6-1 空載光達點雲輻射校正
光達點雲輻射校正「100 年度發展先進空載光達科技與應用工作案」
時即有良好之成果，本研究延續上年度之研究方式於經由輻射校正後 之數值再進行正規化，將其值域落於[0, 255]之區間，此數值即為大氣、
雷射光入射角、接收器與距離等三項影響因子所修正後之光達強度值。
而在假定其餘參數皆為穩定之狀態下，改正後強度(𝑃𝑟′)即可視為代表地 物反射率的量化參數。以火山區測試區為例，點雲強度改正結果如圖 6.1 所列，依據各測試區的正射影像所對應之改正前後影像即可瞭解測 試區境內其各地物的改正差異性。
改正前 改正後
正射影像
圖 6.1 光達點雲輻射校正之成果展示圖(以火山測試區為例)
6-2 高光譜影像之大氣校正成果
℃、32.8℃、32.5℃、32.0℃，風速分別為 3.3 m/s、4.1 m/s、4.1 m/s、
4.4 m/s、5.2 m/s，風向分別為東、東南、東南東、東南、南南東；竹 子湖氣象站的氣溫自 10 時到下午 2 時逐時的觀測氣溫分別為 27.9℃、
29.1℃、29.3℃、29.3℃、29.1℃，風速分別為 1.0 m/s、1.2 m/s、2.0 m/s、
2.0 m/s、1.6 m/s，風向分別為東、南、南南西、南南西、南南西。一 百零一年九月十三日嘉義氣象站之資料，自 10 時至下午 2 時逐時觀測，
氣溫分別為 30.6℃、31.2℃、31.9℃、31.7℃、31.5℃，風速分別為 3.4 m/s、3.8 m/s、3.8 m/s、4.4 m/s、4.7 m/s，風向分別為北、北、北、北、
北北西，因此分別選用 T(熱帶地區)和 MLS(中緯度夏天)為大氣模型。
此外，考量到當時火山區測試區風向為東風，因此大氣凝膠的選擇為 海洋環境，而水庫集水區則為鄉村。
能見度方面乃參考飛航情報，一百零一年九月五日施測當天松山 機場的情報為 METAR RCSS 050200Z 08007KT 030V110 9999 FEW025 30/24 Q1008 NOSIG RMK A2979=，一百零一年九月十三日嘉義空軍基 地的情報為 METAR RCKU 130530Z 29007KT 9999 FEW014 BKN025 33/26 Q1006 NOSIG RMK A2972=，能見度欄位均為 9999，代表良好，
雲量雲種 FEW，分別表示在 25000 呎和 14000 呎有 1 至 2 份雲，故設 為 40 km 良好。而水氣反演方面，採用對水氣反應較靈敏的 940 nm。
二氧化碳濃度則根據 NOAA 在夏威夷的 Mauna Loa 觀測站觀測之 390
ppm (C. D. Keeling et al., 2001)(圖 6.2)，根據手冊建議額外增加 20 ppm，
設為 410 ppm。
此外，FLAASH 提供三種散射模型，分別為 Isaacs、DISORT 和 Scaled DISORT。根據使用者手冊，Isaacs 處理速度較快，然而可能存 在過度取樣的問題，而 DISORT 適用於汙染嚴重的地區。相對處理速 度為 Isaacs(2)：DISORT(2)：DISORT(4)：DISORT(8)：DISORT(16) = 1:
22: 24: 30: 60，其中括弧內的數字代表模擬散射的方向數，而 Scaled DISORT 處理速度接近 Isaacs，且散射的方向數對其處理速度影響甚微，
因此本研究採用 Scaled DISORT 散射模型。
表 6.1 本案所選用之演算模型 測試區 大氣
模型 氣膠模型 能見度 水氣 反演
二氧化碳
濃度 散射模型 火山區 T 海洋環境 40 km
940 nm 410 ppm Scaled DISORT 水庫集水區 MLS 鄉村 40 km
圖 6.2 NOAA 所觀測之近年二氧化碳濃度
依據本研究所選定模型，配合每條航帶之 GPS 時間、經緯度、飛 航高度以及由 LiDAR 所得到之平均地面高程資訊，即可進行 FLAASH 大氣校正。將上述所得到之飛航與高程資訊，匯輸入至 FLAASH 模組，
結果顯示，FLAASH 根據本研究所選定之模型給予不同波段之對應修 正值，最後輸出反射率之影像。藉由地面光譜儀之採樣資料，即可對 FLAASH 大氣校正成果進行初步評估。圖 6.3 中紅色 Ground 為地面光 譜儀採樣反射率；綠色 Image1、藍色 Image2 和橘色 Image3 為不同航 帶 FLAASH 大氣校正之結果，可以發現在波長 700 nm 以下，反射率 的差異隨波長的降低而增大。
