中 華 大 學

中 華 大 學 碩 士 論 文

應用自組織映射網路結合倒傳遞類神經推估翡 翠水庫葉綠素-a 與濁度之遙測影像研究

系 所 別：土木與工程資訊學系 學號姓名：M09304045 黃文娟 指導教授：陳　 　 莉 博士 周 文 杰 博士

中華民國 95 年 0７ 月

摘要

近來幾場颱風夾帶大量豪雨，導致水庫水質惡化、濁度升高，使 水庫無法正常供水，加上遙測技術已不斷的發展，也突破了不少的限 制，且遙測技術具有的大範圍與即時的特性，可得到水庫的即時資 訊，因此在監測水庫水質方面也有不錯的效果。由於葉綠素-a 為生態 學上一項重要指標，而濁度也是決定水庫供水的重要依據之一，因此 本研究是以翡翠水庫之葉綠素-a 與濁度作為研究重點。

研究方式以兩方進行，一方將 2005 年 4 月 18 日 24 個採樣點先 以自組織映射網路分類，各類再由類神經網路建立關係式，另一方則 直接將24 個採樣點直接套入類神經網路推估。結果顯示，先由自組 織映射網路進行分類所推估出來的結果，其驗證範例相關係數及誤差 均方根都比沒有經過事先分類的效果來的好。因此，使用自組織映射 網路不僅可在水質監測上得到良好的效果，更可在各類中搜尋到局部 最佳解，提供較大範圍的操作模式。

II

目錄

摘要---Ⅰ 目錄---Ⅱ 圖目錄---Ⅴ 表目錄---Ⅶ

第一章 緒論---1

1-1 研究動機與目的---1

1-2 研究方法---3

1-3 論文架構---5

第二章 文獻回顧---6

2-1 遙測影像應用於水庫水質方面之研究---6

2-2 類神經網路應在遙測影像之應用---7

2-2-1 類神經網路用於影像分類之應用---7

2-2-2 類神經網路用於水庫水質監測之應用---9

2-3 自組織映射網路應用於模式推估方面---10

第三章 理論基礎---12

3-1 遙測與水體之關係---12

3-2 資源衛星之基本概述---14

3-2-1 美國大地衛星（LANDSAT 7）---14

3-2-2 法國史波特衛星（SPOT）---15

3-2-3 捷鳥衛星（Quick Bird）---16

3-2-4 依科諾斯衛星（IKONOS）---17

3-2-5 福衛二號（Formosa 2）---18

3-3 衛星影像接收與前期處理---20

3-3-1 影像校正---20

第四章 研究方法---22

4-1 自組織映射網路（SOM）之基本理論---22

4-2 最短距離法---25

4-3 類神經網路基本介紹---26

4-3-1 倒傳遞類神經---27

第五章 應用實例---31

5-1 研究區域概況---31

5-2 現地與衛星資料---31

5-3 SOM 分類結果---33

5-4 最短距離法分類結果---33

5-5 類神經推估模式---34

5-6 案例分析與討論---36

第六章 結論與建議---45

IV

6-1 結論---45 6-2 建議---46 第七章 參考文獻---47

圖目錄

圖1-1 研究方法流程圖---4

圖4-1 自組織映射圖網路之架構圖---23

圖4-2 拓撲座標---25

圖4-3 最短距離法意示圖---26

圖4-4 人工神經元模型---27

圖4-5 倒傳遞類神架構圖---28

圖5-1 由衛星拍攝翡翠水庫之影像---31

圖5-2 翡翠水庫 24 個採樣點之分佈圖---32

圖5-3 由 SOM 分類出之網路拓撲圖---33

圖5-4 由 ERDAS IMAGINE 8.5 軟體擷取衛星影像中水庫水體---34

圖5-5 由現地採樣點所繪製葉綠素-a 之分佈圖---37

圖5-6 由方法一推估之葉綠素-a 分佈圖(未加入分類二)--- ---38

圖5-7 由方法一推估之葉綠素-a 分佈圖(加入分類二)---38

圖5-8 由方法二所推估之葉綠素-a 分佈圖---39

圖5-9 由現地採樣點所繪製濁度之分佈圖---39

圖5-10 由方法一推估之濁度分佈圖(未加入分類二) ---40

圖5-11 由方法一推估之濁度分佈圖(加入分類二)---40

圖5-12 由方法二所推估之濁度分佈圖---41

VI

圖5-13 現地葉綠素、方法一與方法二推估比較---41

圖5-14 現地濁度、方法一與方法二推估比較---42

圖5-15方法一與方法二推估24 個採樣點之葉綠素-a 與實際值比較---42

圖5-16 方法一與方法二推估 24 個採樣點之濁度與實際值比較---43

表目錄

表1-1 衛星遙測與傳統方法之比較及成本效益評估---2

表3-1 常見監測水質衛星之基本規格表---13

表3-2 Landsat 7 基本介紹---14

表3-3 LANDSAT 7 衛星影像參數---15

表3-4 SPOT 衛星波譜特性---16

表3-5 QuickBird 影像類別---17

表3-6 福衛二號儀器規格表---19

表5-1 將全部像元以最短距離法歸類至 SOM 之分群---34

表5-2 方法一葉綠素-a 之類神經參數設定---35

表5-3 方法一濁度之類神經參數設定---36

表5-4 方法二葉綠素-a 之類神經參數設定---36

表5-5 方法二濁度之類神經參數設定---36

表5-6 類神經推估與現地極值之比較表---43

表5-7 兩方法在驗證範例中之相關係數與 RMSE ---43

表5-8 兩方法推估採樣點之相關係數與 RMSE ---44

1

第一章 緒論 1-1 研究動機與目的

近年來，水庫水質已成為我們所討論的重要課題之一，在夏季由 於日光加速水中生物成長與繁殖，再加上一場豪雨挾帶大量污染物，

可能導致產生水質惡化與惡臭、濁度升高，導致水庫無法正常供水，

造成民生用水缺乏，生活品質降低。調查水庫水質的重要指標之一為 葉綠素-a，它不但是 Carlson 營養狀況指標之一，更可從葉綠素-a 的 濃度來觀察水庫是否有優養化的現象；濁度則可直接判釋水庫水質的 好壞，直接判斷能否直接供應到民間。因此，能掌握這些水庫水質變 化的資訊，便能有效的改善水質避免水庫優養化的發生。

翡翠水庫為大台北地區的主要供水水庫之一，在剛完工之期有發 生藻華（Water bloom）的現象，雖然之後就沒發生類似的狀況，但 觀察最近的水庫水質資料卻發現葉綠素-a 濃度有逐漸升高的趨勢，若 是這樣持續的升高，導致優養化的發生，翡翠水庫將不能供應大台北 地區的用水，對未來會有很大的負面影響。目前翡翠水庫由中央研究 院-環境變遷中心來進行每兩個星期一次的水質採樣工作，採樣點共 為九點，之後便將水體帶回中研院分析，此步驟往往都需要好幾個工 作天，且採樣點無法代表整個水庫的水質狀況；然而目前遙測技術不 斷的進步，不但可大範圍的觀察水庫狀況，也可即時的得到水庫資 訊，因此使用遙測技術於監測水庫水質。

傳統在水質監測都是以現地採樣的方式，但傳統的方式在現地中 往往會受到限制，現地採樣所花費的人力及物力就是一個很明顯的例 子，不但監測頻率無法取得密集的資訊，且所選取的採樣位置也會受 限於人員所能到達之地區，如表1-1 所示；反之，衛星影像可大範圍 的反應出集水區的現況（時間）與實況（空間），無需到達現地勘查，

可節省可觀的人力及資源，也可突破現地採樣的一些限制，更可成為 一個快速且大範圍的水質監測方法。

因此，本研究利用財團法人農業工程研究中心所提供之衛星影 像，從衛星影像上所得之資料以兩種推估方式建立現地葉綠素-a 與濁 度間之關係式，從關係式來推估出水庫整體的水質狀況，並比較何種 推估方式能代表現地狀況，如此一來，便可即時的掌握水庫水質的變 化。

