1. 前言
臺灣地處亞熱帶，又位於大陸與海洋的交界 處，為名符其實的多雲多雨區。根據林務局農林航 空測量所於2006 年所提供的資料顯示，全台各地 適合航照拍攝之天數，北部一年為50 天，中部一 年為 70 天，南部為一年 50 天，東部一年則僅有 20 天。雖然中央大學太空與遙測中心的衛星接收 站每年接收大量SPOT-2、-4 及-5 等衛星影像，國 家太空中心的接收站亦可每日接收福爾摩沙衛星 二號影像，但實際上可供使用的無雲影像卻很少。
以SPOT 影像的接收狀況來說，三顆衛星同時接收 至少要二個月才有完全乾淨無雲的影像；以福衛二 號影像的接收狀況來看，亦要三個月才有無雲影 像。而以美國太空總署 (National Aeronautics and Space Administration, NASA) 發射的 MODIS Terra 衛星影像來看，雖然每天皆能拍攝臺灣地區，但依 據2010 年的統計顯示平均雲覆率高達約 80%，全 年僅約10 天雲覆率在 10%以下。由此顯示了臺灣 地區雲覆量的嚴重性。
國內學術界及業界在以遙測進行土地利用的
調查時，最常使用且較易分析的影像仍為光學式影 像。以內政部為例，其最新的國土利用調查計畫，
整體計畫期程為2006 至 2015 年，並已於 2006 至 2008 年完成了全國土地利用資料的建置 (內政部 國土測繪中心，2008)。而自 2001 年開始的營建署 國土監測計畫，主要核心為利用衛星影像進行土地 變遷偵測，週期性的掌握國土利用變遷資訊，遏止 非法土地使用 (內政部營建署，2008)。以上所提 及的調查計畫，皆以遙測影像判釋為主體資料，其 餘再以地面調查進行補強，而未來各項國土利用調 查或監測更將朝向高頻率、高效率的機制邁進，對 遙測影像的需求亦將愈來愈高。
除了國土利用方面的應用外，以遙測影像估算 生物量 (biomass) 並應用在全球環境變遷以及農 作物產量估算，也是近年備受重視的課題。目前遙 測估算生物量主要是以衛星影像的可見光及近紅 外光 (near infrared, NIR) 波段計算各種植被指數 (vegetation indices)，再以迴歸等方式校估出植被指 數和淨初級生產量 (net primary productivity, NPP) 之間的關係，進而推估植物的生物量；了解植物的 生物量，即可推算碳儲存量，進而能了解碳循環的
機制以深入探討各種全球環境變遷的議題 (Dong
et al., 2003; Tan et al. 2007)。而在農作物應用上，
則可間接進行農作物產量的預估 (Doraiswamy et
al., 2004; Bsaibes et al., 2009; Wang et al., 2010)，因
此可協助政府掌握糧食的生產狀況及安全存量，避 免因糧食短缺而造成糧價波動或是饑荒發生。然而 在多雲多雨區可見光及近紅外光波段常會受雲層 的干擾，因而影響生物量估算的準確性，也使得相 關研究人員需花費大量成本進行去雲的前處理工 作。因此就上述的相關研究而言，光學式影像中的 高自動化及高效率雲層處理發展亦勢在必行。過去研究中所發展的雲層偵測或去除方法，大 致 上 可 分 為 空 間 域 (spatial domain) 及 頻 率 域 (frequency domain) 兩大類。空間域的雲層處理是 指直接對影像平面上的像元灰階值 (gray-level) 進行計算，以得到雲層偵測或去除的結果；頻率域 則 是 利 用 如 離 散 傅 利 葉 轉 換 (discrete Fourier transform) 和 離 散 小 波 轉 換 (discrete wavelet transform) 將空間域的影像轉成頻率域 (frequency domain) 後再進行雲層處理。而頻率域處理的相關 演算法主要是用在薄雲的還原上。
目前已有許多研究證實雲層對於特定的紅外 波段有相當特殊的反射及吸收特性，並以此偵測雲 層 (Bantges et al., 1999; Mannozzi et al., 1999;
