第二章 文獻回顧
2.7 水質遙測之成果
2.7.1 單波段因子
國外文獻
在Landsat 衛星中 TM 1 可用來量測光的衰退，是因水生動植物之腐殖質與 葉綠素的吸收；TM 2 可用來量測浮游植物濃度；TM 3 較難詮釋，但當沈積物載 入發生時，可提供有效的資訊；TM 4 反射率是水體快速增加吸收或是懸浮物質 反射所產生；TM 6 提供繪製表面溫度和表面輻射之變化量（Dekker and Peters, 1993），所以 Landsat 衛星之 MSS（Multispectral Scanner）4～6 波段與 TM 2～4 波段常廣泛地應用於監測水體含沙量之定量資訊，而MSS 與 TM 感測器在監測 葉綠素時卻因可見光波段範圍較寬，光譜敏感度較低，故一定程度上忽略了浮游 植物之信號。近來利用高光譜解析度可基於物質之光譜反射率來區分物質，如懸 浮固體與葉綠素-a 濃度（Giardino et al., 2001; Hellweger et al., 2004），如圖 2-16 所示，表中亦顯示歷年學者利用各類衛星研究不同水質參數之研究文獻。
圖2-16 歷年衛星監測內陸和近海水體水質之研究（Hellweger et al., 2004）
Lillesand et al.（1983）已成功利用 Landsat MSS 遙測資料進行美國 Minnesota 60 多座水庫的優養狀態分類，研究發現 Landsat 系列衛星影像資料對葉綠素-a 濃 度與透明度的監測是具有可靠性的，Wu et al.（2008）亦整理前人於 Landsat 系 列衛星之感測器下對於透明度的研究結果，如圖2-17 所示，其 Wu et al.（2007, 2008）分別利用 MODIS 與 Landsat TM 影像監測鄱陽湖的濁度與透明度變化，
研究發現Landsat TM 已常用在監測透明度，但往往 Landsat TM 在時間解析度上 較差且會受到雲覆蓋的影響，於是可以MODIS 具有一天二次通過的高度時間解 析度來代替，僅以迴歸分析就有不錯的結果，且最重要是影像時間最好要與現地 採樣時間一致，才可得到較高的相關性，時間距離差愈多則使相關性愈低。故研 究方法僅以線性迴歸模式進行分析，探討此二個衛星之優劣，研究發現 MODIS 有較佳的監測能力，如表2-16 所示，而 Landsat TM 於濁度分析上，其 R2為0.92。
圖2-17 前人於不同感測器之波段對於透明度的研究結果（Wu et al., 2008）
表2-16 MODIS 與 Landsat TM 在監測透明度度上之結果比較（Wu et al., 2008）
Images Regression Model R2 s.e. F p n
MODIS ln(SDD) 0.474 15.240 blue 21.130 red= + × − × 0.88 0.37 249.0 <0.001 71 Landsat TM 5 ln(SDD) 1.133 10.533 blue 13.805 red= − × − × 0.83 0.20 60.51 <0.001 25
Allee and Johnson（1999）在研究中提出使用相同的 Landsat TM 影像與現地 葉綠素濃度與沙奇盤深度的資料，可獲得高度之相關性，以利發展預測模式。亦 可提供這模式測試過去十年所收集的歷史葉綠素濃度資料，研究結果顯示可成功 的預測出在測試十年當中的六年中葉綠素濃度的等級，若只考慮夏季則有更佳預 測效果。
Giardino et al.（2001）在研究中使用 Landsat TM 衛星影像，來監測葉綠素 濃度、沙奇盤深度及表水溫度，因有進行現地大氣校正，可降低影像之誤差，亦 可進行影像之輻射校正以減少誤差，故採用迴歸分析建立其預測就有不錯之結 果，如表2-17 所示，再利用 OECD 將水質分類，因 OECD 類別較 CTSI 細，有 助瞭解水質之判釋。
表2-17 預測葉綠素-a 與透明度之結果（Giardino et al., 2001）
Parameters R2 RMSE F / F-critical N Chlorophyll-a 0.999 0.054 228.27 4
Secchi Disk 0.852 0.452 123.12 4
Baruah et al.（2001）利用 Landsat TM 衛星影像監測葉綠素-a 與懸浮固體濃 度，研究中將衛星影像DN 值進行像元視窗大小之選取，以減少干擾，再運用線 性迴歸（Regression）與能處理非線性之類神經網路（Neural Network）方法與建 立模式，研究發現類神經網路有較佳的預測葉綠素-a 與懸浮固體濃度之能力，如 表2-18 所示。
