Higher temperature and urbanization affect the spatial patterns of dengue fever transmission in subtropical Taiwan

(1)

應用遙測設術於農作物生產調查一以敏感性作物鳳梨為例

黃昭雄、一、緣起天災會造成農作物的損失，使農民血本無蹄，但除了天災之外，姦銷失衡也是農民最的遭遇的「災難」。錯誤資訊的傳播，常使農民一窩蜂搶稜某種農作物，而造成處是過剩及領絡崩撥。為避免此情形，並掌畫畫及預估主重要食糧產品的生產面積或產量，農委會特訂定「燙要農糧產主品 :±g歪申報預彎處理要點 J '並自 9 6 年起重實施，主要是藉的生產申報、置在測、資訊發布與預警等作業程序，以及互諒自失衡輔導指施，促進供需平衡，穩定農種鑫品價格，車在護農民收益宜。自前線純的盟主點作物包指鳳梨、智蕉、柳丁、木瓜、洋蔥、花生、大蒜七項，這些作物也稱之為「敏感性作中仇。農民若能配合辦理申報，則可優先接受農委會質施之各項產銷輔導措施協助、農1還產品生育路悶，經評估有生jjj'i過剩之處，則會在輔導產地採取疏花 (果)、耕錫、廢棄等措施;產主綴產品亞軍收期間，若產油價格趨於直接生產成本，有產鈴失衡之處，得採取促鈞、購買?或加工等調節揹施，以減少市場流通竅，穩定接地價格;若產地償格低於渲接生產成本 95 %時，農委會更會考戀、啟動收購搭施，以碌保農民收益宜。目前敏感性作物生產調至主徐仰賴農民白行登記外，另一則自由間調議員赴凹~以自視方式進行生產[Ijj嶺的估算。農民自行登記除可靠度仍有待檢驗外，未登記通報之比例仍過寓，對於產量預{古時有影響之處;而現地調輩的方式則主堅持勾畫費力，立在不符合經濟效益。思Jlt 在遙測技術臼漸成熟的今臼，可利用商解析度的衛星影像或航空照片來獲取敏感佳作物細微的資訊，並進行自動化判釋，不僅成本低、速度快，豆豆可大面積的獲取資訊。一、研究方法釋主要以兩撥影{象室主訊進行重重作，一為依據光譜特性，一為依據紋草草特性，詳細之研究作梁流程如下所述。 (一)依光譜特性進行影像分類本研究結合非要在督及監督性分類法，依鳳梨的光吉普特性進行影像分類。訓練樣區是從現地調查資料中篩選出來，而|濁I丘塊銅與衛主蓋章主像套鐘時會jjj'i:±對{立位移的磁象，且由於每個主丘塊面積不大，在與網格格式套主要時，邊界部分容易造成混淆鹿三廿日釋的錯誤，且此類像元眾多，恐造成宇j釋精度不佳。為解決此問題，訓練樣區的近塊範闊邊界各做 4公尺的環城

(buffer)

，再|寄此環域去除 (mask) ，以避免邊界位移所造成的誤差。接著利用環域去除後的樣~範關切割衛照及海t照影像，以此得到鳳梨及非鳳梨訓練樣l運之光譜室主訊，再以非監督之 I的SODA

TA

(It

erative

Selfι~Or唸ga叩m凶zin時g

Data

An悶咐a訓Iy抖S剖is. Techni吋iqψu∞eA約) 方式建立2必0 類鼠梨及

2必0 類非鳳梨光譜均質類且別目統計資訊。穀後依此統吉計十資訊，以最大相似法 (maximum

like

類及非鳳梨 2必0類之分類後影f像象 o最大相似法之決策函數可談示如下﹒

D

=

In [ac

J -

[0.5 In (ICovcl) ] - [0.5

(X悶Mc)

T

(Covc-I) (X-Mc)]

其中 D為 r

weighted distance

J '亦可視為類別歸屬機率 ; c 為 r

a particular class

J ;X 為

r the measurement vector of the candidate

(2)

主電昭雄、主、民雄試傲1iI1!分類判釋成果本次鼠梨判釋以民雄為試做區，主要是以 2008 年4 月16 日的搞衛影像進行分類，並同時採討依光譜特性進行影像分類及依紋耳里特 'I生進行邏車卸去美麗之成效。 (一)依光譜特性進行影像分類由於民雄地區鳳梨的稜植時!乎不一致，的此在河一天的影像中常見戒梨幼株成株並存的現象，而幼株的光言盤及紋理特徵易與非鳳梨中的裸露地混淆，故本研究先以 9420-2-079 的 115 000國號範關探討訪時練樣區精選前後之判釋正做性差異，以確定何種訓練樣區抽取模式可得到較使之判釋成果。國 1研究流程溺

pixelJ

;Mc 為r

the mean vectorof the sample of

鳳裂之規則

class c J ;

ac 為r

percent

probabi1i大y

that any

依上述之研究方法，可歸納本研究流程如

candidate pixel is a member of class c J ; Cove

下劉所采。

為 r

the covariance matrix of the pixels in the

sample of class c J ;

