MG 破壞屋 高雄的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列特價商品、必買資訊和推薦清單

以風險為基礎的自然邊坡分級之探討-以臺北市為例

為了解決MG 破壞屋 高雄的問題，作者張燕宗 這樣論述：

臺灣位處西太平洋颱風路徑區域及季風帶交會區，每年遭受多次颱風豪雨侵襲，加上地勢坡陡及地質脆弱，因此常發生坡地崩塌災情，造成生命財產的損失，為降低災害損失與有效管理坡地災害，當局需有合理且適用之邊坡安全評估及分級管理方法，所以自然邊坡風險等級之建立是一重要的課題。本研究於臺北市以風險為基礎進行自然邊坡風險管理研擬，在風險管理架構下針對國內外坡地災害風險管理之相關研究與理論以及針對邊坡風險評估、集群分析、易損性曲線、災害經濟損失風險感認等方法進行研析，研究目的有(1)建立本土化崩塌易損性函數；(2)崩塌災害經濟損失社會風險準則之建立；(3)自然邊坡風險等級研擬。本研究利用崩塌災害造成建築物與道路

的毀損資料建立在地化易損性曲線，研究結果與義大利Umbria地區所調查分析的結果趨近於同一曲線，RC建築對於崩塌災害耐受力較鐵皮屋來的高，本研究建立了臺北市自然邊坡社會風險準則，這些準則可應用於臺北市已列管的自然邊坡之風險分析結果，並基於該準則建議邊坡分級處理對策。

應用遙測技術推估水稻產量與品質之研究

為了解決MG 破壞屋 高雄的問題，作者楊志維 這樣論述：

本文主要探討五種不同程度缺或無葉綠素b突變種水稻於生育期間其葉片之葉綠素(chlorophyll，Chl)、生合成中間物包括protoporphyrin IX (PPIX)、magnesium protoporphyrin IX (MGPP)、protochlorophyllide (Pchlide)與崩解代謝物包括chlorophyllide (Chlide)、pheophytin (Phe)、pheophorbide (Pho)等含量變化與崩解途徑及類胡蘿蔔素(carotenoid，Car)含量變化。結果顯示，農林8號Chl及其代謝物、Car之含量皆明顯高於突變種水稻。Chl、Phe及L

P Car等極性較小之代謝物，其含量隨著生育日數增加而下降，而口比口林(PPIX、MGPP、Pchlide)、Chlide及MP Car等極性較大之代謝物，其含量亦隨著生育日數增加而下降。五種水稻在生育階段前期，也就是營養生長期至生殖生長期間，葉綠素之崩解途徑傾向以Chl→Phe→Pho為主要崩解途徑(major route)，而以Chl→Chlide→Pho為次要途徑(minor route)；而隨著葉片逐漸成熟與老化，其葉綠素崩解之途徑卻有明顯的不同，亦即在生育階段後期，也就是生殖生長期至成熟期間，葉綠素之崩解途徑傾向以Chl→Chlide→Pho為主要崩解途徑，而以Chl→Phe→Pho

為次要途徑。五種不同葉色水稻進行葉片反射光譜測定，並以反射率計算植生指數(vegetation index)後，估算其葉片之色素含量。由反射光譜分析顯示，五種不同葉色水稻葉片在705nm之反射率對色素含量變化具有最大敏感度。而葉綠素紅光吸收波段675nm之反射率對於色素含量變化之敏感度小，故此一波段不適用於估算葉片色素含量。波長750 nm以上之近紅外光波段對於葉片色素含量敏感度亦小，雖不適用於直接估算色素含量，卻可用於計算植生指數來估算色素含量。以波段705nm及750 nm反射率計算植生指數SRVI與NDVI後，與葉片色素含量進行迴歸分析，可得到最佳的估算模式(R2>0.78)。另以多波段

平均反射率計算植生指數後，與色素含量進行迴歸分析亦可得到較佳的估算模式(R2>0.70)。由本研究結果顯示利用反射光譜計算植生指數，非破壞性地估算葉片色素含量之變化進而監測作物生長狀況，可能為有效可行的方法。另於2006年在花蓮縣玉里鎮(台稉2號)、高雄縣美濃鎮(高雄145號)、彰化縣竹塘鄉(台稉11號)以及桃園縣新屋鄉(台稉14號)，設置水稻產量地真樣區，以不同氮肥等級施用建立產量以及稻米品質差異。利用福衛二號以及SPOT衛星影像資料，建立衛星遙測NDVI植生指數對水稻產量與米質之推估模式。水稻生殖生長期間孕穗期之衛星影像NDVI指數與稻穀產量具有最高相關性，建立衛星遙測NDVI指數推估稻穀

產量之最佳預測模式，玉里試區為移植後第56天之Yield (kg/ha) = 7889.7 × NDVI ＋ 710.94；美濃試區為移植後第65天之Yield (kg/ha) = 14654 × NDVI － 364.14；竹塘試區為移植後第59天之Yield (kg/ha) = 14063 × NDVI ＋ 1669.4；新屋試區為移植後第65天之Yield (kg/ha) = 13233 × NDVI ＋ 1768.6。西半部美濃、竹塘及新屋試區合併資料建立之產量最佳預測模式為Yield (kg/ha) = 8602.2 × NDVI ＋ 2845.3，以此時期建立之產量預測模式，經驗證

後顯示具有高準確度。西半部美濃、竹塘及新屋試區合併資料建立之產量估算模式，亦具有高準確度，顯示預測模式應用於不同品種及不同地區之可行性。稻米品質食味值與產量具有負相關，與衛星遙測NDVI指數亦呈現負相關，玉里試區台稉2號，在進入生殖生長期後，其衛星遙測NDVI植生指數與稻米品質食味值之關係，相當密切，水稻生殖生長期間孕穗期之衛星影像NDVI指數建立稻米食味值之推估模式為y=-30.84x + 79.313，r2 = 0.83。在生育期最後階段，成熟期後期，衛星遙測NDVI與稻米食味值之關係亦非常高，其r2達0.9。竹塘試區台稉11號水稻生殖生長期間孕穗期之衛星影像NDVI指數建立稻米食味值之推

估模式為y = -88.737x + 79.23，r2 = 0.89，以竹塘試區台稉11號水稻生殖生長期間孕穗期之衛星影像NDVI指數建立稻米食味值之推估模式，經驗證後其平均誤差為11.52，顯示具有高準確度。