5-1 結論
雲林莞草早期在台灣西部海岸均有相當大的族群分布，然而近幾十年 來，因土地的開發利用，人為行為的介入，促使雲林莞草生長範圍大量減 少，而高美濕地為目前全台僅存最大的族群生育地，其餘零星分布在宜蘭、
新竹等，且國內使用遙測技術監測河口的植物，多為探討紅樹林的分布之 研究，卻尚無探討雲林莞草生長範圍的變化，有鑑於此本文首先提出以遙 測技術來監測雲林莞草近年來生長範圍的變化趨勢。
1. 首先對於光學衛星影像之空間解析度不足之問題，本文參考吳(2010)及 前人的研究方法得知空間解析度尚有精進的空間，選用空間解析度為 1010m 的衛星與 88m 的 FORMOSAT-2 衛星的影像資料作 IHS 轉換 法，將高解析度的全色態影像，與低解析度卻有豐富空間資訊的多頻譜 影像融合成較細緻的彩色影像，其解析度提高 4 倍，有助於提升辨識雲 林莞草範圍的能力。
2. 衛星影像雖已進行幾何校正之處理，但比較多時期衛星影像的變化，須 將衛星影像進行幾何套合，才可得出可靠之比對結果，本研究選取八個 控制點進行幾何套合，評估經過幾何套合後的影像及原始影像，RMSE 為 2.55m。
3. 本文先將影像資料做常態化差異植生指數轉換，與空間解析度 6cm 的 航照正射影像比較後，發現航照正射影像在北側水道附近有雲林莞草生 長，但是在 NDVI 圖中，在北側水道的植生指數卻小於 0，會造成此差 異的原因在於沿海濕地環境受到潮汐作用之影響，在低潮位時，海灘上 仍有不同的含水量，而水體對於近紅外光波段的反射率其值是接近於零，
所以植生指數將北側水道的雲林莞草誤判為水體或是土壤。故進一步使 用馬可夫隨機場應用於影像分割之方法來處理植生指數，辨識雲林莞草
的生長範圍，且進一步將雲林莞草的範圍分為兩類，一類為生長密集區 域，另一類為生長稀疏區域。經過影像分割處理後，發現對於各時期影 像的雲林莞草密集區、稀疏區的範圍分類標準有所差異，故將其中 4 張 日期較相近的影像之門檻值的平均值作為多時期影像的新門檻值。
4. 對於探討雲林莞草的範圍變化，本研究希望能比較各時期影像在同一天 的雲林莞草面積，因此提出修正方法，引用卓(2007)於 05、06 年每個月 的雲林莞草生物量的數據。由於此數據受到颱風之因素，導致 7、8 月 的生物量非最大時期，故先將此數據做調整，再將數據正規化後以 N 值表示，最後面積除以對應的影像之間之 N 值。應用此方法修正不同 時間影像所計算面積至最高生長量的相同時間。
5. 最後本研究以此辨識雲林莞草之方法以及門檻值與面積之修正，探討南 側之雲林莞草保護區的範圍變化，研究結果顯示 2006 年至 2011 年，雲 林莞草的生長範圍均呈現負趨勢，密集區的面積每年減少 2236m2，稀 疏區的面積每年減少 9745 m2，總面積則每年減少 11981 m2。
5-2 建議
本文透過遙測技術及馬可夫隨機場應用於影像處理的技術，由衛星影像 中推算雲林莞草的範圍變化，期望能在珍稀植物雲林莞草等研究上有所貢 獻。針對目前研究的成果提出可改進及修正的部份，以利後續研究方向，
簡述如下。
1. 由於需選擇無雲阻擋且低潮位以及時間相近之衛星影像，能夠使用影像 資料甚少，如有更多的衛星影像資料，探討雲林莞草的範圍變化能更加 準確。
2. 使用常態化差異水勢指數(Normalized difference water index, NDWI)作為 辨識雲林莞草的另一種方法，能與常態化差異植生指數之結果做比較。
3. 本文雖主要以遙測技術探討雲林莞草的範圍變化，但如有雲林莞草之實
測資料輔以佐證，此研究結果之可信度能有效提升。
4. 對於本研究的結果，雲林莞草從 2006~2011 年面積逐漸減少的原因，可 能是地質變化、底質因素；雖然近年來高美濕地遊客量增加，但在現場 有人為管制，人為因素的可能性較小，不過也不排除這項原因。
5. 希望能以本研究結果為基礎，可進一步探討高美濕地灘線之變化研究。
參考文獻
1. 張智傑(2000)，SPOT 衛星植生影像應用於紅樹林覆蓋面積變遷分析之 研究，國立海洋大學漁業科學學系，碩士論文。
2. 陳俐穎(2003)，以馬可夫模型為基礎之彩色影像分割，國立成功大學統 計學系，碩士論文。
3. 林恆毅(2006)，以移動區域為基礎之視訊物件分割，國立中興大學電機 工程學系，碩士論文。
4. 卓盟翔(2007)，影響雲林莞草發芽與生長之環境因子探討，國立中興大 學生命科學研究所，碩士論文。
5. 吳家宏(2009)，基於馬可夫隨機場之表格文件擷取系統，國立臺北科技 大學電機工程學系，碩士論文。
6. 陳蔚瑋(2009)，衛星影像的灘線辨識及其應用至灘線變遷之研究，國立 交通大學土木工程研究所，博士論文。
7. 潘國樑(2009)，遙測學大綱，科技圖書股份有限公司。
8. 蔣永正、方浩宇、蔣慕琰(2009)，台灣水田雜草雲林莞草(Bolboschoenus
planiculmis)之生長及繁殖特性，中華民國雜草學會會刊第三十卷第二
期，第 119-128 頁。
9. 蔣永正、張素貞(2010)，苗栗地區水田雜草雲林莞草之發生及其防除，
苗栗區農業專訊。
10. 吳政杰(2010)，衛星影像灘線辨識之精確度評估研究，國立交通大學土 木工程研究所，碩士論文。
11. 張憲國、陳蔚瑋、劉勁成(2011)，台灣海岸地區雲量分布與衛星影像可 用率分析，中華民國第三十三屆海洋工程研討會論文集，高雄，第
699-704 頁。
12. 程克羽、張家暐、陳建富(2011)，Markov random field。
13. 洪維恩(2012)，Matlab7-程式設計，旗標出版股份有限公司。
14. 台中市政府(2012)，高美野生動物保護區保育計畫書
15. Carper, W. J. and Lillesand, T. M. and Kiefer, P. W. (1990) The Use of Intensity-Hue-Saturation Transformations for Merging Spot Panchromatic and Multispectral Image Data. Photogrammetric Engineering and Remote Sensing 56(4), 459-467.