ICovcl為r

determinant of

Cove (matrix algebra) J ;

Covc-1 為rinverse

of Cove

(matrix algebra) J ;

In 為r

natural

logarithm function J;

T 為r

transposition function

( matrix algebra)

J 。 (二)依紋理特性進行邏輯分類由於融合影像較能呈現鼠梨約草草晶宮排列符徵，關此可自彩色融合之搞衛影像或航照中計算紋理資訊。首先依耕地垣塊國將影像進行影像分割

(segmentation)

，再計算每一怨分割純E書中的 GLCM 值，共包含homogeneity 、constrast 、 dissimilarity 、en仕opy 、ang﹒2nd moment 、

mean 、standard deviation 、correlation 等8 頑皮護指標。由於 8積度壘指樣'U對影像每一個波段計算出紋理值，因此最後每一個分割範恩將產生物-50個紋理值。在如此多的紋現度量指標中，難以挑選最俊的指標以及閥值*區分作物，故本研究引用決策樹中的分類及回歸樹

(classification and

regression 廿ee， CART)' 協助

挑選最具代表性之紋理指標以及最佳之與

值。 CART分析為資料探勘 (data mining) 技術的麓，是利用簡單的問題來將資料作分類的動作，在樹的起點，先透過門撥{暖的設定，來:I'寺資料分成前個不同的群經 (binary

splits)

，不斷的重複步驟後，最後決定所有資料的分類方式或預測，決策樹的結橋亦可顯現出輸入j會鶴的階層關f系與非線性鞠係'其間的關係通常是藉由不同的來端點對給定分類的描述 * 1J日以還立約;決策樹演算法是監管性的，爺要對資料作訓練以長成決策檔(吳宗睬， 2004) 。悶此本研究亦選擇與光吉普特徵分類相i穹的訓練樣暉，供 CART產生鳳梨與非 20

(3)

物，來進行影像分類 h間pa值。435 2‘ 訓練樣區精選此部分是在鳳梨的訪II練樣直至中去掉一鳳梨幼株， {墓留成株，非鳳梨的訓練樣區中則JlIJIJ除掉容易混淆之裸露地，如此雖然可能溺判小鳳梨， 1ll可避免過多裸露地被誤判為鳳梨。以像元為J'f[元的分類結果產生後，得與耕地低塊資料進行套蠱，得到以組塊為學元的分類結果。最後經縮小玩塊改正後，針對 9420♂-079 的判釋結果與現游資料比釣，整體精度約為泌的%

,

kappa

值為 0.4 1 7 '由劉 5 及表2 可生日，非鳳梨誤判為晨1梨之俏形仍較多。至是 l 民主監 9420-2-079 劉幅 2008-04- 1 6 褔衛影像依光諮特性進行分類後之精度(訓練樣~末將選) 關 4 f克綠 9420判2悶。79 毆帽 2008-04個 1 6 為衛影像依光譜特性進行分類之成果(訪 II練樣區采精選) 地其實料(單位。垃塊數) 風梨非成梨總t十使用者精度鳳揖

279

通 77

756

36.9

0% 分類結非鳳梨 38

2162

2200

98.27%

總計

317 2639

2956

生產者精唐

88.01%

81 日2時

82.5

8% 行主主盔，果，將分類結果套星星回圾塊之優點在於可去除像元式分類結果的雜訊(國 2 、關 3) 。最後經縮小近塊改 IE 後，針對 9420-2-079 的判釋結果與現調資料比對，整體精度約為 82.5 8%

' kappa

值為

0

.4

35

'的國 4及表 l可知，非l鼠梨誤判為風梨之情形較多。」國 3套盤垣塊前後判釋結果之差異比較 (近塊為學冗之分類結果) 國 2套皇室滔塊前後判釋結果之差異比較 ({:象元為單元之分類結果) l 訓練樣1!!1!未精選此部分是在鳳梨的訓練樣~中同時挑

(4)