表 1-1、衛星遙測與傳統方法之比較及成本效益評估

（衛星技術應用於水庫優養化預測與防制，台大水工試驗所，2005，

由本研究改編）

比較項目 傳統方法（現地水質採樣） 衛星遙測方法（以Landset 為基準）

價格 10 萬元以上 一幅約1.5 萬

處理時間 約一個月 約1~2 日

成 本

價 人力 數人 每張影像可單人處理

監測型態 點資料 面資料

監測範圍 水平面：受限於人員可到達處 垂直面：可獲得不同水深之資料

水平面：任何衛星可拍攝之位置 垂直面：僅可獲得水體表面反射之 資料

監測頻率 每月或每季一次 16 天

精度 較高

試體於實驗室內管控，精度則取決於 進行試驗時的精度

略低

取決於水質參數迴歸是之精度；但 大體可表現趨勢及污染程度 可監測之水

質參數

多樣化（任何可受測之水質參數） 僅適用於光譜特徵明顯者（如葉綠 素-a、透明度、總磷等）

效 益 面

其他加值應 用

可產生主題圖層應用於 GIS，並結 合水庫集水區土地利用管理策略 及污染防制改善策略

方 法 限 制

天氣狀態 現地水質採樣受天氣狀態影響較小 衛星遙測受陷於天氣狀態影響較 大，尤其發生雲遮蔽則無法獲得影 像資訊。

3

1-2 研究方法

本研究之研究區域為翡翠水庫，所使用之衛星為美國大地衛星 (Landset 7)，並在 2005-04-18 取得衛星影像，且中研院也在此天進行 大規模採樣，採樣點為 24 個，水質參數則針對葉綠素-a 與濁度此兩 項做為偵測對象，以作為建立關係式之依據。

研究方法則是利用自組織映射網路（SOM）依據 24 個採樣點的 波段值分類，並對分類好之採樣點由類神經網路方法建立其模型，再 將由影像讀出之 6677 筆數據以最短距離法將數據分群，並分別帶入 先前所做的模型推估出葉綠素以及濁度的濃度，與未經SOM 分類之 24 個採樣點所做之模型直接帶入 6677 筆數據的推估結果比較。

模式的好壞之後將以驗證值之相關係數與誤差作為評斷模式好 壞的依據，接著將SOM 分類與未分類採樣點由類神經推估出來的結 果與現地葉綠素與濁度分佈的狀況比較，評估何種模式較適合現地水 庫水質的狀態。

圖1-1 研究方法流程圖 現地資料蒐集與預處理

結果與討論

結論與建議 衛星影像處理

SOM 分類(方法一) 未經SOM 分類(方法二)

以類神經做推估模式 以類神經做推估模式

將SOM 分出之群集計算出中心點 位置，並以最短距離法將由衛星讀

出之數據分至SOM 之群集內

將衛星之波段數據讀出

帶入由類神經所做出之模型 將分至各類之像元點帶入該類以類

神經所做出之推估模式

將推估之結果輸出 將推估之結果輸出

5

1-3 論文架構

第一章　 緒論

　 　 　 可分為研究動機與目的、研究流程圖以及論文架構。

第二章　 文獻回顧

　 　 　 探討國內外相關研究 第三章　 理論基礎

介紹遙測與水體間之關係、資源衛星之簡介以及影像前處 理之介紹。

第四章　 研究方法

介紹遙測與水體間之關係、自組織映射網路原理與架構、

最短距離法之原理以及類神經網路推估之原理。

第五章　 應用實例

介紹研究區域概況、衛星介紹、研究資料來源，接著分別 將以SOM 分群集未分群之樣本帶入類神經進行推估。

第六章 結論與建議

　 　 　 對研究成果加以總結，並提出建議。

第二章 文獻回顧

遙感探測（Remote Sensing，以下簡稱遙測）技術是上世紀 60 年 代開始發展而來的。由於遙測技術與應用日趨成熟且廣泛，在國內已 被廣泛應用於農業、林業、地質、地理、海洋、水文、氣象、環境監 測及地球資源勘探等各個領域。近年來，遙測技術所具大範圍及即時 的特性吸引不少學者開始利用遙感探測技術進行水庫水質監測。

由於大氣層的吸收及反射因素，使得衛星遙測應用上使用最廣的 仍是可見光及紅外光，不同衛星或感應器的敏感度不同，所能偵測到 的輻射波光譜波長不一，在經地球大氣效應後，一些衛星的偵測系統 會對這些反射光譜作波段的區分。

2-1 遙測影像應用於水庫水質方面之研究

應用遙測技術於水庫水質方面的研究在國外早已有許多人研 究。Lillesand 等人（1983）利用美國大地衛星（Landsat）TM 影像資 料，評估明尼蘇達（Minnesota）州內 60 個淡水湖泊優養化程度。

蕭國鑫等人（1991）利用遙測做水庫水質的調查，文中討論水質 資料在水質調查上應用的分析方法，並探討利用光譜波段反射值比例 法來推測葉綠素相對含量其可用性。

Tassan（1993）利用 TM 影像建構海洋中葉綠素濃度之關係。Baban

（1993）利用 TM 資料調查英國諾福克湖沼區，探討環境特性與污染 程度之影響。

許 俊 森 等 人 （1994 ） 使 用 美 國 航 空 暨 太 空 總 署 （ National Aeronautics and Space Administration, NASA）光環 7 號（Nimbus-7）

的近岸水色掃瞄儀（Coastal Zone Color Scanner, CZCS）影像，探討 台灣附近海域的葉綠素濃度分布情形。

Allee 與 Johnson（1999）在研究中提出，在美國的 Arkansas Bull

7

Shoals Reservoir，使用 Landsat TM 所擷取葉綠素-a 與沙奇盤深度的 數據與相同時間的現地資料相符，於是利用 1994 年 7 月的葉綠素-a 資料（R²=0.80）與 1994 年 12 月的葉綠素-a 資料（R²=0.84）以及 1995 年 2 月的沙棋盤深度（R²=0.96）來發展預測模式。接著可用這些模 式測試過去十年所收集的歷史葉綠素-a 資料。結果顯示使用 1994 年 7 月的模式可成功的預測出在測試十年當中的六年其葉綠素-a 的等 級，若只考慮到夏季的話則可有更好的預測效果。

Bilge 等（2003）研究推估 Porsuk Dam reservoir 水質參數之間關 係，並且利用Landsat TM 衛星資料進行複迴歸模式來推估懸浮物固 體、葉綠素-a、氨氮和透明度，以 ANOVA 檢定分析迴歸變數；透過 現地資料和遙測衛星資料可以成功建立推估水質的類型模式。

Koponen 等人（2004）測試可能最先獲得水質參數如葉綠素-a，

濁度可以來分類的標準。使用MODIS 在芬蘭湖這個研究區域可到的 數據相當的多，並選擇250m 的解析度比選用 1 ㎞的解析來判釋這形 狀 不 規 則 的 研 究 區 域 要 來 的 正 確 。 使 用 Earth Observing System Terra/Aqua MODIS 可以達到 80％的精度，只有 0.2％是因為有兩個或 以上的類別導致無法分類。

2-2 類神經網路在遙測影像之應用

類神經網路最早用於遙測影像之應用是在於影像分類，但近年 來，類神經網路應用的層面越來越廣泛，用於水庫水質方面也已經有 了不錯的結果，以下將對類神經網路於影像分類與水庫水質監測方 面，學者所做之研究均做介紹。

2-2-1 類神經網路用於影像分類之應用

Bishof et al.（1992）使用三層隱藏層之倒傳遞類神經網路進行 Landsat 影像分類，且加紋理資訊輔助分類，其所得之結果較傳統所

使 用 高 斯 最 大 似 然 分 類 法 佳 ； 最 後 亦 加 入 分 類 後 平 滑 技 巧

（postclassification smoothing），應用分類同時産生之可信度影像，消 除分類結果影像的不均質性（Salt-and-Peper）。

顏世坤（1994）以 Wavelet 轉換於遙測影像之分析及其應用，結 合碎形幾何的概念所求得的碎形影像，再利用類神經網路作為分類法 則所做的衛星影像分類研究，在土地分類精度上可大為提昇。