Ahmad & Hashim, 2002; Han, 2004)。然而許多文獻 是以經驗閾值來偵測和去除厚雲，而其使用的閾值 常常僅適用於特定的衛星影像或是特定的地區。隨 著 資 訊 工 程 發 展 出 自 動 閾 值 選 取 演 算 法 (automated threshold selection algorithm, ATSA)，厚 雲處理的研究便引用來偵測並去除厚雲 (Yang et
al., 2007)，也有研究以多變量統計為基礎的監督式
(supervised) 和非監督式 (unsupervised) 分類法亦 常用來進行厚雲的偵測 (Irish et al., 2006; 張立雨 等，2007；蔡博閎，2009)，或是以多時期及不同 來源的影像來進行偵測 (Hagolle et al., 2010)。而具 有短波近紅外光 (shortwave infrared, SWIR) 以及 熱紅外光 (thermal infrared) 的衛星影像，相較於 僅有可見光及近紅外光的衛星影像而言，其優勢在 於較能區別厚雲和雪、明亮土壤和建物等地物，如Irish et al. (2006) 即是利用 Landsat-7 ETM+其中 5 個波段，結合非監督式分類法以及閾值設定，並利 用已知的雲層、雪、明亮的土壤、植被以及水的光 譜 特性 ，發展 了自 動雲層 覆蓋 評估 (automated cloud-cover assessment, ACCA) 的方法進行雲層的 偵測。然而僅有可見光及近紅外波段的影像來說，
則常需要多時期且無雲的參考影像，來進行厚雲的 偵測，才能有較佳的效果 (Hagolle et al., 2010)。
在厚雲處理的研究中，以影像鑲嵌或是影像復 原 (restoration) 等方式來填補厚雲挖除後影像空 缺的部分也是重要的議題，對於無法還原地面資訊 的厚雲層遮蔽區，可利用多時期影像以多重解析度 離 散 小 波 轉 換 方 法 (multiscale discrete wavelet transform method) (曾筱婷，2005)、相對性輻射校 正 (徐逸祥，2006；徐逸祥等，2006)、支援向量 機 (support vector machines, SVM) (Melgani, 2006)、直方圖匹配 (histogram matching) (葉精國，
2007)、帕森方程式 (poisson equation) (蔡博閎，
2009) 等方式，拼接成一張完全無雲的影像，以供 製圖相關應用。而許多影像復原的研究雖然不一定 和 雲 層 處 理 有 直 接 相 關 性 ， 但 其 以 影 像 融 合 (fusion) (Roy et al., 2008) 以及區域最小平方套合 (local least squares fitting) (Rakwatin et al., 2009) 等方式對受雜訊干擾或是缺失的影像進行重建的 概念，亦可用於回復因雲層干擾而損失的地物資訊 之議題上。
較薄的雲層由於未完全遮蔽地面資訊，許多研 究認為可將此類雲層去除並還原地物的資訊，因此 發展了ATCOR (Atmospheric Correction) (Richter, 1996; Richter, 1997) 、 優 化 薄 雲 霧 轉 換 (haze optimized transformation, HOT) (Zhang et al., 2002;
Moro and Halounova, 2007)、傅利葉轉換 (賴格英 等，2003; Feng et al., 2004; Chen et al., 2009; Zhong
et al., 2010) 及小波轉換等 (Du et al. ,2002; Wang et al., 2005)。上述傅利葉和小波轉換兩種方法是以
頻率域的概念，假設薄雲在空間域中具有慢變化的 特性，此即頻率域中的低頻部分，而雲下的地物則 是屬於高頻部分 (Du et al. ,2002; 賴格英等，2003;Wang et al., 2005)，因此可利用傅利葉和小波轉換