關 5 民綠 942 0企悟。79 圈縮 200 8-04曰 1 6 褔衛影 f象依光譜特性進行分類之成果的II練樣區精選後) 表 2民雄 9420也2-0 79 億I陷 2 008侮04- 1 6褔衛影 f象依光譜特性進行分類後之精度 (訓練樣區將選後) 地其資料(單恤 3丘克鬼數) 鳳難非鳳梨總計使照者轎車 E乳單 236 391 627 37.6 是站命輯結果非鳳揖 81 22 是7 2328 96.52% 總計 317 2638 2955 生產者蜻度 74.45且 85.18站 84.0部 kappa 值。是l7 若結合人機Ii.動判釋，對被判釋為鳳梨之近塊進行人工 tU釋，貝司需被判釋的垣塊比例約 {占 2 1.22% ' UJ提升整體精度至 97.26 %

,

k ap pa d直為 0. 83 9 '立在完全將非晨星梨誤判為風梨之情形進行消除，如表 3所示。表 3 民雄 942 0-2 -07 9 關IV高 2 008 -04- 1 6 褔嚮影像分類後再進行人機互動判釋後之模擬精度(哥1/練樣區精選後) 地真實科(單位:且魂缸) 鳳軒 4 鳳軒總計使用者椅度鳳梨 236

_。

236 100.00 站分類結果非鳳梨總言 ₃₁₇81 2638₂₆₃₈ ₂₉₅₅2719 97.0 部生產者蜻/亨 74.45克 100.0 的 97.26% h叩 a 值 0. 83 9 (二)依紋理特性進行邏輯分類由於精選後之訓練樣區有較佳之判釋成架，因此紋涅特性的分類也以精選後之樣 EE進行。 CART依據訓練樣區的紋頭指標所產生的鳳梨作物判釋規則為: IF {HOMOGENEITY>0.I84975AND LAYERI ENTROPY <= 5.92229 AND LAYERI MEAN<=51.9055AND

LAYER3_CORRELATION<泣。 9 1 6203 } OR

{HOMOGENEITY> 0.184975 AND LAYERI ENTROPY <= 5.92229 AND ALL MEAN> 57.8229 AND LAYERI MEAN> 5 I.9055 AND LAYERI 一MEAN<= 59.2163} OR

{HOMOGENEITY> 0.184975 AND LAYERI ENTROPY> 5.92229 AND LAYER2 MEAN<=叭 . 0907AND ALL MEAN> 49.456AND LAYER3_MEAN>81.7725} 其中 LAYER I 代表梅衛影像中的紅光段， LAYER2 為綠光段， LAYER3 為直至光段， LAYER4 為紅外光段， ALL 代表也全部波設所計算之紋理指標。依線上述產生之風梨判釋規則，手可與耕地垣塊資料進行套盔，得到以i£i:塊為單元的分類結果。最後經細小玩塊改 II三後，主十對 9420-2甸的9 的判釋結果與現調資料比對，整體精度約為 85 .06% ' kappa 值為0.405 '自鷗 6 及表4 可知，非鳳梨誤判為紙梨之情形仍較

多。

辛苦結合人機互動判釋，對被判釋為風梨之蚯塊進行人工判釋，民日議被判釋的垣塊比例約 f占 1 8 .5 6 % '可提升空整體精度直至 96 . 5 9%'kappa 值為 0 . 7 8 7 '並完全將非鳳梨談判為鳳梨之情形進行消餘，如表5所示。 22

(5)

幸且是以農地地籍(地段、地號)進行申報，故宮言透過內政碼與綴食碼轉換才能與耕 '的學時期徽合影像 ( Pan功arpened

Image)

進行判釋，宇J釋目標則以鳳裂成株為主。主是 4 民直接 9420品。7 9 圈娟 200 8-04- 1 6福衛影像依紋理特性進行邏輯分類精度(訓練樣區精選後) 表 5民緣 9420-2-079 閩中高 2008-04- 1 6 福衛影像分類後時進行人機互動判釋後之模擬精度(訓練樣1!r{i精選後) !爾 6 民雄 9420個2-079 國IV高 2008-04間1 6 像依紋理特性進行還l崗分類成果(訓練樣1®:精選後) 地真實科(單位挂塊數) 鳳梨非鳳梨總計使用者精度鳳軒 2目8 341 549 37.8日見 ! 分類結 "鳳軒 101 2308 2409 95 日1 見總計 30日 2649 2958 生產者精 r. 67.31% 87.13點 85.06貼 (三H克雄種般的鳳梨品種很多，各品種的種植時期皆有所不悶，造成遙測影像絲織挑選上的困難。因此訓練樣直選擇以居室主重影響為辛苦量進行選取，亦即以對產主豈有立即影響的成株或是主要產出鳳梨之圾混為俊先考量，幼株、零星穫摘或疏於管理之垣塊則暫不考主章，此做法是關幼株產主童在明或後年，零度積槌或疏於管理之士丘塊對於今年整體產重影響較小。 (四)敏感性作物鳳梨在扇動判罪孽上易混淆之地物分別為裸露地。為避免混淆之情形，在選取鳳梨訓練樣區時遊選鳳梨幼株，選取非lJl梨訓練樣區時則把裸露地排除，如此精選訓練樣區後可降低混淆判釋之情形。 0.405 kappa值綜合以上成果，本研究總結以下幾里的結 (五)敏感性作物利用?聶衛二號多光諧與全包態之融合影像進行鳳梨之爭u釋，因鳳梨稜俯在影像上紋理:待位清楚，故依紋耳里特性進行邏輯分類優於光譜特性進行影像分類;初步成果總體精度可達八成多，若針對判釋為鳳梨之盟主域進行航無人機互動判釋，刻總體精度可提升至九成以上， IT徒生渡者精度普遍低於標准，仍有提升空間。。花7 ka血Ja位四、結論且其背料(草祖 e 蜢塊蚊) 成軒非IN，梨串串言十使用者榜度』乳梨 208