蔡敏之（1996）應用倒傳遞類神經網路且加入輔助資訊識別都市 地區，加入的輔助資料分為兩種包括空間相關性資訊及地理性統計資 訊，成果顯示輔助資料可有效提升分類精度。

　　詹進發（1997）探討類神經網路應用於遙測影像分類的可行性，

並使用不同誤差函數，研究其對分類精度産生不同之影響。

邵泰璋（1999）應用類神經網路於多光譜影像分類，研究結果顯 示，在使用多時段光譜影像時，粗編碼之倒傳遞類神經網路展現出最 佳的分類效果；而使用多時段正規化差分植生指數影像時，則以一般 正規化編碼之倒傳遞類神經網路表現較佳。

周晏勤（2000）使用多變量分析法與類神經網路分析法所得結 果，皆顯示地層種類與坡度，對邊坡破壞的影響程度比其他分析用因 子重要。

黃誌勇（2002）使用倒傳遞神經網路來產生 SPOT 的自然色影 像，研究中分為三個測試階段，（1）分別是以同一天的 Landsat 假色 影像與Landsat 自然色影像進行訓練，得到一組權係數。（2）以該組 網路測試與 Landsat 同一天的 SPOT 假色影像產生 SPOT 自然色研究 使用倒傳遞神經網路的演算法使SPOT 假色影像轉換到 SPOT 自然色 影像。影像的結果。（3）以不同天的 SPOT 假色影像進行網路回想，

產生SPOT 自然色影像。以上三組的結果在目視上所呈現的色調皆與

9

Landsat 自然色很近似，若以相似性的評估檢核成果，相關係數皆大 於0.90，顯示以類神經網路產生自然色影像確實可行，於提高 SPOT 影像使用層面上，具有實質成效。

2-2-2 類神經網路用於水庫水質監測之應用

吳俊穎（2001）使用 SPOT 衛星影像，作為監測水庫水體之資料 來源，利用線性迴歸方式，建構影像因子與地面水質參數（葉綠素、

總磷、透明度）之模型關係，尋求較佳之迴歸公式，其中總磷與影像 因子之相關係數R 較葉綠素-a、濁度、透明度好。據此可建立永和山 水庫水質污染狀況空間分佈關係，並進而以 Carlson 營養狀況指標 (Carlson Trophic Status Index，CTSI)判別水庫水體優養狀況，以作為 水庫管理重要參考。由於利用上述方法推估結果仍不夠理想，因此研 究中再使用有測試與訓練之迴歸分析法與類神經網路來建構水質推 估模型，結果顯示以迴歸分析法與以神經網路模式皆可建構模型，惟 神經網路擁有自動配適之能力並可增進效率。

D’Alimonte 等（2003）利用 SeaWiFS 推估亞得里亞海北部海岸 的葉綠素-a，且將研究區之水體分為兩種型態。結果顯示，MLP 演算 法比起其他之演算法與獨立型態之演算法之結果好。

Yuanzhi 等（2003）使用遙測來評估芬蘭海灣岸的海水之葉綠素 -a。在此研究區域同時獲得遙測資料與現地水質量測資料。值得注意 的是影像數位數值與葉綠素-a 量測值之間的關係。結果顯示用類神經 網路評估葉綠素-a 較用迴歸分析好。這篇文章研究也顯示為什麼遙測 用在監測海岸區域之水質如芬蘭海灣是一個研究發展的重要性。

陳莉（2003）利用 SPOT 衛星影像，並使用具有訓練與測試之迴 歸分析法與類神經網路模式建構模型以推估永和山水庫水質，發現在 Chl-a、SDD、TB 均是神經網路較佳，而於 TP 時則是迴歸分析較佳，

並得知水庫中的葉綠素在影像理所呈現的結果較佳，今後可利用遙測 影像來推估水庫優養化。

2-3 自組織映射網路應用於模式推估方面

自組織映射網路(Self-Organizing Map，SOM)，具有類似聚類分 析的概念，能夠不用經訓練就可得到群集的規則，因此，已有不少學 者利用自組織映射網路的此項優點，將變數分群，最早是用於資料探 勘方面的研究，漸漸已有學者將自組織映射網路的分群結果予與建 模，應用在流量預測方面已有不錯的成果，以下便針對這幾方面來介 紹：

吳育奇(2000)利用自組織映射網路進行系統辨識，將歷史資料分 類並以模糊理論建立輸入與輸出間的關係，以模糊權重作為網路輸出 值。以此模式推估大甲溪上游松茂站之流量，根據前期流量及附近的 降雨量資料以自組織映射網路分析，結果顯示可得到良好的預測效 果。

黃尹龍(2001) 考慮到類神經網路的推估均為定率式的，無法將系 統中的不卻確定性加以討論，因此對 BPN 學習過程中之局部最佳解 集合，嘗試聚類出相同族群的網路權重參數規則，並以疊代學習出鄰 近形心餐數值與鄰近區域參數值，作為回想過程預測模式參數值之可 行範圍，另外更以遺傳演算法(Genetic Algorithm)在權重參數區間範圍 內搜尋出近似最佳的代表參數。結果顯示利用自組織映射網路將局部 最佳解集合的方式可提供決策者在預測流量時，更具有彈性的決策空 間。

王彥翔(2002)以大甲溪流域上游為研究地區，並以自組織映射網 路為基礎，提出了強制型自組織映射網路（Enforce Self-Organizing Map，ESOM），最後更以學習向量量化（Learning Vector Quantization，

11

LVQ）神經網路來調整聚類的結果，以此三種模式用於洪流量預測 的。由結果的比較，可以證實 ESOM＋LVQ 給予合適的拓樸層大小 及分類數目洪流量預測的效果可以得到最佳的效果。

黃彥豪(2003)主要是利用自組織映射網路學習的過程中，來改變 參數鄰近區域函數的設定，利用三種樣本數據來測試自組織映射網路 與傳統群集分析演算法比較，可直接於映射圖判讀樣本之群聚樹、群 聚關係與特性結構看出自組織映射網路之優勢。且利用水利署所屬的 179 個雨量站，將自組織映射網路與 K-means 和華德法設計建立台灣 北中南東四區之區域雨型。結果顯示自組織映射圖網路的優異性，直 接由映射圖劃分出區域雨型的群聚關係。

第三章　 理論基礎

3-1 遙測與水體間之關係

遙感探測(Remote Sensing)，指的是一種不用經過接觸就可得到 有關待知物體之資訊的方法。目前的遙測衛星技術已日漸穩定，衛星 所接收之資訊涵蓋範圍相當大，且能在固定的時間內接收到衛星資 訊，因此，我們可以選擇我們所需之位置、時間、內容，以許多種型 態將資訊輸出。

水體對各種電磁波的反應特性主要是吸收及穿透。反射對水體而 言可用到的機會不大，可見光射到水體，小部分被吸收，小部分（約 5％）被反射，大部分都是穿過水體，而紅外光部分，不論近紅外或 中紅外光，大部分都被吸收。在泥沙、葉綠素對不同波段有不同的反 應，其中泥沙濁度增加，對可見光及紅外光反射強度都增加，而葉綠 素的成因多來自水中藻類，結果導致綠光增加而紅、藍光減低，衛星 探測器具有紅光與藍光就能對濁度與葉綠素這兩項進行監測。以下針 對常使用在水質監測的衛星之基本規格比較，如表3-1：

13

表3-1 常見監測水質衛星之基本規格表

Landsat SPOT Quick Bird IKONOS 福衛二號 高度 705 km 832 km 450 km 681 km 891 km 軌道形式 太陽同步 太陽同步 太陽同步 太陽同步 太陽同步

空間解析度

黑白解析度 15m

彩色解析度 30m and 60m

黑白解析度 10m

彩色解析度 20m

黑白解析度 0.61~0.72 m 彩色解析度 2.44~2.88m

黑白解析度 0.82m 彩色解析度 3.28m

黑白解析度 2m

彩色解析度 8m

光譜解析度 黑白:

0.52-0.90µm 藍光:

0.45~0.52µm 綠光:

