1. 前言
利用遙測技術對臺灣農地進行作物種植面積 判釋時特別困難，因為臺灣農業屬於集約型態，常 在小範圍內會種植多種不同作物，使得許多的農地 呈現零碎且複雜的現象。特別是在山區中，地籍坵 塊圖與現況不符的情形特別嚴重，而且果樹甚至會 出現同一個坵塊內有多個類別混種的情況，例如荔 枝和龍眼經常混種在一起，且兩者皆為無患子科，
因外觀類似常導致在影像上難以分辨。或者，因為 分層種植的形態，如檳榔經常與香蕉、龍眼等較低 矮之果樹高低分層種植，這些情形皆讓影像上的作 物不易分辨，因而常需利用高空間解析度的影像來 進行判釋。
近來 UAV (Unmanned Aerial Vehicle) 已被廣 泛的使用在各領域的研究中，傳統航照雖然資料蒐 集面積大，但受限於天氣因素，如雲層會影響相機 的拍攝，及機動性低成本較高的問題，對比 UAV 隨時可於任一地起飛的高機動性，且因飛行高度低 可於雲層多時仍可進行空拍，成本相對較低等優勢，
使 擁 有 超 高 空 間 解 析 度 (Very High-spatial Resolution Imagery) 的 UAV 影像成為近年的熱門 研究材料，許多研究期望透過它的低空遙感技術 (Low Altitude Remote Sensing, LARS) 來解決傳統 航照的限制(Swain et al., 2010、Huang et al., 2013)。
因此，UAV 影像應可被利用於對臺灣山區的作物 分類。
隨著 UAV 技術的發展，越來越多學者研究 UAV 的各式應用，例如在災害監測上，Salamí et al.
(2009)提出一種可以在火災後對火燼監視的智慧 監測系統，Ambrosia et al. (2011)則評估在美國以 UAV 監測偏遠地區火災的可行性。另外，Feng et al. (2015) 在 中 國 浙 江 省 餘 姚 市 ， 以 隨 機 森 林 (Random Forest)搭配紋理資訊對 UAV 影像進行淹 水判釋，結果顯示UAV 能為城市淹水監測提供一 個理想的平台。在土壤分析上，Baker (2012)在法國 南部的一個葡萄園，利用解析度為10 cm 的 UAV 影像進行地表土壤分類，並透過多尺度分割，結果 顯示此方法可以有效的協助葡萄園的管理。
在數值地形模型製作上，Turner et al. (2012)將 電腦視覺(Computer Vision)演算方法應用於 UAV
影像上，在南極大陸利用多旋翼進行空拍並製作數
關於草原的研究，Breckenridge & Dakins (2011) 在美國愛達荷州(State of Idaho)的草原進行裸露地 判釋，研究指出如果需要高解析度的影像，旋翼式 UAV 是較好的平台，而若是對大範圍的應用，使用 定翼式無人機則更為合適。而 Laliberte & Rango (2011)、 Laliberte et al. (2011)和 Lu & He (2017)都 分別證實利用無人機影像應用於草原的植被判釋 的可行性。在農業上則有Gademer et al. (2010)使用 傾斜攝影的方式，在法國楓丹白露(Fontainebleau) 的保護區內，用UAV 獲取 3D 點雲資料並製作立 體 影 像 ， 從 而 對 林 地 的 植 被 進 行 分 類 。 還 有 Göktoğan et al. (2010)利用旋翼式無人機對澳大利 亞的水草進行監測，並幫助水生棲息地管理。而 Senthilnath et al. (2017)則於印度研究 UAV 在植被 分析中的應用，該研究開發一種非監督分類方式，
