1. 前言
在台灣水稻是主要且重要的糧食作物，而目前 水稻田面積調查方法是由政府每年拍攝兩次航空 相片（第一次約在4~5月間而第二次約在9~10月間）
並使用人工數化判讀方式得到水稻田坵塊之GIS 數值檔，這就是水稻田坵塊主題圖 (Rice patch thematic map, RPTM)之結果。使用人工判讀之成果 所花費時間成本與人力成本極高，這樣的調查方式 似乎有其改進的空間，因此如何進行資料調查與更 新之方式，一直就是這個領域之重要問題。為解決 這些問題，在國內就有相關學者利用衛星影像自動 化判釋之方式來改進水稻田調查工作：陳哲俊 (1989)以SPOT多光譜資料評估台灣地區水稻種植 面 積 估 測 之 可 行 性 研 究 ， 其 利 用 多 時 段
(Multi-temporal)資料將不因時間而改變的地物先 行去除，進而獲得較高的水稻田分類精度之結果。
鄧敏松(1997)即採用多時段SPOT影像，使用NDVI 差分技術(Difference technique)凸顯水稻田與非水 稻田間的差異性。利用耕地坵塊向量資料並結合水 稻的生長知識、時間與空間等領域資訊，以水稻田 區塊的概念來進行問題判釋。陳益凰(1997)針對 SPOT之NDVI差分影像(Difference image)、時間剖 面匹配法(Temporal profile matching)與波峰偵測法 (Peak detecting)，進行分類成果比較，以評估各種 方法的優劣好壞。近年來雷祖強等(2006)；雷祖強 等(2007)首先使用Quickbird衛星影像進行台灣地 區之水稻面積調查，其利用影像邊緣模型萃取出水 稻 田 田 埂 ， 其 次 再 利 用 半 變 異 元 紋 理 (Semivarogram)提升水稻田類別間的判釋精度，透
過邊線連結以及坵塊補遺的方式改進水稻田坵塊 萃取模型(Rice pattern extraction model, RPEM)的 正確性。然而仔細回顧上述建置主題圖資訊之程序 後發現，不論使用何種影像資料來源或者研究的分 析方法，基本上都會面臨一件相同的問題，那就是 所有的影像資料都是環境地貌一次珍貴的採樣結 果 ， 也 就 是 統 計 學 上 一 次 的 實 現 值(Realization data)，當然這樣的實現值中其實是隱含了隨機性 (Random process) 及 不 可 預 測 性 (Undetermined process)之內容，這也意味著我們透過了航照/衛照 所獲得之地貌環境資訊其實部分地區隱含高度不 確定性之結果，例如水稻容易與其它相關性高的植 生混淆誤判(例如:林地與草地等)，或是每個水稻坵 塊田其本身就存在不同的生長時序，這些因素都是 在應用遙測影像判釋過程時可能產生不確定性問 題的來源之一。
為解決上述之問題國際上就有許多的學者進 行相關問題之研究。例如：Bastin et al. (2002)在研 究中提出遙測數據不確定性來源為重新採樣、大氣 校正等因素所構成，故其利用JAVA 程式使不確定 性數據視覺化，進而減少其數據不確定性。黃世奇 及劉代志(2007)提出利用小波轉換的方式去除雜 訊並保持邊緣、細節及紋理資訊，減少影像的不確 定性。蔣小偉等(2008)以 NDVI 圖像為材料，採用 指標克利金模式(Indicator Kriging model)能很好地 表示特徵空間數據的不確定性分佈。周義及阮仁宗 (2009)提出以多元訊息的遙感探測影像作水稻資 訊的提取，進而提高地物間的可分性，以避免單一 資訊容易造成分類錯誤。Hajj et al. (2009)針對光學 衛星所產生的影像進行時間序列的農業監測，並提 出農業監測過程中所產生的不確定性問題。劉艷芳 等(2009)通過計算像元混合熵和類別混合熵，建立 出的指標可反映不確定性之問題。Straatsma 與 Huthoff (2011)利用航空影像進行河川水體的不確 定性分析，主要不確定性因素為分類上的誤差。
Saeedi et al. (2010)利用不同圖片或衛星影像資料 進行研究，去除影像之不確定性問題。鄧淑萍(2010) 針對影像判釋對於土地變遷監測提出了許多不確 定性問題之相關因子。黃恩興(2010)探討許多分類
上的不確定性因子，其內容提及提取特徵、數據處 理、分類參數、精度評價等不確定性因子。王曉玲 等(2010)對於人工樣本選取等不確定因素，利用高 光譜數據進行測試後得到證明可使分類精度提升，
減少分類混淆的不確定性。You&Zhang (2011)對於 區域性地圖資進行遙感探測分類，並探討遙感探測 信息的不確定性問題。Tuia et al. (2011)提出樣本 的有效性是分類成功的關鍵，提高其影像訊息，
可減少影像分類上的不確定性。Stephens et al.