表2-18 線性迴歸與類神經網路預測葉綠素-a 與懸浮固體之結果（Baruah et al., 2001）
Chlorophyll-a Suspended Sediment
Methods
R2 RMSE（μg/l） Rel. MSE（%） R2 RMSE（μg/l） Rel. MSE（%）
Neural Network 0.93 1.53 8.10 0.92 1.47 8.00
Regression 0.31 4.39 53.29 0.85 2.14 16.78
Kloiber et al.（2002a）使用於 1973～1998 年間 13 張 Landsat MSS 和 Landsat TM 影像來評估美國明尼蘇達州和聖保羅地區，探討其 SDD 在時空上的趨勢，
建立之Calibration Regressionequations 有不錯之成果，其 Landsat TM 和 Landsat MSS 之 R2分別為0.72～0.93 與 0.60～0.79。
Bilge et al.（2003）研究推估 Porsuk Dam 水庫水質參數之間關係，並且利用 Landsat TM 衛星資料進行複迴歸模式來推估 SS、Chl-a、NO3-N 與 TLID 等水質 變化，如表 2-19 所示，透過現地資料和遙測衛星資料可以成功建立推估水質之 模式。
表2-19 水質參數之判定係數（Bilge et al., 2003）
Parameters R2
SS（mg/l） 0.92
NO3-N（mg/l） 0.86
Chl-a（μg/l） 0.87
TLID（m） 0.88
Chen（2003）以 1997 年 5 月 7 日至 2001 年 6 月 5 日之間共 5 張 SPOT 影像，
應用遺傳規劃法（GP）建構影像光譜數據與葉綠素-a 間之關係，監測永和山水 庫水體優養狀況，結果表示遺傳規劃比線性迴歸要好，如表 2-20 所示，其推估 整體水庫葉綠素-a 之變化結果，如圖 2-18 所示。。
表2-20 遺傳規劃與迴歸評估葉綠素-a 之比較表（Chen, 2003）
Indexs LMR GP R 0.71 0.81 SSE 216.5 189.07
240500.00 241000.00 241500.00 242000.00 242500.00 2726500.00
2727000.00 2727500.00 2728000.00 2728500.00
0.00 2.00 4.00 6.00 8.00 10.00 12.00 14.00 16.00 18.00 20.00 22.00 24.00 26.00
圖2-18 遺傳規劃法評估永和山水庫葉綠素-a 濃度之分佈狀況（Chen, 2003）
Wang et al.（2004）研究中將 Landsat TM 之 TM 1～TM 3 之波段，利用線性 迴歸方式分別建立BOD5與COD 等水質模式，其結果 R2分別為0.707 與 0.626，
而均方根誤差（RMSE）在 0.02～0.03 之間，顯示以 Landsat 來監測有不錯之表 現。
Hellweger et al.（2004）利用 Landsat TM 影像與 MODIS 影像監測紐約灣之 葉綠素-a、濁度、透明度與懸浮固體濃度，研究清楚說明遙測的優缺點及分析如 何解決其缺點，研究結果證實Landsat TM 可用來監測透明度之變化，如圖 2-19 所示，圖中顯示TM 3 與透明度有良好之相關性。
圖2-19 透明度與 TM 3 波段之關係（Hellweger et al., 2004）
Hsiao et al.（2005）以 SPOT 影像進行德基水庫之葉綠素-a、懸浮固體與透 明度等水質之定量推估，由線性迴歸模式分析結果，其R 皆超過 0.85 以上，顯 示SPOT 對於水質之推估亦有不錯之表現，如表 2-21 所示。
表2-21 SPOT 之三個波段光譜值於線性迴歸法分析結果（Hsiao et al., 2005）
Parameters R S.E. F
Chl-a 0.96 1.03 95.62 SS 0.86 0.51 47.5 SDD 0.92 0.32 91.28