以貝氏訊息準則(Bayesian Information Criterion)結 合最大期望演算法(Expectation Bendig et al. (2015)則在德國科隆南方的小麥田中，
以UAV 所拍攝的多光譜影像，計算各種植被指數 別中進行影像分類，利用物件式影像分析(Object-based Image Analysis, OBIA)比傳統的逐像元式影 像分類更有優勢(Diaz-Varela et al., 2014)，能帶來 更高的準確率(Laliberte et al., 2010)。隨著影像空間 解析度的提升，「鹽椒效應」(Salt and Pepper Effect) 所造成的影響愈嚴重，特別是在UAV 這種超高空 間解析度的影像中，因而使OBIA 的優勢更為明顯 (Blaschke, 2010、Drăgut et al., 2010)，因此許多將 UAV 影像應用在農業的研究中，會使用 OBIA 來
龍眼與荔枝，但因兩者外型皆似球狀，顏色呈現暗 綠色，而且有不顯眼的暗黃色分布其中，即使在外 調現場，研究人員也是依據樹皮外觀較易進行區分。
另外根據檢視航拍影像如圖1，上方白色實線內為 荔枝，下方白色虛線內為龍眼，發現兩者於樹冠處 難以分別，且經常無規則式的混種於同一地籍坵塊 內，所以依地籍圖範圍所製作的地真資料，更是難 以正確顯示其空間分佈，因此本研究將兩者合併為
「荔枝龍眼」一個類別，以利研究進行。
圖 1 龍眼與荔枝混種區域示意圖：上方白色實線 內為荔枝，下方白色虛線內為龍眼
2. 材料及方法
2.1 研究區域
本研究在位於臺中市太平區的研究區域(如圖 2 所示)中進行，面積約 7.81 km2，海拔高度180 m 到430 m 之間的山坡地，該地屬於中央山脈支脈頭 嵙山系，地勢由西向東越來越高，氣候為亞熱帶季 風氣候，年均溫約攝氏20 ~ 22.3 度之間，年降雨 量約1,642 mm，年平均相對濕度為 77%，主要種 植作物有龍眼、荔枝、枇杷、香蕉及檳榔。
2.2 空拍影像
本研究使用CW-10 定翼式 UAV 進行空拍，重 量約6 kg，翼展 2.6 m，機身長 1.6 m，可酬載 2 kg 以下之物件，主要動力為電力，續航力為1.5 小時，
並能抗 5 級風，CW-10 的特點是它的螺旋槳有前
後方向跟垂直方向兩種，因此可以自主執行垂直起 降，不需要跑道，使機動性大為提高，尤其是在山 區沒有空曠跑道的地方，仍然可以執行飛行任務。
本研究首先取得交通部民用航空局(CAA)的 空域許可，於2017 年 6 月 12 日完成研究區的空拍 任務，使用Canon Ixus 127 相機獲得 RGB 影像，
該相機有1,610 萬像素，24 ~ 120 mm 的焦長，本 次空拍任務共有 248 張照片，空拍結束後利用 Pix4Dmapper 進行影像拼接，產生研究區的 UAV 正射影像，面積約7.81 km2。另外，因航拍時載具 距離地面高度會影響UAV 影像之空間解析度，而 本研究區為山區，地形起伏大，飛行時難以與地面 保持相同距離，導致空間解析度會產生些微的不一 致，因此使用平均解析度來代表整體影像的空間解 析度，本研究空拍影像之平均空間解析度為 6.11 cm(如圖 3)。
圖 2 研究區位置
圖 3 臺中市太平區研究區域之正射影像
2.3 外業調查
本研究取得行政院農委會農糧署智慧農糧資 訊整合服務平台所提供之地籍坵塊圖資料，為 2017 年內政部所製作並上傳農作物調查系統以供 全鄉農情調查使用之Shp 檔，目前臺灣以人工進行 的農作物種植面積調查皆以此圖為基礎，來記錄並 計算作物種植面積，而本研究將之整理為影像範圍 內之地籍坵塊圖(如圖 4)，作為外業調查之底圖。
圖 4 臺中市太平區之地籍坵塊圖範例
本研究在空拍作業同時進行外業調查，因山區 調查不易，調查方式主要是以車輛可到達之區域，