0.53~0.61µm 紅光:

0.63~0.69µm 近紅外光:

0.75~0.90µm 短波紅外光:

. 55~1.75µm 短波紅外光:

2.09~2.35µm 熱紅外光:

10.4~12.5µm

黑白:

0.61~0.68µm

綠光:

0.5~0.59µm 紅光:

0.61~0.68µm 近紅外光:

. 78~0.89m 短波紅外光:

1.58~1.75µm

黑白:

0.45~0.90µm 藍光:

0.45~0.52µm 綠光:

0.52~0.60µm 紅光:

0.63~0.69µm 近紅外光:

0.76~0.90µm

黑白:

0.45~0.90µm 藍光:

0.45~0.52µm 綠光:

0.51~0.60µm 紅光:

0.63~0.70µm 近紅外光:

0.76~0.85µm 黑白:

0.52~0.82µm 藍光:

0.45~0.52µm 綠光:

0.52~0.60µm 紅光:

0.63~0.69µm 近紅外光:

0.76~0.90µm

影像圖幅範 圍

183km

×170km

60km

×60km

16.5km

×16.5km

11 km

×11 km 對地24 km 是否可以產

生數位高程 模型

不可以 可以 可以 可以 可以

3-2 資源衛星之基本概述

3-2-1 美國大地衛星（LANDSAT 7）

NASA 於 1999 年 4 月 15 日發射的大地衛星七號（LANDSAT 7），為在過去 26 年內一系列大地監測衛星中的第三枚衛星，可提供 更高解析度的影像監測地球環境。LANDSAT 7 主要目標為監測地球 表面的變化情形，可廣泛應用於各方面研究，如冰河變化、火山活動、

農地使用趨勢、森林砍伐狀況等，LANDSAT 7 上主要儀器為加強型 熱感測繪儀(Enhanced Thematic Mapper Plus，ETM+)，以地表反射的 太陽熱輻射進行測量，具有可見光與紅外光的八個波段，解析度與精 確度均遠比大地衛星四號及五號為高，每天可拍攝 250 張高解析度 地球影像，提供科學家進行研究，並建立日照、雲量等資料庫，

LANDSAT 7 各波段特性及衛星影像參數如表 3-2 及表 3-3。

表3-2 Landsat 7 基本介紹

波段 波譜範圍(μm) 空間解析度(m) 屬性

1 0.45~0.515 30 藍光

2 0.525~0.605 30 綠光

3 0.63~0.690 30 紅光

4 0.75~0.90 30 近紅外光

5 1.55~1.75 30 中紅外光

6（6L，6H） 10.40~12.5 60 熱紅外光

7 2.09~2.35 30 中紅外光

15

表3-3 LANDSAT 7 衛星影像參數 定位（Orientation） Map 地圖投影（Map Projections） TM

參考橢球體（Ellipsoid） Clarke 1866 影像再取樣方法（Re-sampling Method） Nearest-Neighbor

3-2-2 法國史波特衛星（SPOT）

法國史波特衛星（SPOT）是一個太陽同步衛星，平均航高 832 公里，通過赤道的 時間為當地時間上午 10 點 30 分，通過台灣上空 約為10 點 45 分。軌 道與赤道傾斜角 98.77 度，繞地球一圈週期約 101.4 分，一天可 轉 14.2 圈，每 26 天通過同一地區，SPOT 衛星一 天內所繞行的軌道 ，在赤道相鄰兩軌道最大距離 108.6 公里，全球 共有 369 個軌道（Track）。

SPOT 上有兩套 HRV（High Resolution Visible）感測器，每一套具地 面解析度20 公尺 × 20 公尺的多光譜態（XS）及 10 公尺 × 10 公尺 的全色態（Pan）兩種能力。多光譜之三個波段分別為：綠光段（XS1：

0.5µm ~ 0.59µm），紅光段（XS2：0.61µm ~ 0.68µm）與近紅外光段

（XS3：0.79µm ~ 0.89µm）。全色態的波長範圍在 0.51µm ~ 0.73µm。

表 3-4 SPOT 衛星波譜特性

感測器 波段 波長範圍(μm) 地面解析力(m) 綠光段 0.50-0.59

紅光段 0.61-0.68 近紅外光段 0.78-0.89 多光譜態

中紅外光段 1.58-1.75 ※

20

0.51-0.73 全色態 可見光

0.61-0.68 ※ 10

3-2-3 捷鳥衛星（Quick Bird）

捷鳥衛星（Quick Bird）為美國 Digital Globe 公司所擁有之商用 高解析度光學衛星。Quick Bird 係從 450 公里外的太空拍攝地球表面 上之地物、地貌等空間資訊，其影像解析度高達61 公分，為全球首 顆提供1 公尺以下解析度之商用光學衛星。Quick Bird 為太陽同步衛 星，平均4 至 6 天即可拍攝同一地點的影像。

Quick Bird 所提供之衛星影像，可分為三大類：一為全色態影像

（Panchromatic；即黑白影像），其影像解析度為 61 ~ 72 公分；一為 多光譜影像（Multi-Spectral；即彩色影像），其收集了藍色可見光、

綠色可見光、紅色可見光及近紅外光等四個波段之影像，影像解析度 為2.44 ~ 2.88 公尺；另一為彩色合成影像（Pan-sharpened），其影像 解析度為70 公分。

17

表3-5 QuickBird 影像類別 影像類別 全色態影像

（Panchromatic）

多光譜影像

（Multi-Spectral）

彩色合成影像

（Pan-sharpened）

俗稱 黑白影像 彩色影像 彩色合成影像

影像解析度 61~72 公分 2.44~2.88 公尺 70 公分 波段數 單一波段 4 個波段 3 或 4 個波段

波譜範圍 0.45~0.90microns

Blue：0.45~0.52 Green：0.52~0.60 Red：0.63~0.69 Near-IR：0.76~0.9

(Blue、Green、Red) 或

(Green、Red、Near-IR) 或

(Blue、Green、Red、Near-IR) 影像處理等

級 Basic 與 Standard Basic 與 Standard Standard

（資料來源：http://www.quickbird.com.tw/）

3-2-4 依科諾斯衛星（IKONOS）

IKONOS 衛星是美國 SPACE IMAGING 公司於 1999 年 9 月 24 日所發射的一顆地球資源探測衛星，IKONOS 衛星重 1,600 磅(約 725 公斤)，離地約 681 公里，以 98.1 度傾角繞著地球飛行；每繞一圈需 時98 分鐘，所以一天可以繞行約 14.7 圈。每圈繞過赤道上空的時間 都是當地早上的10 點半(通過台灣的時間大約將近早上 10 點)，所以 是與太陽同步。每 140 天才回到原來的同一軌跡。衛星的設計壽命為 5 至 7 年。

IKONOS 的取像器分成兩種：第一種為泛色攝影(Panchromatic)，

第二種是多波段攝影（Multispectral)。泛色攝影的感應波段為 0.45 至 0.90µm；多波段攝影則分成四波段，分別是 0.45 至 0.52µm(藍色)、

0.52 至 0.60µm(綠色)、0.63 至 0.69µm(紅色)及 0.76 至 0.90µm(近紅外 線)。在鏡頭偏角不超過 26°的情況下，泛色攝影的地面解像力為 1 公

尺，而多波段攝影則為4 公尺。每一張正攝影像的寬度為 11 公里（傳 統航照為4.5 公里）；在鏡頭有偏斜時，則為 13 公里 x13 公里。如 果要取得鑲嵌圖(即拼合圖)時，其最大者可到 12,000 平方公里，或者 是兩張各10,000 平方公里組合而成的接壤圖（單一航道）。

由於IKONOS 的鏡頭可作縱向（平行於飛航方向）及橫向（垂 直於飛航方向）偏轉，所以如果要取得同一地區1 公尺解像力的影像 時，約每3 天即可取得一張；如果只要 2 公尺解像力時，則每天都可 取得同一地區的影像。IKONOS 的鏡頭之最大偏轉角度可達 75°（從 鉛垂線量起），其解像力在26°時為 1m，45°時為 1.5m，51°時則為 2m。

