節 SVM訓練流程	24
第六節 決策樹訓練流程	27
第七節 誤差矩陣	31
第四章 結果與後續研究	35
第一節 樣本點說明	35
第二節、海岸影像辨識結果	36
第三節 主題圖分析	51
第五章 結論與建議	55
參考文獻		57
附錄一	研討會文章及證明	59
附錄二 不同紋理資訊辨識結果	65
 
表目錄
表2-1：神經網路元件表	12
表2-2：啟動函數表	13
表3-1：髒亂海岸快篩表來源	20
表3-2：研究工具	21
表3-3：各間隔值之熵和Gini不純度	30
表3-4：誤差矩陣	31
表4-1：樣本點顏色對照表	35
表4-2：SVM分類器模型參數表	36
表4-3：MLP分類器模型參數表	38
表4-4：隨機森林分類器模型參數	40
表4-5：SVM、MLP與隨機森林分類精度比較表	42
表4-6：自編碼模型參數表	43
表4-7：自編碼神經網路設計表	43
表4-8：自編碼特徵轉換+SVM分類器模型參數	44
表4-9：自編碼特徵轉換+MLP分類器模型參數	46
表4-10：自編碼特徵轉換+隨機森林分類器模型參數	48
表4-11：自編碼特徵轉換後SVM、MLP、隨機森林精度比較表	50
表4-12：主題圖顏色對應表	51
 
圖目錄
圖1-1：論文架構圖	2
圖2-1：地理資訊示意圖	3
圖2-2：遙測原理示意圖	4
圖2-3：人行道地磚	5
圖2-4：多光譜與高光譜示意圖	7
圖2-5：SVM最佳超平面	8
圖2-6：SVM核函式示意圖	9
圖2-7：袋裝法示意圖	10
圖2-8：多層感知機結構圖	10
圖2-9：神經元示意圖	13
圖2-10：梯度下降法示意圖	15
圖2-11：L1、L2正規化示意圖	16
圖2-12：Dropout示意圖	17
圖2-13：自編碼示意圖	17
圖3-1：研究流程圖	18
圖3-2：研究地區影像	19
圖3-3：ArcMap 介面圖示	22
圖3-4：Envi介面圖示	22
圖3-5：Spyder介面圖示	22
圖3-6：資料前處理流程圖	23
圖3-7：SVM訓練流程圖	24
圖3-8：決策樹訓練流程	27
圖4-1：樣本取點圖	35
圖4-2：SVM誤差矩陣圖	36
圖4-3：SVM主題圖	37
圖4-4：MLP誤差矩陣圖	38
圖4-5：MLP主題圖	39
圖4-6：隨機森林誤差矩陣圖	40
圖4-7：隨機森林主題圖	41
圖4-8：自編碼特徵轉換+SVM誤差矩陣圖	44
圖4-9：自編碼轉換+SVM主題圖	45
圖4-10：自編碼特徵轉換+MLP誤差矩陣圖	46
圖4-11：自編碼轉換+MLP主題圖	47
圖4-12：自編碼特徵轉換+隨機森林誤差矩陣圖	48
圖4-13：自編碼特徵轉換+隨機森林主題圖	49
圖4-14：辨識結果主題圖一	53
圖4-15：辨識結果主題圖二	54

周榮祥(2004)。以資料探勘技術分析股市個人投資績效之研究。世新大學資訊管理學系碩士論文。
陳佑耕(2014)。以遙測影像的水稻田影像判釋人工蜂群聚類演算法之研究。嶺東科技大學資訊管理碩士班碩士論文。
謝旻修(2018)。以遙測影像資料分析植生覆蓋與台灣南部山崩發生之關聯。國立成功大學資源工程研究所碩士論文。
邱盛鴻(2017)。地方審計人員應用GIS情形與影響因素之研究。東海大學公共事務碩士專班論文。
方寶國(2018)。地理資訊系統在環保局空污稽查管制工作的應用─以南投縣為例。國立中興大學環境工程學系在職專班碩士學位論文。
林恩楷(2005)。利用高光譜影像偵測外來植物 - 以恆春地區銀合歡為例。國立中央大學土木工程研究所碩士論文。
葉政凱(2019)。基於深度學習的電阻率成像技術之研究。國立中央大學地球科學學系碩士論文。
張超群(2015)。結合頻譜與空間訊息設計於高光譜遙測影像辨識之數學模型研發。國立臺中教育大學數學教育學系碩士班碩士論文。
詹秉豐(2017)。溪流遊憩潛力評估模式之建構－以大漢溪上游集水區為例。中華大學休閒遊憩規劃與管理學系碩士班碩士論文。
郭紹汶(2019)。運用地理資訊系統分析緊急性設施與需求點之安全距離-以台北市為例。天主教輔仁大學統計資訊學系應用統計碩士班碩士論文。
陳緯蒼(2002)。網路生態工程資訊系統之建置研究。國立成功大學水利及海洋工程研究所碩士論文。
鄧連才(2012)。應用地理資訊系統與類神經網路於模擬沙灘海岸線之關係。國立屏東科技大學土木工程系碩士論文。
林若琪(2017)。應用航拍高光譜影像與正射影像於農作判釋 - 以新竹為例。逢甲大學專案管理碩士在職專班碩士論文。 
呂昀(2019)。應用隨機森林預測線上飯店之 點閱與預訂。國立台北科技大學經營管理系碩士班碩士學位論文。
楊宜蓁（2016），應用混沌方程式與碎形維度於水稻高光譜資料判釋之研究。逢甲大學土地管理學系碩士論文。
陳達祺（2008）。遙測影像空間特徵萃取之研究-以台中水稻田為例。嶺東科技大學資訊科技應用研究所碩士論文。
徐百輝(2007)。空間資訊：大地的辨識密碼──高光譜影像。科學發展期刊，416期，13-19。
謝劍斌、興軍亮、張立甯、方宇強、李沛秦、劉通、閆瑋、王勇、沈傑、張政、譚筠、胡俊(2016)，改變未來 20 年最重要的 20 個視覺機器學習理論深讀，佳魁資訊。
李仁鐘、李秋緣（2017），R 語言資料分析從機器學習、資料探勘、文字探勘到 巨量資料分析，博碩文化股份有限公司。
劉立民、吳建華（譯）（2016），Python 機器學習（原作者：Sebastian Raschka），博碩文化股份有限公司。
吳嘉芳（譯）（2017），Deep Learn│用 Python 進行深度學習的基礎理論與實作（原作者：斎藤康毅），碁峰資訊股份有限公司。
鄭捷（2016），今天不學機器學習，明天就被機器取代:從 Python 入手+演算法，佳魁資訊。
CMU（2018），Geographic Information Systems (GIS)，取自 http://libguides.coloradomesa.edu/c.php?g=613849&p=4265580
Nitish Srivastava , Geoffrey Hinton , Alex Krizhevsky , Ilya Sutskever , Ruslan Salakhutdinov (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, 15, 1929-1958.
Gordon S., Linoff , Michael J., A. Berry  (2011). Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management.