第二章 文獻回顧
2.7 水質遙測之成果
2.7.2 組合波段因子
外光）之間的線性迴歸模式，並推估整體水庫水質。
TB、TN、NO3-N、NH3-N、TP 與 DP 等水質參數，以 Regressive Retrieval Models 進行推估，研究發現模式中有加入組合波段，其分析結果 R 有 0.6 以上，如圖 2-23 與圖 2-24 所示。
圖2-23 分析統計圖（He et al., 2008）
圖2-24 分析統計圖（He et al., 2008）
Chang et al.（2009）研究中加入「Green / Blue」與「Red / Green」之比值於 線性迴歸，分別對葉綠素-a 與懸浮固體進行評估，其 R2皆呈現0.78 以上之水準。
Dewidar et al.（2010）利用 Landsat TM 衛星影像監測 Burullus Lake 之各類 水質之變化，如溶氧、酸鹼值與透明度等，並以線性迴歸方法建立模式，研究發 現有些組合波段之比值與水質參數相關度高，如圖 2-25 所示，可提高模式之準 確性。
圖2-25 波段與水質之關係矩陣表（Dewidar et al., 2010）
國內文獻
陳楚群等（1996）利用灰色系統理論分析 Landsat TM 各組合波段與葉綠素 -a 濃度之間關係，指出「TM 3 * TM 4」，即「Red * NIR」是評估沿岸海水表層 葉綠素-a 之最佳組合波段。
楊曄芬（1998）分別針對德基與翡翠水庫之水質經過對數轉換後再與光譜波 段進行線性迴歸分析，研究結果指出「NIR / Red」、「Green / Red」與「Green / NIR」之比值，分別對葉綠素-a、透明度與總磷可建立較佳之模式。
Chen et al.（2002）研究中組合 SPOT-1&2 衛星影像波段有 89 種，並利用線 性迴歸法進行評估永和山水庫之葉綠素-a、透明度、濁度與總磷等之水質變化模 式，發現葉綠素-a 以「Red + NIR」，以及總磷「Red / ln（Red）」與「[ ln（Red + NIR）] / [ ln（Green * NIR）]」有較佳之結果，其 R 分別為 0.779 與 0.782，再 以CTSI 指標進行水庫優養化程度之評估，如圖 2-26 所示。
羅文憶（2006）在河川水質研究中，以 SPOT 衛星影像之波段，如 Green、
Red 與 NIR，進行 18 種組合，經交叉驗證後指出「1 / Green」、「1 / Red」、「1 / NIR」、「Green / NIR」與「（NIR-Red）/（NIR+Red）」等對判別分析分類有
較佳之相關性。
圖2-26 以 SPOT 衛星影像推估永和山水庫之 CTSI 程度（Chen et al., 2002）
楊明德等（2008）以多時期 SPOT 衛星影像進行評估石門水庫之總磷、透明 度與葉綠素-a 之水質變化，利用線性迴歸法將現地採樣資料與影像光譜資料建立 迴歸模式，並加入組合波段之因子，再利用CTSI 及 OECD 優養化指標判釋水庫 優養化情形，研究結果顯示，總磷、透明度與葉綠素-a 之 R2分別為 0.74、0.80 與0.83，有不錯之表現，如表 2-25 所示。
表2-25 水質與波段之相關性（楊明德等， 2008）
Parameters R2 R Ratio
TP 0.74 0.86 Ln（NIR / Green）
SDD 0.80 0.89 NIR / Red
Chl-a 0.83 0.91 NIR
由表2-16、表 2-17、表 2-21、表 2-22、圖 2-17 與圖 2-19 等，顯示透明度在 Landsat TM 與 SPOT 衛星下，其 R2均有0.75 以上，說明 Landsat TM 與 SPOT 適合於監測內
陸水體透明度之變化；由表 2-18、表 2-19、表 2-21 與表 2-23 等，顯示懸浮固體在 Landsat TM、SPOT 與 Formosat-2 下，其 R2有0.65 以上，說明 Landsat TM、SPOT 與Formosat-2 適合於監測內陸水體懸浮固體之變化；由表 2-17、表 2-18、表 2-19、
表2-20、表 2-21、表 2-22、表 2-23 與表 2-25 等，顯示葉綠素-a 在 Landsat TM、Landsat-7 ETM+（Enhanced Thematic Mapper Plus）、SPOT 與 Formosat-2 下，其 R2均有0.6 以 上，說明Landsat TM、Landsat-7 ETM+、SPOT 與 Formosat-2 適合於監測內陸水體葉 綠素-a 之變化。
表2-26 前人研究於 SDD 之結果
