2019/11/06 水情監測歷史影像資料集-湳仔溝抽水站固定鏡頭

URL: https://scidm.nchc.org.tw/ja/dataset/sn_32-2019/resource/48085f40-facd-42d4-990b-3247c573f9e1/nchcproxy

データセットの概要より

本資料集彙整監測站 - 湳仔溝抽水站固定鏡頭,2019年度每日歷史影像檔(.jpg)封裝之壓縮檔。 檔名說明: 年度_月_日_測站名稱.zip 全台目前現有監測影像共有1089組監視影像歷史紀錄,監測重要河川、橋梁、堰壩等水利設施,以及易淹水地區,並全年不間斷監測並儲存資料。

Source: 水情監測歷史影像資料集 -2019 湳仔溝抽水站固定鏡頭

埋めこみ

現在、このリソースビューは表示できません 詳細情報の表示

リソースをダウンロード

追加情報

フィールド
最終更新日 2019 / 11月 / 15,
メタデータ最終更新日時 2019 / 11月 / 15,
作成日 2019 / 11月 / 15,
データ形式 ZIP
ライセンス 01 政府資料開放授權
Media typeapplication/zip
Size58,965,910
formatZIP
has viewsTrue
id48085f40-facd-42d4-990b-3247c573f9e1
last modified5 年以上前
md521c8761c55dd3de2f2f7d1c0eb86dcb4
on same domainTrue
package idb344c599-874d-4746-b0da-3fb79bbb8f51
position293
proxy urlhttps://scidm.nchc.org.tw/ja/dataset/b344c599-874d-4746-b0da-3fb79bbb8f51/resource/48085f40-facd-42d4-990b-3247c573f9e1/nchcproxy/2019/11/06%20%E6%B0%B4%E6%83%85%E7%9B%A3%E6%B8%AC%E6%AD%B7%E5%8F%B2%E5%BD%B1%E5%83%8F%E8%B3%87%E6%96%99%E9%9B%86-%E6%B9%B3%E4%BB%94%E6%BA%9D%E6%8A%BD%E6%B0%B4%E7%AB%99%E5%9B%BA%E5%AE%9A%E9%8F%A1%E9%A0%AD
revision id192f0fea-ae1c-4a58-a23a-e9e8292d4c8b
sha256a597e15a302b88df130358fcfbf358031a49c206ce7b1ade4a160baafe10b444
stateactive
url typeupload
作成日5 年以上前

推薦資料集:


  • (桃園市)食品(健康食品)標示調查案件統計表-107年8月至107年12月

    Payment instrument Free
    Update frequency Irregular
    (桃園市)食品(健康食品)標示調查案件統計表
  • 創立基金餘額未達目標金額之政府捐助成立之財團法人及其主管機關策進作為

    Payment instrument Free
    Update frequency Irregular
    提供103年至105年間,創立基金餘額未達目標金額之政府捐助成立之財團法人及其主管機關策進作為
  • SPOD0011國科會南部科學園區污水數據

    Payment instrument Free
    Update frequency Irregular
    資料範圍:台南園區、高雄園區。 主要欄位說明:採樣時間、工廠名稱、經度、緯度、固體懸浮物濃度、化學需氧量、廢水排放量、酸鹼值、溫度。
  • Applicaiton Required

    2022年福爾摩沙衛星五號 L4 苗栗+台中

    Payment instrument Free
    Update frequency Irregular
    此資料集為非公開資料,需由 NSPO 進行資料審核。 欲申請者,請進入資料集後點選右上方「申請」填寫申請單;申請前請先登入系統。 若尚無平台帳號,請至 https://scidm.nchc.org.tw/user/register 進行註冊
  • Applicaiton Required

    H11-M13_持續性學習之物體偵測模型

    Payment instrument Free
    Update frequency Irregular
    Method 由於現有的病理影像資料集常是以實例分割的方式提供,為了達成更好的持續學習物件偵測效果,本方法於持續學習步驟中每次分為兩階段,於第一階段,先利用現有的持續學習語意分割方法SSUL, NeurIPS 2021生成語意分割先驗知識,再於第二階段以此先驗知識為額外輸入協助達成更好的持續學習物件偵測結果。 Usage 能用於持續性學習之細胞偵測模型...