災損影像傾倒判釋成果

利用高解析度無人空拍影像進行香蕉災損傾 倒的三種判釋成果如圖 5、6 與 7 所示，影像判釋 的基本原則為使用非監督分類，透過空間統計軟體 自動化判釋香蕉樹體的災損情形(圖 5、6)。影像災 損判釋之非監督分類成果透過像元式(圖 5)與物件 導向式(圖 6)呈現，影像的分類主要區分香蕉樹體 (Tree) 、 草 生 地 (Grass) 、 裸 露 地 (Ground) 、 土 壤 (Soil/Land)與其他(Others)。其中，香蕉樹體因星芒 狀樹冠的多層次與葉面、葉背不同的顏色，所以不 管是透過像元式分類或是物件導向式分類，都需要 透過兩個分類組別(Tree-1，Tree-2)來呈現香蕉樹體。

另外，數值高程模型 DSM 直接透過高度(m)的分 類，區分香蕉樹體之直立與傾倒的高度差異(圖 7)。

首先，影像像元式之非監督分類成果，依據影 像光譜特性進行高解析度之影像分類，能將香蕉星 芒狀葉片與週圍其他組成，加以精準區分(圖 5)。

圖 3 UAV 航拍影像拼接與點雲模擬成果 (a)航拍路線(航拍點位與影像之相對位置示意圖)、(b)匹配點分 布(具有地表紋理之顏色擷取)、(c)三維點雲與地表紋理影像、(d)DSM

圖 4 UAV 航拍正射影像套疊地面核定災損率之地籍圖 圖 5 影像像元式非監督分類之災損判釋成果

圖 6 影像物件導向式非監督分類之災損判釋成果 圖 7 數值高程模式 DSM 模擬

香蕉園區內若 Tree-1(綠色)與 Tree-2(藍色)的 組成比率高，則表示該園區的災損程度輕微；若 Grass(黃色)、Land(灰色)的組成比率高，則表示該 園區的災損程度嚴重。此分類成果對於香蕉傾倒情 形之判釋，具有良好的區分能力。

接著，影像物件導向式之非監督分類成果，同 時考量影像光譜、地表紋理與空間幾何性，透過光

譜差異與空間差異之四個等級(16、17、18、19)的 重要率比較(圖 8)，其中圖 8A-1、8A-2、8A-3 與 8A-4 為物件導向式分類之第一階段影像分割的成 果，以像元的方式呈現；圖 8B-1、8B-2、8B-3 與 8B-4 為物件導向式分類之第二階段，將像元式的 影像分割成果轉檔為物件區塊的形式；最後，圖 8C-1、8C-2、8C-3 與 8C-4 為物件導向式之分類成

果，由前一階段物件區塊式的影像分割成果進行非 監督分類(分類組數為 5 組)。結果顯示，重要率等 級越低，每一分割物件中可容忍像元異值性的尺度 門檻越高，物件內的異質性越高，產生的物件也越 大。當光譜與空間差異設定為 16 等級時，無法清 楚區分香蕉樹體的傾倒與直立情形(圖 8C-1)；當光 譜與空間差異設定為 17 等級時，香蕉樹體的傾倒 與直立情形之區分較前一等級為佳(圖 8C-2)；當光 譜與空間差異設定為 18 等級時，香蕉樹體的傾倒 與直立情形能清楚區分(圖 8C-3)；光譜與空間差異 設定為 19 等級時，香蕉樹體的傾倒與直立情形與 前一等級之差異不明顯(圖 8C-4)。因此，依據光譜 與空間差異之重要率設定為 18 等級且兩者重要性 相同，進行香蕉樹體災損之分類。

影像物件導向式之非監督分類成果(圖 6)，同 樣能清楚區分香蕉樹冠葉部、地表土壤、地面草本 等不同光譜組成與紋理特性，並以空間區塊的方式 呈現。不同於像元式分類以像素為分類單位，其雖 能清楚呈現香蕉傾倒判釋的分類成果，但受到高解 析度影像的影響，分類成果具有椒鹽雜訊的問題。

此時，物件導向式分類能克服此問題，讓所分類成 果具有完整的空間相關性，讓單一區塊能反映相對 均值的光譜與空間特性。

最後，數值地表模型 DSM 之模擬成果(圖 7)，

依據三維點雲進行 DSM 之計算。因本次航拍透過 Pix4D Mapper 所獲 得的 平均 點雲 密度 為 2,413 pts/ha，在香蕉園內的相對密度較低(約為 100-500 pts/ha)。所以模擬的 DSM 雖然在研究範圍的整體 呈現上，具有地表高程的相對代表性，但針對個別 香蕉園內的災損傾倒判釋，不具有效的區分能力。

Johansen et al. (2014)進行香蕉樹體的判釋，同 樣也利用高解析之空拍影像並透過影像物件導向 式的分類方法，評估香蕉樹體的健康情形。本研究 針對 UAV 航拍影像進行香蕉災損傾倒判釋，初步 透過影像監督分類(包括像元式與物件導向式)能 清楚區分香蕉園區內的傾倒情形，因此接下來將進 一步依據地面災損核定災損率，比較兩種影像災損 判釋技術之判釋能力，評估其判釋成果的正確性與 實用性。

圖 8 影像物件導向式分類-光譜差異(Spectral Detail)與空間差異(Spatial Detail)之四個等級(16、17、18、

19)的重要率比較(A：影像分割之像元式成果；B：影像分割之物件區塊式成果；C：物件導向式之 分類成果，圖例請參考圖 7；紅色區塊表示地號 EH343213010000 之範圍)

圖 9 UAV 航拍正射影像、影像災損判釋成果與 DSM 套疊地籍圖之六處取樣代表(圖例請參考圖 6、7、8；

UAV 正射影像各區域圖中左上角數據表示：申請救助之災損率/勘查核定之災損率；影像非監督分類 各區域圖中左上角數據表示影像判釋之災損率)

另一方面，雖然理論上香蕉傾倒情形可以透過 DSM 高程進行模擬，進而判釋災損傾倒程度。但 本研究所獲得之空拍影像，其影像重疊度與影像解 析度品質雖然不錯，但若需依此獲得複雜地貌(如 本研究對象—香蕉樹體)之三維點雲的生成，則需 要加強影像重疊度與影像解析度。建議影像的重疊 度能提高至 80%(同一航線前後影像)與 60%(相鄰 航線左右影像)，且影像的解析度至少能有 3,000 萬像素。