根據美國太空圖像公司的說法，IKONOS 影像在沒有地面控制點作修 正時，其水平誤差為12 公尺，高程誤差為 10 公尺；但利用地面控制 點作修正後，其水平誤差可降至2 公尺，而高程誤差則降至 3 公尺。

3-2-5 福衛二號（Formosa 2）

福爾摩沙衛星二號計畫之首要任務為發展一枚兼具地表遙測實 用任務及高空大氣閃電觀測科學用途之衛星。其中遙測任務為拍攝衛 星影像資料，以滿足台灣民生之需求，其影像資料可用來監控台灣本 島、離島、台灣海峽及附近海域之環境及資源。此外，在國際合作的 協議下，福爾摩沙衛星二號也將在其它區域拍攝地表影像。福爾摩沙 衛星二號的科學酬載係用來探測高空大氣閃電現象，此酬載之影像儀 將是全世界由衛星觀測這個自然現象的第一套科學儀器。下表為遙測 酬載儀器大略規格。

19

表3-6 福衛二號儀器規格表

軌道 891 公里高，太陽同步軌道，每日通過台灣海峽上空二次 全色態(PAN) 0.45~0.90µm

多頻譜(MS)

0.45~0.52µm（藍）

0.52~0.60µm（綠）

0.63~0.69µm（紅）

0.76~0.90µm（近紅外線）

遙測對地解析度 全色態（黑白）影像 2 公尺 多頻譜（彩色）影像 8 公尺 像幅寬 24 公里

任務壽命 5 年

發射日期 2004 年 5 月 21 日(台北時間)

福爾摩沙衛星二號計畫之地表遙測任務是拍攝衛星影像資料，以 滿足台灣民生之需求，其影像資料可用來監控台灣本島、離島、台灣 海峽及附近海域之環境及資源。此外，在國際合作的協議下，福爾摩 沙衛星二號也將在其它區域拍攝地表影像。

福爾摩沙衛星二號每日繞地球飛行 14 圈，地面軌跡每天兩次通 過澎湖與臺灣本島中間。第一次約為上午十點，可拍攝台灣八分鐘，

第二次約為晚上十點，可以下載資料。在天候許可的情況下，一次經 過可拍攝四個緊鄰的影像條，以涵蓋臺灣全島，得到相當完整的臺灣 本島影像。福爾摩沙衛星二號並可改變衛星的前後仰角，以進行立體 攝影，可以提供研究者一個非常好的即時操作特性。（國家太空計畫 室網站）

綜合上述之波段特性，因此我們將以衛星影像上所獲取採樣點之 波段資訊，並利用自組織映射網路對波段的相關性分類，配合現地採 樣之數據，運用類神經網路尋求適合之模式，帶入整個翡翠水庫的波

段值，如此一來，便可即時的獲得整個翡翠水庫的水質資訊。

3-3 衛星影像接收與前期處理

目前台灣有在接收衛星影像的單位為國立中央大學的太空及遙 測中心(之後簡稱太遙中心)、國立台灣師範大學遙測與空間知識研究 室、逢甲大學地理資訊系統研究中心以及成功大學衛星資訊研究中 心，後面三個單位主要都已接收福爾摩沙二號為主，太遙中心目前所 接收之衛星影像包含有福爾摩沙二號、法國史波特衛星、歐洲資源衛 星、以色列EROS-A 以及美國 TERRA 與 AQUA。太遙中心在 1997 年7 月 1 日開始停止接收 Landsat 衛星影像，但在 1993 至 1996 年間 之Landsat 衛星影像仍能提供。

影像在接收之後仍需要進行一些前處理的工作方能做為我們研 究的資料，一般前處理工作的簡介如下：

3-3-1 影像校正

衛星在掃瞄影像過程中，會因大氣、地形、衛星本身的系統、感 應器系統、景物反射之變化及各種雜訊的干擾影響，導致產生雜訊和 扭曲。因此，必須先經過前處理等過程，才可提供正確且有效的資訊。

而影像校正又可分為幾何校正及輻射校正。

(1)幾何校正

受到衛星的高度、速度、感測器系統的誤差等因素，都會造成幾 何變形。幾何校正的處理方式主要是將影像套疊在處理過之影像，再 利用地面控制點求得兩者間的幾何關係，並將已知平面影像上點轉換 到需校正影像的點。

(2)輻射校正

輻射校正主要是因為日照的強弱、大氣的條件、觀測角度與表面 反射率以及儀器上的誤差，皆會造成影像上相同的物種有不同的輻射

21

量，而不同的物種卻有相近的輻射量，會造成影像判釋上的困擾。

輻射校正主要包含衛星本身上所造成的誤差以及大氣散射校 正。感測器上所造成的誤差主要是因為機器老舊原因所形成的。大氣 散射校正主要是利用調整影像中的DN 值，來修正大氣中的微粒所產 生的影響。

第四章　研究方法

4-1 自組織映射網路（SOM） 之基本理論

自組織映射網路(Self-Organizing Map，SOM)是一種非監督式學 習網路模式，於 1980 年由 T. Kohonen 提出此模式，到目前為止自 組織映射網路在非監督式學習網路模式中是一個很好的範例之一。

非監督式的方法是指在研究的問題中不需要事先提供訓練樣 本，只需輸入變數值，利用類似聚類分析的方式，從學習範例中找到 其群集之規則，並加以分類。

自組織映射圖網路的架構如圖4-1 所示，包括：

輸入層：用以表現網路的輸入變數，即訓練範例的輸入向量，或稱特 徵向量。

輸出層：用以表現網路的輸出變數，即訓練範例的聚類，其處理單元 數目依問題而定，通常排列成二維正方形。

網路連結：每個輸出層單元與輸入層處理相連連結的加權值所構成的 向量，表示一個訓練範例對映資料點聚類之形心座標。當網 路學習完畢後，其輸出處理單元相鄰近者會具有相似的連結 加權值。

23

圖4-1 自組織映射圖網路之架構圖

自組織映射網路有一些的重要概念與一般類神經不同的地方，其 概念如下：

(一)網路拓撲：自組織映射網路與一般的類神經網路有一點相當的不 同，是在於它的輸出層處理單元位置佔有很重要的意義，它輸出層的 處理單元是以二維居多，較常見的形狀為矩形，但也可以三角形、圓 形甚至是八角形的型態顯示

(二) 拓撲座標：拓撲座標指的是輸出單元位在網路拓撲中的座標。

例如以一個二維型態的網路拓撲，其輸出層就會具有一個二維的座 標，取左下方為座標原點，每向上一橫列或向右一直行其座標值就可 增加一單位，如圖4-2 所示，此輸出處理單元拓撲座標就可標示為 (2,5)。

(三)鄰近區域：鄰近區域是指網路拓撲中以某一輸出單元為中心區 域，且鄰近區域會在學習過程中逐漸便小，且在鄰近區域內的輸出單 元層會相互影響。

(四) 鄰近中心：控制鄰近區域的中心位置的參數，即一輸出處理單 元在網路拓撲的拓撲座標。

(五)鄰近半徑：控制鄰近區域大小的參數。

(六)鄰近距離：一輸出處理單元在網路拓撲中距鄰近中心的距離，由 此一輸出處理單元的拓撲座標，與鄰近中心的拓撲座標來決定，以公 式表示如下：

2 2

( ) ( )

r j

X j

X C

Y j

Y C

其中X ,_j Y_j = 第 j 個輸出處理單元拓撲座標；X ,_C Y_C = 鄰近中 心拓撲座標。

(七) 鄰近係數：控制鄰近區域內輸出處理單元相互影響程度的參 數。鄰近係數是「鄰近半徑」與「鄰近距離」的函數。

(八) 鄰近函數：控制鄰近係數和「鄰近半徑R」與「鄰近距離r_j」關 係式的函數。

(九) 鄰近區域收縮：鄰近區域會在網路學習過程中逐漸縮小，實際 上即臨近半徑逐漸縮小，以公式表示如下：

1

n n

R + = ⋅ λ R

其中λ<1為鄰近半徑縮小因子。通常以學習循環為單位，網路每 執行一個學習循環鄰近半徑收縮一次。

自組織映射圖網路的基本原理相當簡單，可說相當直覺。重點在 於「鄰近區域」內的輸出處理單元會相互影響，且「鄰近區域」會在 網路學習過程中逐漸縮小。其步驟如下：

1. 計算訓練範例與各隱藏層單元的距離

載入一個訓練範例便計算各輸出層單元與其輸入向量的距離。

2. 找出優勝單元

找出距離最短的輸出層單元稱為優勝單元

C(winner)：

2 2

j ij iC Minall d

d = (4-3)

