臺灣位處板塊交界帶，地殼活動頻繁，長期累積之地殼形變使既有坐標系統逐漸產生偏移，為維持國土空間資料一致性與測量精度，內政部已公告更新TWD97[2020]坐標系統。本研究以臺北市加密控制點為研究對象，探討應用類神經網路建立TWD97與TWD97[2020]坐標系統轉換模型之可行性。
本研究採用臺北市政府地政局土地開發總隊於民國111至113年間辦理之154筆加密控制點檢測成果坐標作為模型訓練與驗證資料。建置以倒傳遞演算法為基礎之類神經網路模型，並與傳統四參數轉換、六參數轉換及六參數結合最小二乘配置法進行比較分析。考量兩坐標系統差異屬公分等級之微小位移，本研究以學習坐標差量（ΔE、ΔN）建置模型，並透過資料中心化與標準化處理，以提升模型訓練穩定性與收斂效率。
研究成果顯示，類神經網路模型之轉換均方根誤差（RMSE）達公分以下水準（0.72公分），最大位置較差未超過1.55公分。其坐標轉換精度與穩定性整體優於四參數與六參數轉換模型，並與六參數結合最小二乘配置法之成果相當。本研究所得轉換成果已符合現行地籍測量實施規則所規範之精度。整體而言，本研究之特色在於以類神經網路完成公分級差異之高精度坐標轉換，為既有多以公尺級差異為研究對象之坐標轉換文獻提供補充，可作為未來坐標基準更新之技術參考。

Taiwan, located in an active tectonic region, experiences long-term crustal deformation that necessitates updates to coordinate reference systems. To ensure spatial data accuracy, the Ministry of the Interior has announced the TWD97[2020] coordinate system. This study investigates the feasibility of applying artificial neural networks (ANN) for high-precision coordinate transformation between TWD97 and TWD97[2020] using densified control points in Taipei City.
Measurement results from 154 densified control points surveyed by the Land Development Agency of the Taipei City Government between 2022 and 2024 were used as training and validation data. A back-propagation neural network (BPNN) model was developed and benchmarked against traditional four-parameter, six-parameter transformations, and six-parameter transformation with least-squares collocation (LSC). Targeting centimeter-level displacements (ΔE, ΔN), the model incorporated data centralization and standardization for training stability.
The results show that the ANN model achieved an RMSE of 0.72 cm with a maximum positional error below 1.55 cm, demonstrating accuracy superior to the four-parameter and six-parameter models and comparable to the six-parameter model with LSC. The results satisfy practical accuracy requirements for cadastral surveying and demonstrate the applicability of ANN to high-precision coordinate transformation involving centimeter-level differences.

中文參考文獻
王奕鈞，2006，「神經網路應用於地籍坐標轉換之研究」，國立政治大學地政學系碩士論文：臺北。
江正瑋，2003，「應用類神經網路與模糊控制於泵浦量測系統的研究」，國立中央大學機械工程研究所碩士論文：桃園。
李彥廷，2011，「以類神經網路構建區域電離層模型」，國立政治大學地政學系碩士論文：臺北。
林老生，2008，「以神經網路直接將3D空間坐標轉換至2DTM平面坐標」，『測量工程』，50（3-4），29-42。
林怡君，2013，「利用最小一乘法在地籍坐標轉換資料偵錯之研究」，國立政治大學地政學系研究所碩士論文：臺北。
林偉祥，2011，e-GPS應用於山區地籍測量之研究：以臺電鐵塔用地預為分割測量為例，國防大學理工學院碩士論文：桃園。
施柏屹，2000，「倒傳遞類神經網路學習收歛之初步探討」，國立中央大學機械工程研究所碩士論文：桃園。
許皓寧，2003，「臺北市地籍資料TWD67與TWD97坐標轉換之比較研究」，國立中興大學土木工程學系碩士論文：臺中。
黃華尉，2001，「TWD97與TWD67二度TM坐標轉換之研究」，國立成功大學測量工程研究所碩士論文：臺南。
賴清陽，2009，「應用倒傳遞神經網路於平面坐標轉換之研究-以臺中市西屯區龍門段為例」，國立中興大學土木工程學系研究所碩士論文：臺中。
蘇昭安，2003，「應用倒傳遞類神經網路在颱風波浪預報之研究」，國立臺灣大學工程科學與海洋工程學系碩士論文：臺北。
蕭哲瑋，2021，「一個有效的全域及區域搜尋經驗為基礎的最佳化器用於神經網路訓練」，國立中山大學資訊工程學系研究所碩士論文：高雄。