16. Chen, W. W. and Chang, H. K. (2009) Estimation of shoreline position and change from satellite images considering tidal variation, Estuarine, Coastal and Shelf Science 84 ,54–60.
17. Dubes, R. C. and Jain, A. K. (1989) Random field models in image analysis, Journal of Applied Statistics 16(2), 131-164.
18. Geman, D. (1990) Random fields and inverse problems in imaging, Lecture Notes in Mathematics 1427, 113-193, Springer-Verlag.
19. Jia, K. and Liang, S. and Zhang, L. and Wei, X. and Yao, Y. and Xie, X.
(2014) Forest cover classification using Landsat ETM+ data and time series MODIS NDVI data, International Journal of Applied Earth Observation and Geoinformation 33, 32-38.
20. Karsli, F. and Guneroglu, A. and Dihkan, M. (2011) Spatio-temporal shoreline changes along the southern Black Sea coastal zone, Journal of Applied Remote Sensing 5(1), 053545.
21. Lillesand, T. M, and Kiefer, R. W. (1994) Remote sensing and image interpretation, John Wiley and Sons.
22. Lyon, J. G. and Yuan, D. and Lunetta, R. S. and Elvidge, C. D. (1998) A change detection experiment using vegetation indices, Photogrammetric Engineering and Remote Sensing 64(2), 143-150.
23. Nash, M. S. and Bradford, D. F. and Wickham, J. D. and Wade, T. G.
(2014) Detecting change in landscape greenness over large areas: An example for New Mexico, USA, Remote Sensing of Environment 150, 152-162.
24. Panjwani, D. K. and Healey, G. (1995) Markov Random Field Models for Unsupervised Segmentation of Textured Color Images, IEEE Trans. on PAMI 17(10), 939-954.
25. Park, J. and Kurz, L. (1996) Image enhancement using the modified ICM method, Image Processing, 5(5), 765-771.
26. Rangarajan, A. and Chellappa, R. (1995) Markov random field models in image processing, The Handbook of Brain Theory and Neural Networks, M.
Arbib, editor, 564-567, MIT Press.
27. Steven, W. R. and Ramakrishna, R. N. (1995) Satellite monitoring of global land cover changes and their impact on climate, Climatic Change 31:2-4, 395-413.
28. Tardon, L. and Barbancho, I. and Marquez, F. (2006) A Markov Random Field Approach to Edge Detection, IEEE Mediterranean Electrotechnical Conference, 482-485.
29. Wang, Y. and Hou, X. and Shi, P. and Yu, L. (2013) Detecting Shoreline Changes in Typical Coastal Wetlands of Bohai Rim in North China, Wetlands, Volume 33(4), 617-629
30. Wang, Y. and Hou, X. and Jia, M. and Shi, P. and Yu, L. (2014) Remote
Detection of Shoreline Changes in Eastern Bank of Laizhou Bay, North China, Journal of the Indian Society of Remote Sensing, doi 10.1007/s12524-014-0361-0.
31. Zhang, Y and Gao, J and Liu, L and Wang, Z and Ding, M and Yang, X (2013) NDVI-based vegetation changes and their responses to climate change from 1982 to 2011: A case study in the Koshi River Basin in the middleHimalayas, Global and Planetary Change 108, 139-148.