25

3. 調整輸入層與輸出層間的連結加權值 網路連結加權值需修正，以公式表示如下：

jk jk

jk W W

W = +∆ (4-4) 其中∆W_jk =η⋅(x_ik −W_jk)⋅K_j。

4. 對所有訓練範例重複步驟 1 到 3 稱為一學習循環，每執行一個學 習循環，能量函數 ⁼

∑

i all

Ei

E ，將鄰近半徑R依(4-2)式折減，學習速率 依下式折減：

n

n

κ η

η

重複步驟1 到 4 直到能量函數E收斂為止。

圖4-2 拓撲座標

4-2 最短距離法

最短距離法（Minimum-Distance-to-Mean）， 在分類方法裡屬於 監督式的方法，由於它原理簡單，所以常被使用在分類方法中。最短 距離法主要先訂出決定分類成k類之各類中心點位置座標，又可稱為 平均向量(mean vector)，並計算未知像元與各類中心點位置的距離，

歸類與距離最短那一類，可由圖4-3表示：

圖4-3 最短距離法意示圖

4-3 類神經網路基本介紹

類神經網路是由許多的人工神經細胞所組成，人工神經細胞又稱 為神經元、人工神經元或處理單元（processing element），人工神經 元模型如圖 4-4，每一個處理單元的輸出以扇狀輸送出，做為其他處 理單元的輸入，其輸入值與輸出值的關係式，如式（4-7），可用輸 入值的加權乘積和函數表示：

) (

∑

=

−

= ⁿ

i

j i ij

i

f W X

Y

（4-7）

其中：

Yj：模仿生物神經元的模型的輸出訊號。

f：模仿生物神經元的模型的轉換函數（transfer function）

Wij：模仿生物神經元的模型的神經強度，又稱連結加權值。

Xi：模仿生物神經元的模型的輸入訊號。

Θ_j：模仿生物神經元的模型的閥值。

介於處理單元間的訊息傳遞路徑稱為連結（connection）。每一個 連結上有一個數值的加權值Wij，表示第i 個處理單元對第 j 個處理單 元影響程度。

27

圖4-4 人工神經元模型

4-3-1 倒傳遞類神經

倒傳遞類神經網路模式（Back-propagation Network，BPN），為 類神經網路中使用最普遍且最具有代表性的方法之一，其原理主要是 利用最短坡降法（Gradient Steepest Descent Method）以迭代的方式將 誤差降至最低。

倒傳遞類神經的假構圖如圖 4-5 所示，其中包括有〈1〉輸入層：

代表著網路的輸入變數，處理單元數可依問題決定，使用f(x)線性轉 換函數；〈2〉隱藏層：用以表現輸入處理單元間的交互影響，其處理 單元數目並無標準方法可以決定，經常需以試驗方式決定其最佳數 目。使用非線性轉換函數，網路可以不只一層隱藏層，也可以沒有隱 藏層；〈3〉輸出層：指的是網路的輸出變數，處理單元數可以依問題 決定，使用非線性轉換函數。

圖4-5 倒傳遞類神架構圖

倒傳遞類神經網路有幾個主要的網路參數，包括：

（一）隱藏層層數

通常隱藏層之數目為 1~2 層時有最好的收斂性質, 若隱藏層層數 不是在1~2 層之間，且誤差逐漸增高，這代表沒有隱藏層不能建構問 題輸出入間的非線性關係，因而有較大的誤差；而1~2 層隱藏層已足 以反應問題的輸入單元間的交互作用；更多的隱藏層反而使網路過度 複雜，減緩收斂速度，造成更多局部最小值，使得在修正網路加權值 時更易掉入一個誤差函數的局部最小值，而無法收斂。依據經驗, 範 例較少、雜訊較多、非線性程度較低的問題可取一層隱藏層；反之，

可取二層隱藏層。一般而言，對大多數實際的應用問題來說，用一層 隱藏層就已足夠。

（二）隱藏層處理單元數

隱藏層處理單元數選擇都會影響到訓練範例誤差的大小，如果隱 藏層處理單元數目太少，會因為數目不足以建構問題輸出的非線性關 係，因而產生較大的誤差；反之，數目過多則會因為網路的連結加權 值與閥值越多，形成網路的可塑性變高，可以充分的反應輸入變數間

29

的交互作用，藉此建立其模式，因此網路對訓練範例有較小的誤差 值。但訓練範例也會產生過度學習(overlearning)的狀況發生，意指的 就是訓練範例誤差越來越小，可是測試範例誤差卻越來越大的現象。

因此，隱藏層處理單元的數目超過了一定的數目，仍可能造成相反的 效果產生。

因此，隱藏層處理單元數目以取適當的數目為宜。一般而言，隱 藏層處理單元數目的選取原則如下：(葉怡成，2003)

(1) 建議:

簡單問題: = (輸入層處理單元數 + 輸出層處理單元數)／2 (平均法) 一般問題: = (輸入層處理單元數 + 輸出層處理單元數) (總和法) 困難問題: = (輸入層處理單元數 + 輸出層處理單元數)＊2 (加倍法) (2) 問題雜訊高，隱藏層單元數目宜少。

(3) 問題複雜性高，即非線性、交互作用程度高，隱藏層單元數目宜 多。

(4) 測試範例誤差遠高於訓練範例誤差，則發生「過度學習」，隱藏 層單元數目宜減少。

（三）學習速率

通常學習速率太大或太小對網路的收斂性質均不利，學習速率較 大可使誤差函數快速的逼近於最小值，但太大則容易造成網路加權值 修正過量，而有誤差震盪的現象則不易收斂；學習速率較小則會造成 時間的浪費甚至無法跳脫局部最小值。因此學習速率的大小對學習有 很大的影響。通常在學習過程中，學習速率的大小往往視輸入的資料 而有所不同，需藉由不斷的試誤。所幸由經驗顯示，學習速率在相當 大的範圍內均有很好的收斂性，在此範圍內，學習的結果對學習的效 率並不敏感。依據經驗取0.5 或 0.1 到 1.0 間的值作為學習效率的值，

大多可以得到不錯的收斂效果。

（四）慣性因子

慣性因子與學習速率一樣，所取之慣性因子太大或太小對網路的 收斂性質均不利。在學習過程中，我們可以先採取較大的初始值，在 每一個學習循環結束便將慣性因子乘以一個小於1.0的係數，慣性因 子便逐漸縮小，但不小於我們預設的慣性因子下限值。

學習速率與慣性因子是倒傳遞網路二個最重要的參數。學習速率 太小則收斂太慢，太大則可能造成二個問題，一是「處理單元飽和」， 一是振盪，即網路的誤差函數值高低起伏不定，無法收斂到一個很小 的數值。

慣性因子也一樣，太大或太小均將造成問題，不過它不如學習速 率嚴重，因為：

(1)慣性因子值域為﹝0,1﹞，而學習速率只有下限值為零，並無上限 值，這給網路建構者很大的困擾。

(2)慣性因子值取零，即不考慮慣性項時，通常並不致於大幅降低收 斂速度，通常慣性因子值只要取0.9 以下並不致於造成網路不收斂。

31

第五章 應用實例

5-1 研究區域概況

翡翠水庫座落於台灣東北部，位於新店溪下游，橫跨了台北市以 及台北縣三重、新店、中和、永和、淡水、三芝等地區，為台北地區 主要民生用水供應地，翡翠水庫管理局委託中央研究院-環境變遷中 心，定期對翡翠水庫水質的調查，對大壩站進行每兩個星期採樣一 次，其它採樣站則以每個月採樣一次，由此可顯現出翡翠水庫對大台 北地區的重要。