Chen et al.（2008）中研院環境變遷中心配合 Landsat-7 衛星於 2005/04/18 通 過北台灣時間，沿著翡翠水庫縱向航行進行各水質之現地24 點採樣，如圖 2-20 所示。其中現地水質採樣以Chl-a 濃度為重點所在，因每年四月水庫之 Chl-a 濃 度會有升高之趨勢，故以多光譜 Landsat-7 ETM+衛星影像，並利用人工智慧方 法，如統計迴歸與平行式 GEGA（Parallel GA Incorporated with GE, Parallel GEGA）等方法，進行水庫水質之監測，研究結果顯示經由平行式 GEGA 和統計 迴歸之比較，結果發現平行式GEGA 有較好的模式且估算誤差值較低，如表 2-22 所示，其推估整體水庫葉綠素-a 之變化結果，如圖 2-21 所示。
#
# #
#
#
#
#
#
#
#
#
#
#
# #
#
# #
#
#
#
#
#
#
S 1 S 3 S 5
B 2 S 8
C2 D2 S 12
S 15
S 17 S 18
S 20 S 22
S 26 S 28
S 32 S 34 S 36 S 39
S 42S 45 S 48
S 52 S 58
圖2-20 翡翠水庫之衛星影像與現地水質採樣點（Chen et al., 2008）
表2-22 使用 LMR 和平行式 GEGA 評估葉綠素-a 之結果（Chen et al., 2008）
Methods Correlation Coefficient SSE RMSE
0.82 3.31 0.37
LMR 0.77 4.74 0.44
Parallel GEGA 0.89 2.17 0.3
圖2-21 平行式 GEGA 評估翡翠水庫葉綠素-a 濃度之分佈狀況（Chen et al., 2008）
Chang et al.（2009）以 Formosat-2 監測曾文水庫之葉綠素-a 與懸浮固體之變 化，利用線性迴歸建立模式，其研究結果R2皆呈現0.78 以上之水準，如表 2-23 所示。
表2-23 監測曾文水庫之葉綠素-a 與懸浮固體之結果（Chang et al., 2009）
Index Chl-a SS
N 53 53
R2 0.78 0.84
RMSE 3.2 mg/m3 1.8 g/m3
Koponen et al.（2001）研究指出 Landsat TM 雖有較佳之 30 m 空間解析度，
但再訪率卻需要16 天之週期，且會遇上雲覆蓋等之環境因素，所以不適合於監 測特殊之區域，故採用MODIS 之感測器影像，其可每天可產生 250 m 影像，具 有高時間解析度，適合觀測Finnish Lake 之濁度變化，利用線性迴歸方法建立模 式，其R2可達0.92，有極佳之表現。
Zhuang（2009）以 MODIS-250 m 空間解析度之影像，進行監測美國西南部 之 Roosevelt 與 Saguaro 水庫藻類的藻華現象，利用線性迴歸方法建立模式，研 究結果R2分別對Roosevelt 與 Saguaro 水庫為 0.87 與 0.69，再以此模式評估葉綠 素-a 之變化程度。
王泰盛等（2009）以 Landsat-7 ETM+之衛星影像監測翡翠水庫之濁度變化，
採用可自行組合方程式之遺傳運算樹（Genetic Algorithm of Operation Tree, GAOT）方法與濁度建立模式，研究結果顯示 R 為 0.83，如表 2-24 所示，有不 錯之表現，其推估整體水庫變化如圖2-22 所示。
表2-24 分析結果表（王泰盛等，2009）
R R2 RMSE
0.83 0.69 0.12
圖2-22 翡翠水庫之濁度推估圖（王泰盛等，2009）
國內文獻
水質遙測之影像大多採用國外之衛星，如Landsat 系列與 SPOT 系列衛星等，
由於國人自主研發之 Formosat-2 衛星營運後，近年來才有國內運用其影像作研 究，在水質研究上亦才陸續有相關研究。
林建智（2006）使用 Formosat-2 與現地採樣同步拍攝之影像，將日月潭水庫 現地採樣所得之水質參數配合該採樣點於影像上之各波段光譜值，建構出線性迴 歸模式，再以檢核點進行準確度之評估，並將線性迴歸模式帶入影像中，以地理 資訊系統展現出整體的水質情形。
譚子健（2006）應用 Formosat -2 影像，進行監測曾文水庫內葉綠素-a 與懸 浮固體物濃度之時空分佈，發現水質與現地量測之水面光譜反射率間有很好的相 關性。其中Chl-a 與 SS 在線性迴歸模式中所得出的判定係數（R2）分別為0.79 及0.87。
李宜真（2007）應用 Formosat-2 監測日月潭水庫、明德水庫以及鳳山水庫，
建立其水質參數（總磷、葉綠素-a 與透明度）與光譜（藍光、綠光、紅光與近紅
外光）之間的線性迴歸模式，並推估整體水庫水質。