沿道路兩旁以視距內可及且道路旁 1 至 2 個地籍 坵塊為範圍，進行作物種類的地面調查，調查時使 用筆記型電腦與 GPS 定位之作業方式，將現場實 際蒐集種植資料，透過GIS 軟體與 GPS 將現場位 置定位並登錄於地籍坵塊圖中。若同一坵塊範圍內 有種植多種作物時，則依現地狀況進行地籍坵塊圖 分割，以符合實際的種植情形，同時拍攝現場照片 作為紀錄。所製作的地真資料(Ground-truth Data)，
則供後續影像分割檢核、正確率評估以及成果分析 時使用。
研究區之地真資料如圖5 所示，本研究外業調 查共調查0.64 km2，經影像比對修正後獲得地真資 料，面積約有0.5 km2，佔研究區整體面積6.4%，
後續即是以此地真資料與分類成果進行比對，進行 正確率評估。研究區內的作物有龍眼、荔枝、樹林、
苗圃、香蕉、枇杷、檳榔、火龍果等，除了樹林外，
區域內作物較為單純，主要種植龍眼和荔枝，因其
難以區分將之合併為「龍眼荔枝」一個類別，其餘 香蕉、枇杷、檳榔及火龍果等作物均只有1 至 2 個 坵塊，因過於稀少而將這些類別合併為「其它」類 別，因此研究區總共分為「龍眼荔枝」、「樹林」、
「苗圃」及「其他」四個類別。
圖 5 地真資料
2.4 研究流程
本研究的流程如圖6 所示，詳細步驟如下：
(1) 進行空拍作業，並利用 Pix4Dmapper 進行影像 拼接，獲取研究區UAV 正射影像。
(2) 以地籍坵塊圖為基礎進行外業調查，將所調查 之作物記錄於地籍坵塊圖上，產生地真資料。
(3) 在空拍作業及地真資料完成後，將研究區的 UAV 影像利用 eCognition 進行多尺度分割得到 物件化的區塊圖，並於分割完成後，利用各區 的地真資料進行檢核，確保影像分割後的區塊 內物種單純，並且不會太過零碎，通過檢核後 產生影像區塊圖。
(4) 產生影像區塊圖後，以人工判釋之方式，對研 究區的整體影像進行分類，以物件化的區塊圖 作為基礎，對整體影像進行作物判釋。
(5) 將分類成果與地真資料進行比對，計算分類成 果之正確率。
(6) 透過 UAV 影像、分類成果與地真資料三者進 行套疊，對分類成果進行分析，並探討UAV 應 用於臺灣山地農業之效益。
(7) 最後說明本研究之結論，並提出建議供後續相
關研究參考。
圖 6 研究流程
2.5 影像分割
影像分割是依據特定原則將整張影像分割成 更小的區塊或物件，其中多尺度分割為改良式的區 域成長法，是以區域為主(Region-based)的方式進 行影像分割，除了考量光譜資訊外，還加入形狀因 子，可以根據不同的影像特性設定分割參數。由於 這個方法分割成果較為合理，多數研究皆以此做為 影像分割的主要方式。因此，本研究採用多尺度分 割來進行影像分割。
對OBIA 的分類方式而言，是將影像中相鄰的 像素，透過光譜、形狀等資訊組成一個特定且明確 的區域，而eCognition 的多尺度分割以聚類的概念，
將相鄰的像元組成一個個區域，由單一像元開始，
合併鄰近且相似的像元，直到不超過所設定的尺度 參數(Scale Parameter)為止。尺度參數是可容忍像元 異質性的上限，值越小則可容忍的異質性越小，因 此分割的區域越小，值越大則反之。而該異質性則 透過其他參數的設定，來決定異質性計算時所考量 的資訊比例，Shape 的設定會影響光譜及外形之間
考量的比例，Compactness 的設定則會影響緊密度 及平滑度之間的考量比例。透過各參數的調整，可 產生不同的分割狀況來因應不同的使用目的，進而
考量的比例，Compactness 的設定則會影響緊密度 及平滑度之間的考量比例。透過各參數的調整，可 產生不同的分割狀況來因應不同的使用目的，進而