_。

208 100.00目分類結 d 三鼠梨 101 泊的 2布自 9日33點總計 309 詣的 _自958 生產者精庭 67.31自 100.00% 96.59%

I

(-)現行的敏感性作物1'.~申報作豈是因為非 (六)衛星影像因解析度限制， !lfE 自動判釋f還能

(6)

應用遙測技術於j裝作物生產調查"以敏感性作物鳳梨為例鼓昭雄、徐逸祥、朱子菱找出敏感性作物潛勢分佈l®:域，但優點為能大面積判釋，若搭配航照進行人機互動則可增加判釋正確佳途九成以上。 (七)民雄就非水稻主要鑫區，以致於大部分耕地主丘塊並采編修，旦去呈現混亂狀態，部分地~數化地籍間更只是教化日嫁時代地籍資料，造成琨地地真資料調至是困難與判釋成果套星星誤差，影響判釋精度。 1也辛苦板塊與玻地積極區域有明顯不間，尤其以非水稻殺傾甚至域較為嚴重，會影響樣1&現地調查與影像判釋成果套星星，之精度。 (八)鳳梨生長期為 1 8個月左右，故可針對每年兩期之水稻判釋成果中之非水稻區域進行判釋ElP"J0

參考文獻

行政院農業委員會農棍等， 2007 。重要農糧產品生產申報工作手冊。朱子蒙、劉治中、管義星、雷絕路，

2007

0 應用高時間與空間解像力;鑫測影像於水稻田耕作調查 (3 /3 ) ，行政院農業委員會良種署。

(I)

，行政院農業委員會農糧署。李瑞惕， 2007 。應用商解析度航空影像於大;聶種植面積調資(1/2) ，行政院農業委員會換車去薯。林冠{誨， 2004 。地物導向之航照影像區格知識正規化之研究，台大地理所碩士論文。吳宗路， 2004 。空閑資料探勘與知識鑫生自以建立崩調敏感性評估模式為例，主臺灣大學地連環境資源學研究所碩士論文。陳E蓋宏， 2003 。運用紋理資訊線助高解析度衛及影像於都會區水稻自萃取之研究，逢月1 大學土地管理學系碩士班碩士論文。郭秀玲， 2003 。紋理分析於且是地利泊判隸之研究"以2直梁縣大湖鄉為例，逢甲大學土地管理也學系碩士論文。正主雲串串， 2002 。結合影像區塊及知識緣分類之研究一以 IKONOS衛星影像為例，中央大學土木工程學系碩士論文。黃干日炎， 2008。成梨，台兩l革農業改良場特于自第 3 號。會義屋， 2006 。應用航遙測影像辨識及地理資訊技術於敏感性作物種植面積調查

(1

/3)

，行政院農業委員會產主糧草書。朱子豪、 ;a治中、會議星星、雷祖強， 2006。應用高時詞與空間解(象力遙2頁的影像於水稻魏蹺萍，

2002

0QuickBird 衛星影像探討分類

由耕作調查 (2/3) ，行政院農業委員會良方法之研究，中慕大要吾土木工程學系碩士

糧辛辛。論文。 ~乏予蒙、對j治中、會義墨、周天穎， 2 00 5。應用高時間與空問解像力遙測影像於水稻的耕作調資(1 /3 ) ，行政院農業委員會農糧著 o 朱子豪、張屋里禎、李瑞惕， 2004 。利用商解像力遙測衛星影像輔助農作物耕作?普查 (11l)，行政院農業委員會農棍等。朱子豪、張國禎、李瑞陽， 2003 。利用高解{象力遙淇a衛星影像輪助農作物耕作清主主

(11)

，行政院農業委員會農綴著。朱子蒙、張圓禎、李瑞陽， 2002 。和m商解像力遙測衛星影像輔助農作物耕作清查