此外，藉由對整張影像反射率的分布情形進行統計，來評估影像 其它區域校正的成果。如圖 6.4 為影像反射率之累計分布，橫坐標為反 射率，縱坐標為累計百分比，其中紅色為 406.1 nm，綠色為 415.7 nm，
藍色為 425.3 nm，橘色為 434.9 nm，大氣校正反射率之累計分布於 406.1
~ 434.9 nm 反射率，顯示反射率小於 5%的影像佔總影像面積 99%以上，
且反射率出現負值。此外在圖 6.5 中，於陰影地區亦出現反射率仍為負 值的同樣問題。
圖 6.3 地面光譜儀採樣和不同航帶之 FLAASH 大氣校正結果之比較圖
圖 6.4 影像反射率之累計分布圖(X 軸：反射率，Y 軸：累計百分比。
各顏色分別代表不同波長)
圖 6.5 FLAASH 於陰影地區之不同波段反射率分布情形(以水庫集水區 -B 測試區為例)
雖然藉由水氣反演之功能能減少水氣含量模型差異所造成的誤差，
但受限 FLAASH 大氣模型和氣膠模型種類有限，導致大氣校正成果出 現許多不合理數值，且無法很好的對應地面光譜儀結果。因此，再次 利用經驗線法則進行兩測試區之大氣校正，以比較兩種方法之校正成
效。
2. 利用經驗線法則進行大氣校正
根據同步採樣之原則，進行光譜採樣時，各航帶需盡量分配地面 連結點，並考量飛航同步的時間限制與實際採樣路程的方便性，故於 同步點之規劃，南北兩測區同步點位置分布如圖 6.6 所示。本案之影像 拍攝航線規劃為南北方向，因此，地面點多安排於測區內道路可達之 處，以完成光譜採樣作業。同步點採樣完畢後，經前處理(剔除不良樣 本)，例如採樣位置透空條件差、影像無法辨識、遮蔽等情況，最後保 留火山測試區共 15 處同步點、水庫集水區-B 測試區共 13 處同步點。
圖 6.6 地面光譜儀同步採樣點之位置分布圖
地面光譜儀器採樣之樣本，其材質需為均勻且平坦的鋪面，無水
YM05、YM47、S13 等)為實際情況較明亮、反射率較高之地物，而迴 歸線之左圖下末端（如 YM07、S10、S12 等）方為較暗、反射率較低 的地物。透過上述挑選地面點之方法，建立兩測區之經驗式迴歸線。
火山區
水庫集水區-B 測試區
圖 6.7 兩測試區之經驗式迴歸線
根據光譜採樣反推影像 DN 值與反射率間的線性關係進行大氣校
將以 463.7 nm、549.9 nm、635.8 nm 以及 864.65 nm 四個波段之經驗線 改正參數作為改正範例說明。
表 6.3 本案兩測試區之經驗線改正參數
測試區 波段 線性轉換方程式 R2
火山區
波段11 (463.7nm, rows 245-248) 0.0031 X+(-6.7807) 0.7611 波段20 (549.9nm, rows 209-212) 0.0032X+ (-6.6824) 0.7934 波段29 (635.8nm, rows 173-176) 0.0033X+ (-6.0024) 0.7769 波段53 (864.6nm, rows 77-80) 0.0052X+ (-7.588) 0.8202
水庫 集水區
波段11 (463.7nm, rows 245-248) 0.005883X+ (-7.07) 0.7419 波段20 (549.9nm, rows 209-212) 0.005506X+ (-6.02) 0.7961 波段29 (635.8nm, rows 173-176) 0.005676X+ (-4.33) 0.8099 波段53 (864.6nm, rows 77-80) 0.00665X+ (5.88) 0.8487 兩測區本報告所建立之經驗式大氣校正反算關係係以，瀝青鋪面
圖 6.8 經驗式（ELC）與 FLAASH 於植被的結果比較，可以發現 FLAASH 在 500 nm 以下結果為負值或趨近於零。
若針對整張影像進行統計(圖 6.9)，在 406.1 nm 反射率為負值者超 過 40%。因此在本案中採用經驗式進行大氣校正。
圖 6.9 經驗式（ELC）與 FLAASH 在 406.1 nm 反射率的分布統計，反 射率負值比例超過 40％。
經驗式大氣校正原理為將影像 DN 值對應到地面反射率，其成果 和地面採樣點位的規劃有直接的關聯，雖本案迴歸線 R 均在 0.72 以上，
但在圖 6.7、圖 6.8 仍可發現有部分採樣點偏離迴歸線。因此在樣本點
6-3 高光譜與全波形光達資料融合技術試驗 6-3.1 空載光達點雲數據之波形重建