圖5-1 由衛星拍攝翡翠水庫之影像

5-2 現地與衛星資料

本研究使用之衛星資料為 Landsat 7，是由財團法人農業工程研 究中心所提供。Landsat 7 所擁有的波段為 7 個，在常用的衛星探測 器中所具有的波段數為最多，帶入模式的變數也較多，所以本研究才

選用Landat 7 影像作為研究。由表 3-2 得知波段 6 為熱紅外光，對於 溫度的敏感性較高，通常作為研究地表溫度的研究較多，因此，本研 究選取波段1~5 及 7 作為帶入類神經網路參數之變數。

現地資料則利用中央研究院-環境變遷中心(之後簡稱為環變中 心)所提供的採樣資料，本研究委託環變中心配合 Landsat 7 影像於 2005 年 4 月 18 日進行一次大規模採樣，採樣點位置可由圖 5-2 所示，

對24 個採樣點均記錄其 GPS 座標，以作為日後在找尋採樣點位置之 依據。

由環變中心所提供之水質參數有深度(m)、溫度(℃)、導電度 (ms/cm)、鹽度(ppt)、酸鹼值(pH)、溶氧(ppm)、溶氧飽和度(%)、濁度 (NTU)、葉綠素-a (ppb）等九項。本研究使用葉綠素-a 與濁度建立推 估模式，做為代表水庫水質之狀況，主要是因為葉綠素-a 在生態學上 為一項重要的指標（Yuanzhi et al. 2003），也是卡爾森指標之一，而 濁度則可直接說明了水庫水質狀態的好壞，葉綠素與濁度與衛星波段 間也存有良好的關係，因此，本研究以此兩項水質參數作為研究重點。

圖 5-2 翡翠水庫 24 個採樣點之分佈圖

33

5-3 SOM 分類結果

SOM 將採樣點上的波段值映射於 5＊5 的網路拓撲圖。所有資料 的循環次數為10000，學習速率為 0.001 以及半徑為 3。上述之參數 由SOM 所做出的分類結果可將 24 個採樣點分為四類，輸出結果如 下圖5-3，各類別之採樣點分別為：

第一類：S1、B2、S8、S17、S18、C2、D2、S20、S28、S32、S34、

S36，共 12 個點。

第二類：S22，共一個點。

第三類：S3、S15、 S39，共三個點。

第四類：S5、S12、S26、S42、S45、S48、S52、S58，共八個點。

圖5-3 由 SOM 分類出之網路拓撲圖

5-4 最短距離法分類結果

由 ERDAS IMAGINE 8.5 軟體擷取衛星影像中水庫水體的部 分，如圖5-4 表示，水體部分其像元數總計為 6,677 筆，我們從 SOM 分類的結果計算各類之中心點位置，並由輸出像元之座標與各類中心 點座標計算距離，以最短距離法分類，分類結果入下表5-1 所示：

表5-1 將全部像元以最短距離法歸類至 SOM 之分群

類別 比數

第一類 2418

第二類 1331

第三類 1694

第四類 1234

圖5-4 由 ERDAS IMAGINE 8.5 軟體擷取衛星影像中水庫水體

5-5 類神經推估模式

本研究所使用之類神經軟體是由葉怡成教授所開發之 PCN，在 此軟體中選用倒傳遞類神經做為我們訓練樣本的方法，在此我們分兩

35

方進行，一方為方法一，是將由SOM 分類完成之四類，分別將各類 採樣點之波段值帶入類神經中建模，另一方為方法二，方法二則將 24 個採樣點之個點波段值全部丟入 PCN 中建模。方法一中我們將各 群採樣點筆數之2/3 作為訓練範例，1/3 作為驗證範例，訓練範例之 數據則以隨機的方式訓練，分類二則不做此推估，類神經之參數設定 如表5-2 至表 5-5 所示。將其於三類分別以類神經的方式建構完成，

將得到共8 筆的驗證範例(分類一有 4 筆，分類三有 1 筆，分類四有 3 筆)，在方法二也選取此 8 筆的數據作為驗證範例，之後便可針對這 8 筆的驗證範例進行相關係數與誤差均方根的比較。

表 5-2 方法一葉綠素-a 之類神經參數設定

輸入層 隱藏層 輸出層

隱藏層 處 理單元

數

學習循 環

學習速 率 初始值

慣性因 子

學習速 率 下限值

分類一 1 2 1 3 600 1 0.95 0.1

分類三 1 1 1 20 100 1 0.95 0.1

分類四 1 1 1 5 150 1 0.95 0.1

表 5-3 方法一濁度之類神經參數設定

輸入層 隱藏層 輸出層

隱藏層 處 理單元

數

學習循 環

學習速 率 初始值

慣性因 子

學習速 率 下限值

分類一 1 2 1 9 1000 1 0.95 0.1

分類三 1 1 1 10 500 1 0.95 0.1

分類四 1 1 1 30 500 1 0.95 0.1

表5-4 方法二葉綠素-a 之類神經參數設定

輸入層 隱藏層 輸出層

隱藏層 處 理單元

數

學習循 環

學習速 率 初始值

慣性因 子

學習速 率 下限值 1 1 1 4 100 1 0.95 0.1

表 5-5 方法二濁度之類神經參數設定

輸入層 隱藏層 輸出層

隱藏層 處 理單元

數

學習循 環

學習速 率 初始值

慣性因 子

學習速 率 下限值

1 1 1 10 2300 1 0.95 0.1

5-6 案例分析與討論

本研究利用兩種方法，進行推估翡翠水庫葉綠素-a 與濁度，分別 為方法一(採樣點先由 SOM 分類)與方法二(採樣點沒經分類處理)，均 以類神經之方法推估。方法一中分類二的樣本數只有一個點，無法帶 入類神經的方法得到推估模型，因此我們試著將此分類之像元點葉綠 素-a 和濁度值，以採樣點之實際值帶入以及把歸於此類的像元點去 除，直接以SUFER 軟體外推所得之分佈圖，如圖 5-6、圖 5-7、圖 5-10 以及圖5-11。葉綠素-a 與濁之推估結果如下圖 5-5 至圖 5-12，圖 5-5

37

與圖5-9 是由現地 24 個採樣點經由 SUFER 軟體外推所得之現地葉綠 素-a 與濁度分佈圖。

圖 5-13 與圖 5-14 是由驗證範例中的實際值與方法一、方法二推 估結果以折線圖的方式比較。表 5-6 可看出方法一與方法二推估整個 翡翠水庫葉綠素-a 以及濁度與現地之極值相比，表 5-7 則可看出兩方 法之相關係數以及RMSE。

圖 5-15 與圖 5-16 是由方法一方法二推估採樣之葉綠素-a 與濁度 的結果，以折線圖的方式表示。由表 5-8 可看出方法一與方法二推估 採樣點與現地間的相關係數與RMSE。

圖 5-5 由現地採樣點所繪製葉綠素-a 之分佈圖

圖5-6 由方法一推估之葉綠素-a 分佈圖(未加入分類二)

圖 5-7 由方法一推估之葉綠素-a 分佈圖(加入分類二)

39

圖 5-8 由方法二所推估之葉綠素-a 分佈圖

圖5-9 由現地採樣點所繪製濁度之分佈圖

圖5-10 由方法一推估之濁度分佈圖(未加入分類二)

圖5-11 由方法一推估之濁度分佈圖(加入分類二)

