应用遥测技术於农作物生产调查-以敏感性作物凤梨为例.docVIP

環境資訊系統專論 Homework10 土管碩一 江國憲 M9738204應用遙測技術於農作物生產調查－以敏感性作物鳳梨為例緣起除了天災之外，產銷失衡也是農民最怕遭遇的「災難」。錯誤資訊的傳播，常使農民一窩蜂搶種某種農作物，而造成產量過剩及價格崩盤。為避免此情形，並掌握及預估重要農糧產品的生產面積或產量，農委會特訂定「重要農糧產品生產申報預警處理要點」，並自 96年起實施，主要是藉由生產申報、監測、資訊發布與預警等作業程序，以及產銷失衡輔導措施，促進供需平衡，穩定農糧產品價格，維護農民收益。目前規範的重點作物包括鳳梨、香蕉、柳丁、木瓜、洋蔥、花生、大蒜七項，這些作物也稱之為「敏感性作物」。目前敏感性作物生產調查除仰賴農民自行登記外，另一則由田間調查員赴田區以目視方式進行生產面積的估算。農民自行登記除可靠度仍有待檢驗外，未登記通報之比例仍過高，對於產量預估時有影響之處；而現地調查的方式則費時費力，並不符合經濟效益。因此在遙測技術日漸成熟的今日，可利用高解析度的衛星影像或航空照片來獲取敏感性作物細微的資訊，並進行自動化判釋，不僅成本低、速度快，更可大面積的獲取資訊。研究方法本研究判釋所使用之衛星影像為福衛二號彩色融合影像，空間解像力為 2 公尺，並由人工判釋之方式去除所有雲霧及雲影。自動判釋主要以兩種影像資訊進行實作，一為依據光譜特性，一為依據紋理特性。依光譜特性進行影像分類本研究結合非監督及監督性分類法，依鳳梨的光譜特性進行影像分類。訓練樣區是從現地調查資料中篩選出來，而因坵塊圖與衛星影像套疊時會產生對位位移的現象，且由於每個坵塊面積不大，在與網格格式套疊時，邊界部分容易造成混淆產生判釋的錯誤，且此類像元眾多，恐造成判釋精度不佳。為解決此問題，訓練樣區的坵塊範圍邊界各做 4 公尺的環域(buffer)，再將此環域去除 (mask)，以避免邊界位移所造成的誤差。接著利用環域去除後的樣區範圍切割衛照及航照影像，以此得到鳳梨及非鳳梨訓練樣區之光譜資訊，再以非監督之ISODATA (Iterative Self-Organizing Data Analysis. Technique A)方式建立 20 類鳳梨及20類非鳳梨光譜均質類別統計資訊。最後依此統 計資訊，以最大相似法 (maximum likelihood) 進行自動分類判釋，得到鳳梨 20類及非鳳梨 20 類之分類後影像。最大相似法之決策函數可表示如下： D = ln［ac］- [0.5 ln（|Covc|）] - [0.5（X-Mc）T （Covc-1）（X-Mc）]其中 D 為「weighted distance」，亦可視為類別歸屬機率；c 為「a particular class」；X 為「the measurement vector of the candidate pixel」；Mc 為「the mean vector of the sample of class c」；ac為「percent probability that any candidate pixel is a member of class c」；Covc為「the covariance matrix of the pixels in the sample of class c」；|Covc|為「determinant of Covc（matrix algebra）」；Covc-1為「inverse of Covc（matrix algebra）」；ln為「natural logarithm function」；T為「transposition function（matrix algebra）」。依紋理特性進行邏輯分類由於融合影像較能呈現鳳梨的種植排列特徵，因此可由彩色融合之福衛影像或航照中計算紋理資訊。首先依耕地坵塊圖將影像進行影像分割 (segmentation)，再計算每一個分割範圍中的GLCM 值，共包含 homogeneity、constrast、dissimilarity 、 entropy 、 ang. 2nd moment 、mean、standard deviation、correlation 等 8 種度量指標。由於 8 種度量指標可對影像每一個波段計算出紋理值，因此最後每一個分割範圍將產生 40~50 個紋理值。在如此多的紋理度量指標中，難以挑選最佳的指標以及閾值來區分作物，故本研究引用決策樹中的分類及回歸樹 (classification and regression tree, CART)，協助挑選最具代表性之紋理指標以及最佳之閾值。CART 分析為資料探勘 (data mining) 技術的一種，是利用簡單的問題來將資料作分