本研究以空載光達之波形資料以 1 m×1 m 面積進行取樣，計算該 面積內之平均光達強度值，藉由網格式資料呈現不同地物的波形資訊，
並根據各測區覆蓋之土地利用類別，瞭解其波形反應的特性。本研究 參考國土利用分類圖、以及本次拍攝之正射影像、高光譜影像圈選測 試區境內之土地使用類別。其類別項目分別為水體、森林、茶園、草 地、裸露地、建地、檳榔、稻作、旱作以及廢耕地，並亦選擇火山測 區現地調查之岩性位置，各類別均為 30 個樣本。圖 6.10 所展繪之成果 為各地物樣本之地物影像與光達回波波形圖的平均值與標準差。
圖 6.10 各土地利用類別之全波形資料
圖 6.10 各土地利用類別之全波形資料(續)
圖 6.10 各土地利用類別之全波形資料(續) 6-3.2 影像融合
將高光譜影像與光達回波影像分別進行 MNF 與 PCA 轉換運算，
所計算之影像因子負荷量可用以解釋各成分間之權重值，並獲得各成 分軸的特徵值(Eigenvalue)(圖 6.11)。除了針對特徵值篩選自相關度高的 成份軸，利用影像解釋率(Contribution) (表 6.5)也可作為篩選的條件之 一，因此本研究即以影像解釋作為首要篩選原則。然而，為避免遺漏 其他低特徵值但成份軸影像良好的影像(圖 6.12)，因此各自再針對高光 譜影像與光達回波影像以逐一過濾方式挑選較佳的主成份軸。經篩選 後，水庫集水區與火山區之高光譜影像係保留了 8 個及 7 個成份軸，
影像解釋率(Contribution)各約為 95.7%及 93.6%，而光達回波影像則均 保留 7 個成份軸，解釋率約為 96.1%與 97.0%。
圖 6.11 高光譜影像(左)與光達回波強度(右)之因子陡坡圖 表 6.5 利用 MNF 之影像解釋率篩選轉換後的高光譜影像成份軸(粗體
部分即為篩選的成份軸)
watershed(B site)-Hyperspectra image(MNF) Volcano-Hyperspectra image(MNF) PC Eigen
value Contribution Cumulative
Contribution PC Eigen
value Contribution Cumulative Contribution
Contribution of the select PC
axes 95.65 Contribution of the select PC
axes 93.64
表 6.5 利用 PCA 之影像解釋率篩選轉換後的光達回波強度影像成份軸 (粗體部分即為篩選的成份軸)
watershed(B site)-Lidar(PCA) Volcano-Lidar(PCA) PC Eigen
value Contribution Cumulative
Contribution PC Eigen
value Contribution Cumulative Contribution
高光譜影像
光達回波強度影像
圖 6.12 經轉換後之良好(左)與不良(右)成份軸影像範例(以集水區水庫 為例)
透過上述的篩選結果即各別可獲得兩個測試區的重組後影像，故 再將其以 PCA 進行轉換後，則完成高光譜影像與全波形光達資料之融 合影像。
6-3.3 融合成果精度分析評估
高光譜影像與全波形光達資料進行融合影像之評估方法，首先分 別對高光譜影像與融合影像以相同訓練樣區進行監督式分類判釋，並
由正射影像選擇相同檢核點以評估分類影像之準確性。本計畫主要以
譜分類成果中，裸露地與建地仍有被互相誤判的情況。
圖 6.13 2012 年水庫集水區-B 高光譜影像(左)，及其土地使用分類判釋 成果(右)
表 6.7 水庫集水區-B 測試區之高光譜影像分類精度矩陣 參考資料(地面真實資料)
分 類 成 果
水體 森林 茶園 草地 裸露地 建地 檳榔園 總計 水體 39 0 0 0 1 0 0 40 森林 0 58 18 5 1 0 14 96 茶園 0 0 42 1 0 0 0 43 草地 0 2 0 54 0 0 0 56 裸露地 17 0 0 0 57 16 0 90 建地 3 0 0 0 1 44 0 48 檳榔園 1 0 0 0 0 0 46 47 總計 60 60 60 60 60 60 60 420
針對檢核分類錯誤的地區對照正射影像後發現，錯誤地區多為其 他地物的分類交界邊緣，如茶園與森林之交界處、行水區與河岸兩側 之淺灘。因此，若與多光譜影像相比，高光譜影像是較有利於土地利 用的分類。
2. 融合影像判釋與分類精度
2. 融合影像判釋與分類精度