41

圖 5-12 由方法二所推估之濁度分佈圖

1.000 1.500 2.000 2.500 3.000

1 2 3 4 5 6 7 8

驗證點個數

葉綠素濃度

實際值 方法一 方法二

圖 5-13 現地葉綠素、方法一與方法二推估比較

3.000 3.100 3.200 3.300 3.400 3.500

1 2 3 4 5 6 7 8

驗證點個數

濁度值 實際值

方法一 方法二

圖5-14 現地濁度、方法一與方法二推估比較

0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

1 3 5 7 9 11 13 15 17 19 21 23

實際值 方法一 方法二

圖5-15 方法一與方法二推估 24 個採樣點之葉綠素-a 與實際值比較

43

2.4 2.6 2.8 3.0 3.2 3.4 3.6

1 3 5 7 9 11 13 15 17 19 21 23

實際值 方法一 方法二

圖5-16 方法一與方法二推估 24 個採樣點之濁度與實際值比較

表5-6 類神經推估與現地極值之比較表

Chl-a Max Chl-a Min Turb Max Turb Min

現地 4.2 0.4 3.5 2.5

方法一 2.954 1.245 3.311 2.972

方法二 2.84 1.67 3.25 3.18

表 5-7 兩方法在驗證範例中之相關係數與 RMSE Chl-a 之 R Turb 之 R Chl-a 之

RMSE

Turb 之 RMSE

方法一 0.883 0.661 0.303 0.092 方法二 0.817 0.650 0.309 0.1057

表5-8 兩方法推估採樣點之相關係數與 RMSE Chl-a 之 R Turb 之 R Chl-a 之

RMSE

Turb 之 RMSE

方法一 0.733 0.439 0.464 0.347 方法二 0.722 0.404 0.497 0.392

45

第六章 結論與建議

6-1 結論

　 本研究是以類神經網路來建立模式推估，加入以自組織映射 網路將採樣點以聚類的方式分類並分別建模，兩者相比可得到以 下幾點結論：

1、本研究均以類神經網路來進行推估，受限於類神經無法推估一些 極端值時，類神經均會以平均值來推估，因此在此研究中的一些 高、低值均無法準確的推估，造成對整體精確度有所影響。

2、圖(5-5)~(5-14)為推估後與現地葉綠素-a 及濁度之分佈狀況，可明 確的瞭解分佈狀況。其中以圖(5-5)~(5-8)比較現地與方法推估，可 看出推估結果算合理，水庫上游的葉綠素-a 較低，而大壩上的濃 度相對較高，與現地所繪製的分佈圖相符。

3、在圖(5-15)看到方法一與方法二在無法推估準確的時候均會以一個 平均值來代表，就如第一點所提，但方法一都能比方法二較能夠 貼近實際值，因此方法一的誤差會比方法二要來較小，可由表(5-8) 得到驗證。

4、在圖(5-16)中，可看到方法二所推估出來的結果均在 3.2 左右，與 實際情況差距頗大；反觀，看到由方法一所推估出來的結果就比 較能代表現地的狀況。

5、從表(5-6)~(5-8)可清楚的看到，不論在訓練以及驗證範例中，方法 一均比方法二更能代表現地葉綠素-a 與濁度之狀況，也可說明採 樣點在經過聚類分群之後，再進行模式推估，會比沒經過分群之 後的結果來的更好。

6

-2 建議

1、本研究中自組織映射網路是以 5＊5 的矩陣所分類的，往後若能以 其他大小之網路拓撲來進行分類，得到不同之分類族群，比較出 網路拓撲大小對推估結果的影響。

2、類神經網路對於極端的預測均無法達到較好的預測結果，若能以 其他方法改進於極端值的推估，如此一來，若水庫水質發生劇烈 的變化，我們也能夠即時的掌握，以達到長期監測水庫水質的目 的。

3、之後研究若能在翡翠水庫中增設更多之採樣點，或是相同的採樣 點配合不同時段之衛星影像來進行建模，相信可提高分類之精確 度，對建模之相關性也可相對的提高。日後如能配合衛星通過再 一次大規模採樣，可用來驗證此模型的精確性。

47

第七章 參考文獻

【1】 蕭國鑫、吳啟男，(1991)，『遙測應用於水庫水質調查』礦業技 術。

【2】 葉怡成，(1993)，『類神經網路網路模式應用與實作』，儒林圖 書公司。

【3】 許俊森，(1994)，『臺灣附近海域的葉綠素甲濃度分布』，國立 臺灣大學海洋研究所碩士論文。

【4】 顏世坤，(1994)，『Wavelet 轉換於遙測影像之分析及其應用』，

國立中央大學太空科學研究所碩士論文。

【5】 蔡敏之，(1997)，『應用輔助資訊及類神經網路於遙測影像土地 利用分類之研究-以識別都市區為例』，國立成功大學測量工程 研究所碩士論文。

【6】 邵泰璋，(1999)，『類神經網路於多光譜影像分類之應用』，國 立交通大學土木工程系碩士論文。

【7】 吳育奇，(2000)，『自組特徵映射圖模糊類神經網路於河川流量 推估之應用』，國立台灣大學農業工程研究所碩士論文。

【8】 周晏勤，(2000) 『以遙感探測方法探討南橫公路邊坡破壞的重 要因子』，國立成功大學資源工程研究所碩士論文。

【9】 吳俊穎， (2001)，『衛星影像監測永和山水庫水質之研究』，中 華大學土木工程學系碩士論文。

【10】 黃尹龍，(2001)，『類神經網路架構颱洪流量預測模式』，逢甲 大學土木與水利工程研究所碩士論文。

【11】 黃誌勇，(2001)，『SPOT 自然色影像產生之研究』，國立中央 大學土木工程研究所碩士論文。

【12】 王彥翔，(2002)，『自組特徵映射與學習向量量化神經網路於

河川流量之預測』，國立台灣大學生物環境系統工程學系暨研究 所碩士論文。

【13】 魏曉萍，(2002)，『QuickBird 衛星影像探討分類方法之研究』，

中華大學土木工程學士碩士論文。

【14】 陳慧敏，(2003) 『綠覆率與地表溫度關係之研究－以龍潭地 區為例』，中華大學土木工程學系碩士論文。

【15】 黃彥豪，(2003)『利用自組織映射圖網路於區域雨型分類之研 究』，國立台灣大學土木工程研究所碩士論文。

【16】 葉怡成，(2005)，『資料探勘-方法應用與實作』，第三版。

【17】 葉怡成，(2006)，『資料探勘-程序模式與實作』，第三版。

【18】 逢甲大學地理資訊系統研究中心，(2000)，『遙感探測理論與 分析實務』。

【19】 Lillesand, T. M., Johnson, W. L., Deveil, R. L., O. M. Lixdstrom and D. E. Meisner, 1983, “Use of Landsat data to predict the trophic state of Minnesota lakes” Photogrammetric Engineering &

Remote Sensing, Vol. 49, No. 2, pp. 219-229.

【20】 Bishof et al., ”Multispectral Classification of Landsatlmages Using Neural Network”，IEEE Transactions on Geoscience and Remote Sensing,482-490，1992.

【21】 Thomas M. Lillesand Ralph W. Kieter , “REMOTE SENSING AND IMAGE INTERPRETATION”，1994。

【22】 R. J. Allee and J. E. Johnson, 1999. “Use of Satellite Imagery to Estimate Surface Chlorophyll a and Secchi Dise Depth of Bull Shoals Reservoir, Arkansas, USA ” International J. Remote Sensing, 20（6）,1057-1072.

【23】 Davide D’Alimonte and Giuseppe Zibordi, 2003“Phytoplankton

49

Determination in an Optically Complex Coastal Region Using a Multilayer Perceptron Neural Network”IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, IEEE Transactions on Geoscience and Remote Sensing, 41 （ 12 ） , 2861-2868

【24】 F. Bilge, B. Yazici, T. Dogeroglu and C. Ayday, 2003,“Statistical evaluation of remotely sensed data for water quality monitoring”

International J. Remote Sensing, 24（24） ,5317-5326.

【25】 L. CHEN，2003，“A study of applying genetic programming to reservoir trophic state evaluation using remote sensor data”

International J. Remote Sensing, 24（11） ,2265-2275.

【26】 Yuanzhi Zhang, Associate Member, Sampsa S. Koponen, Jouni T. Pulliainen, Senior Member and Martti T. Hallikainen, 2003.

“Application of Empirical Neural Networks to Chlorophyll-a Estimation in Coastal Waters Using Remote Optosensors”IEEE Sensors Journal, 3（4）,376-382.

【27】 Sampsa Koponen, Kari Kallio, Jouni Pulliainen, Senior Member,

IEEE, Jenni Vepsäläinen, Timo Pyhälahti, and Martti Hallikainen,