將空間域影像轉為頻率域影像後，再將低頻的部分 進行濾除，即可達到薄雲去除和地物資訊還原的目 的。
總結以上文獻，雖然可知已有許多雲層處理的 研究，但仍有一些難以突破之瓶頸。其一，雖有許 多研究成功以中、紅外光段進行雲層之偵測，但如 SPOT、福衛二號及 Quickbird 等僅有可見光及近紅 外光段，因此對多光譜影像使用者而言去雲處理仍 有困難；其二，ATCOR 及 HOT 等方法所需的輔助 資料太多，在真實世界中，這些參考資訊可能難以 取得；其三，研究方法多需設定經驗閾值，如紅外 光段的雲層偵測、傅利葉轉換的濾波器 (filter)，其 閾值可能只適用於特定衛星影像或是特定地區；其 四，對於去雲結果的優劣，通常是以非量化的方式 來進行視覺化評估，欠缺客觀性，且去雲過程通常 也會破壞原本的地物資訊，因此去雲影像對土地利 用分類或是生物量估算等相關研究的使用者來說 用途可能有限。
因此，本研究著重於改進上述之瓶頸，以多數 資源衛星影像所具有的綠、紅及近紅外光段做為研 究對象，並依前人研究歸納厚薄雲的特性，以此知 識為基礎，再以傅利葉分析建立薄雲模型和濾波 器，確立厚薄雲去除流程，最後再發展量化的檢核 機制，如此除可驗證去雲流程的成效性，也可提供 使用者去雲影像的可靠性資訊。
2. 材料與方法
2.1 研究材料
依據前人研究所探討，影響雲層偵測或地物光 譜 值 還 原 處 理 的 因 子 主 要 可 歸 納 為 地 形 效 應 (Richter, 1997)、地物均質程度 (徐逸祥，2006)、
以及兩時期影像的地物變遷，其中地物變遷會影響 薄雲模型的建立，因此為去雲的優劣的決定性因 素。而在雲層處理後，所產生的誤差以及資訊扭 曲，則會傳遞到後端應用，影響後端使用者應用去 雲影像進行生物量估算、自動化分類或製圖展示的 效果，以上的雲層處理因子及因雲層處理而影響後
端應用的關係可以圖1 的核心架構表示。依據此架 構，本研究以地形效應及地物均質程度兩因子做為 討論的變項，決定以下四種不同的研究區進行不同 地表環境條件對去雲成果的影響探討，各區的特徵 描述如下：
(1) 起伏小之均質區：以沙質海岸區為代表；
(2) 起伏小之非均質區：以聚落和農地分佈之平原 地區為代表；
(3) 起伏大之均質區：以較高海拔的林區為代表；
(4) 起伏大之非均質區：以包含聚落和農地分佈之 中低海拔山坡地為代表。
而本研究即依據上述不同的地表特性進行影 像資料收集。目前所收集的影像主要分為兩個群 組，一為用來建立薄雲影像資料庫，以做為薄雲模 型和濾波器建立的訓練資料，另一個群組則用來進 行厚雲及薄雲去除的驗證。薄雲影像資料庫所需的 影像是在以上四種研究區中各挑選10 組代表性影 像，每一組分別包含薄雲覆蓋和無雲覆蓋的影像，
其中的16 張影像如表 1 所示。厚雲及薄雲去除驗 證影像方面，本研究則在以上四種研究區中各挑選 三張代表性影像做為一組，一張為厚雲覆蓋的影 像，一張為薄雲覆蓋的影像，一張為無雲且與薄雲 影像時間相近的影像，如表2 所示。以上每張影像 皆只有綠、紅及近紅外三個波段，而挑選時間相近 的影像的目的即為使地物變遷的因子成為控制的 變項。
2.2 研究方法
依據上述的研究對象，本研究的方法大致可分 為厚雲層之去除、薄雲層模型建立及地物光譜值還 原、量化檢核機制之建立等三大部分。厚雲層的部 分是取單張影像，以自動閾值選取及區域增長的方 式進行偵測並同時切除雲層。薄雲層的部分本研究 以傅利葉分析建立薄雲模型。關於檢核機制的建立 方面，對於厚雲層的偵測結果，本研究將尋求遙測 影像判釋的專家先劃定影像中厚雲層的範圍，以此 範圍做為地真資料，以檢核本研究之偵測結果；對
依據上述的研究對象，本研究的方法大致可分 為厚雲層之去除、薄雲層模型建立及地物光譜值還 原、量化檢核機制之建立等三大部分。厚雲層的部 分是取單張影像，以自動閾值選取及區域增長的方 式進行偵測並同時切除雲層。薄雲層的部分本研究 以傅利葉分析建立薄雲模型。關於檢核機制的建立 方面，對於厚雲層的偵測結果，本研究將尋求遙測 影像判釋的專家先劃定影像中厚雲層的範圍，以此 範圍做為地真資料，以檢核本研究之偵測結果；對