英文參考文獻
Abbas, A. I., Alhamadani, O. Y. M., & Mohammed, M. U., 2022, “The Application of an Artificial Neural Network for 2D Coordinate Transformation”, Journal of Intelligent Systems, 31: 739–752.
Demuth, H., Beale, M., 2001. User’s Guide of Neural Network Toolbox For Use with MATLAB, Version4, The Math Works.
Elshambaky, H. T., Kaloop, M. R., & Hu, J. W. , 2018, “A novel three-direction datum transformation of geodetic coordinates for Egypt using artificial neural network approach”, Arabian Journal of Geosciences, 11:110.
Ghilani, C. D., 2010, Adjustment Computations: Spatial Data Analysis, John Wiley & Sons.
Gullu, M., 2010, “Coordinate transformation by radial basis function neural network”, Scientific Research and Essays, 5（20）: 3141-3146.
Haykin, S., 2009. Neural networks and learning machines 3rd ed. Upper Saddle River, NJ, USA: Pearson.
Hussein, Z. E., Alhamadani, O. Z., & Hussein, W. A., 2025, “Utilizing Artificial Neural Networks for 2D Coordinate Transformation: A Case Study on the Reference System of Iraq”, Iraqi Journal of Science, 66（2）: 955-969.
Kavzoglu, T., & Saka, M. H., 2005, “Modeling local GPS transformations using artificial neural networks”, Journal of Geodesy, 78: 520-527.
Kinyua, M. N., Sichangi, A. W., & Gachari, M. K., 2025, “Development of ANN optimized affine-6 2D coordinate transformation model”, Applied Geomatics, 17: 63-81.
Konakoglu, B., Cakir, L., & Gökalp, E., 2016, “2D coordinate transformation using artificial neural networks”, ISPRS Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2/W1: 183-186.
Kumi-Boateng, B., & Ziggah, Y. Y., 2017, “Horizontal coordinate transformation using artificial neural network technology: A case study of Ghana geodetic reference network”, Journal of Geomatics, 11（1）: 1-11.
Rofatto, V. F., Almeida, L. F. R., Matsuoka, M. T., Klein, I., Veronez, M. R., & Silveira Junior, L. G. （2025, September）. Residual-based neural network for unmodeled distortions in 2D coordinate transformation. Geodesy and Geodynamics. Retrieved February 11, 2026, from ScienceDirect database, on the World Wide Web: https://doi.org/10.1016/j.geog.2025.06.005
Tierra, A., & Romero, E. R, 2014, “Planes coordinates transformation between PSAD56 to SIRGAS using a Multilayer Artificial Neural Network”, Geodesy and Cartography, 63（2）: 199-209.
Ziggah, Y. Y., Hu, Y., Laari, P. B., & Hui, Z., 2017, “Novel approach to improve geocentric translation model performance using artificial neural network technology”, Boletim de Ciências Geodésicas, 23（1）: 213–233.
Ziggah, Y. Y., Hu, Y., Tierra, A. R., & Laari, P. B., 2019, “Coordinate transformation between global and local data based on artificial neural network with K-fold cross-validation in Ghana”, Earth Sciences Research Journal, 23（1）: 67-77.
Ziggah, Y. Y., Hu, Y., Yu, X., & Basommi, L. P., 2016, “Capability of artificial neural network for forward conversion of geodetic coordinates （φ, λ, h） to cartesian coordinates （X, Y, Z）”, Mathematical Geosciences, 48: 687–721.
 
網頁參考文獻
TensorFlow （2025,November 1）.https://www.TensorFlow.org/?hl=zh-tw
中華民國內政部國土測繪中心，2025，平面控制https://www.nlsc.gov.tw/cp.aspx?n=1482，取用日期：2025年11月23日。
臺北地政e博館，2025，坐標系統演進，https://emuseum.land.gov.taipei/Item/DetailDiscover/%E5%9D%90%E6%A8%99%E7%B3%BB%E7%B5%B1%E6%BC%94%E9%80%B2?businessType=%E5%88%B6%E5%BA%A6&discoverType=%E6%B8%AC%E7%B9%AA，取用日期：2025年11月21日。