Authors Satellites Methods Results（R2） Lathrop and Lillesand（1986） 0.98
0.91
Lathrop（1992）
0.82 0.83 0.94 0.94
Lavery et al.（1993） 0.81
Allee and Johnson（1999） 0.96 Giargino et al.（2001） 0.85
Kloiber et al.（2002） 0.72～0.93 Hellweger et al.（2004）
Landsat TM
0.85
Lillesand（2004）
Landsat TM Landsat ETM+
MODIS
0.85 0.75 0.79
Hsiao et al.（2005） SPOT 0.92
Wu et al.（2008） Landsat TM MODIS
Regression
0.83 0.88
表2-27 前人研究於 Chl-a 之結果
Authors Satellites Methods Results（R2） Baruah et al.（2001） Neural Network
Regression
0.93 0.31 Giardino et al.（2001） 0.99
Bilge et al.（2003）
Landsat TM
Regression
0.87 Chen（2003） Regression
GP
0.5 0.66 Hsiao et al.（2005）
SOPT
Regression 0.96 Chen et al.（2008） Landsat ETM+ Regression
GEGA
0.68 0.79 Chang et al.（2009） Formosat-2 Regression 0.78
表2-28 前人研究於 SS 之結果
Authors Satellites Methods Results（R2） Baruah et al.（2001） Neural Network
Regression
0.92 0.85 Bilge et al.（2003）
Landsat TM
0.92
Hsiao et al.（2005） SOPT 0.86
Chang et al.（2009） Formosat-2
Regression
0.84
前人於水質遙測之研究上，衛星影像應用於大範圍的監測已日漸普及，說明應用 遙測衛星技術監測內陸水體是具可行性的，配合各種的分析工具建構其光譜數據與水 質參數的關係，加以判別研究地區的水質狀況，如前人研究葉綠素-a、透明度、懸浮 固體與濁度等皆有不錯之成果，但因總磷機制較不明確且複雜，故較難監測，所以於 總磷方面有較少的研究。另外在水質遙測技術上，前人研究上得知推估水庫水質需選 取衛星之多張連續長時期影像，如窄波長可用在監測葉綠素-a 濃度上，或搭配可處理 非線性之演算法，如類神經網路（ANN）等人工智慧方法，或加入雷達（Radar）資 料，可增加模式之準確度。
在以多個單波段研究中，大多研究還是以線性迴歸與類神經網路之方法為主，但 由遺傳演算法（Genetic Algorithm, GA）所延伸發展之語法式進化法（Grammatical
Evolution, GE）、遺傳程式規劃法（Genetic Programming,GP）與遺傳運算樹法（Genetic Algorithm of Operation Tree, GAOT）等方法，在水質遙測模式建立上亦有不錯之表 現。除此在組合波段研究中，前人大多還是以試誤法（Trial and Error）方式進行簡單 之組合，而Chen（2003）與王泰盛等（2009）分別使用 GP 與 GAOT 方法，其可自 行組合模式，且GE、GP 與 GAOT 更是可處理非線性問題之最佳化方法之一。
國外以Landsat 系列與 SPOT 系列衛星為主要影像來源，國內則加上與 Formosat-2 衛星，但往往受限於再訪率低，即時間解析度低，再加上容易錯過現地採樣時間或被 雲覆蓋情形等環境因素干擾，若遇上須即時或長期連續觀測內陸水體變化時，則會造 成影像來源不穩定，所以前人研究會加入高時間解析度之衛星影像，如Terra / Aqua 所搭載之MODIS 感測器，然而國人所自行研發之 Formosat-2 衛星亦可提供台灣每天 之影像，也是不錯之選擇之一。
目前利用水質遙測技術進行水環境監測與水體優養程度評估，存在下列明顯優勢
（李紅清，2003）：
1. 利用遙測技術監測與評估水質變化，具有資料綜合性強、資料獲取性快 與資料花費性省等特點，能夠反映研究水體水質之空間分佈特性，尤其 適合於大範圍水域之快速監測。
2. 利用多個單波段因子與組合波段因子等分析方法，可讓遙測資料得到更 充分之利用，使預測結果更精準。
3. 特別是將遙測分析結果與其他評估方法結合起來，更具應用前景。