(2012)則對衛星觀測數據與洪水淹沒模型之不 確定性因子進行相關評估分析。回顧前述影像不 確定性之相關研究文獻，可得知造成影像使用的不 確定性有許多原因，例如影像樣本的提取、環境時 序變遷、分類模式、影像的雜訊、物件邊緣的不確 定性等因素。
為了有效解決影像特徵資訊不確定性之問題，
本研究由五大分析程序所構成，這五大程序為「影 像增益資訊的增加」、「空間特徵資訊表達與轉換」、
「空間特徵資訊不確定性分析」、「正確率評估」以 及「GIS 圖資更新機制建立」等，內容如下：1. 影 像增益資訊的增加：本研究首先以Quickbird 融合 (Fusion image) 後 影 像 計 算 四 種 半 變 異 元 紋 理 (Semi-Variogram texture)，以作為影像判釋的輔助 資訊(張鈞凱，2007；雷祖強等，2006；雷祖強等，
2007；Tesfamichael et al., 2009；Balaguer et al., 2009)。2. 空間特徵資訊表達與轉換：其後上述光 譜與紋理資訊通過模糊歸屬度(Fuzzy membership) 函式計算(Meyer et al., 2004; Patwardhan et al., 2005;郭恆成，2007；Sousa et al., 2008; Liu et al., 2010; Zhou, 2011)，藉以表示影像中植生地物類別 特性之資訊量。3. 空間特徵資訊不確定性分析：
這 部 分 又 分 成 兩 大 階 段 ， 首 先 是 以 Apriori Associate Rules 理論進行資料關連度分析，其目的 在於找出兩組以上資料項有強烈關連性的結果，並 計算各類別間關連性的強度，以及此種關連規則出 現的次數(Agrawal & Srikant, 1994; Tsay & Chiang, 2005; Liao et al.，2009; Xu et al., 2011)，而這個邏 輯規則可助於判別類別間的混淆程度，進而判斷出 明確水稻之地區。其次是不確定性程度的度量分析，
雷祖強、萬絢、周天穎、歐陽志豪、曾國欣：遙測影像製作水稻坵塊主題圖資訊 263 不確定性問題之研究-以QuickBird 影像為例
由於上述步驟的邏輯規則僅能探討出明確水稻坵 塊之區域，對於易於混淆或不確定性高的坵塊田，
就必須透過 Shannon 熵方式進一步度量出其資訊 的差異性，進而將類別強度相近之區塊劃分為中度 水稻反應地區與低度水稻反應地區。同時本研究也 將像元分類的結果轉換成以區塊化(Region based) 物件形式的成果來表達資訊，此結果方便與 GIS 資料評比。4.正確率評估：最後為了檢驗該項水稻 田不確定地區提取作業程序的有效性，本研究將以 行政院農委會農糧署所提供2002 年當年度之耕地 坵塊圖作為成果檢核之用，進行驗證與結果討論。
5. GIS 圖資更新機制建立：透過上述程序可檢視資 訊之確定性，而可針對不確定性高的地區進行資料 更新與複驗的機制規劃。綜觀本研究整體之目的有 二：
1. 本研究之分析程序可成功的將空間特徵資料中 資訊不確定性程度量分離出來，而水稻主題圖 製作時可明確定義可靠正確率。
2. 提出 GIS 圖資更新之發展策略。
2. 研究材料
2.1 QuickBird 衛星影像
圖1 為本研究實驗區之 QuickBird 衛星多光譜 影像與全色態影像，拍攝日期為2002 年 10 月 17 日，影像拍攝地點位於台中縣大雅鄉，影像中水稻 正值最高分蘗期至黃熟期間。其中全色態影像空間 解析度為0.7m(圖 1)，多光譜影像空間解析度為 2.8m(圖 2)。全色態影像像幅為 1819*1983 像元，
換算實地面積約為1.76 平方公里。
2.2 彩色正射航照
本研究所使用2002 年 9 月拍攝 1/1000 比例之 彩色正射航照(圖 3)資料進行衛星影像幾何校正，
其影像解析度為30 公分。過程則是針對全色態與 多光譜兩張影像共同進行幾何校正，選取相同的 30 個地面控制點，選用二階多項式建立模式，以 最近鄰域法進行像元重新取樣，其均方根誤差
(Root Mean Square Error，RMSE)為 0.79 公尺，而 對於1/5000 的製圖精度要求的 2.5 公尺誤差範圍而 言，此成果已符合本研究所需幾何精度，本研究將 成果應用於後續分析之使用。
2.3 耕地坵塊圖
本研究所使用之2002 年水稻二期作耕地坵塊 圖做為地眞檢核資料，該資料為行政院農業委員會 農糧署所提供的向量檔，製作方式乃是透過當期航 照影像拍攝後，利用地籍圖層為基礎，並以人工判 釋方式判別某一農田坵塊是否為當期水稻田(圖 4)，
而此耕地坵塊圖可作為後續成果檢核之依據。
2.4 軟硬體設備
在軟硬體設備方面，本研究使用 Microsoft Windows XP 系統平台之個人電腦。遙測軟體使用 ERDAS IMAGINE 9.2 進行影像分析；利用 ArcGIS 9.3 作為影像格式轉換之用；同時利用 C++語言開 發影像訊息轉換與資訊量度量之演算法。
圖1 實驗區全色態衛星影像
圖2 實驗區多光譜衛星影像
圖 t semivarogra 水稻田、草地與 hica-Olmo & A 方向半變異元( (Direct Semiv
(
) ( i k
k x DN
DN
(Madogram S
) ( i k
k x DN
DN
(Cross Semiva
ández, 2000)：
variogram)
variogram)
( )
) DNk xi DNk
-Cross Semiva
2ariogram)
(4)