Volume 23, No.2, 2018, pp. 83-101 DOI 10.6574/JPRS.201806_23(2).0002
1行政院農業委會農業試驗所 博士後研究 收到日期：民國 107 年 03 月 05 日
2行政院農業委會農業試驗所 研究助理 修改日期：民國 107 年 04 月 09 日
3行政院農業委會農業試驗所 研究員 接受日期：民國 107 年 04 月 24 日
* 通訊作者, 電話: 04-23317407, E-mail: chiling@tari.gov.tw
應用無人飛機航拍影像協助農業勘災—以香蕉災損 影像判釋為例
周巧盈
1巫思揚
2陳琦玲
3*摘要
無人飛行載具(UAV)拍攝技術的快速紀錄、高機動性與高空間解析度影像，能提供農損查報所需之 空間輔助圖資，縮短人力勘災的時間並加速災後復耕。本研究應用 UAV 之高解析度影像，透過地理資訊 系統之影像非監督分類、影像分割與數值地表模型(DSM)，針對香蕉園風災後之傾倒情形，進行災損影 像判釋技術之發展與不同判釋法之評估。結果顯示，UAV 航拍之正射影像能清楚觀測香蕉園的災損範圍 與相對災損情形，但 DSM 對園內的災損傾倒不具有效的判釋能力。影像非監督分類之像元式與物件導 向式之災損判釋率比對現地核定之災損率，以災損率達 20%為基準(透過 30 處地籍樣區)，前者之災損判 釋率為 86.7%，後者為 96.7%，兩者對於香蕉傾倒災損都具有十分高的判釋能力。雖然後者之災損判釋 率高，但所需要的人力、技術與時間成本也都相對較高。因此，針對災後即時且大範圍香蕉園的勘災工 作時，本研究推薦影像像元式之非監督分類技術，提供災後應變與勘災的空間輔助圖資，進行香蕉園災 後大範圍的災損判釋與評估作業。
關鍵詞：地理資訊系統、農業災損、物件導向式影像分類、像元式影像分類、數值地 表模型
1. 前言
近 年 來 ， 國 內 外 無 人 飛 行 載 具 (Unmanned Aerial Vehicles, UAV) 拍攝技術發展漸趨成熟，加 上自動導航技術的提升與穩定的航拍取像設備，使 得 UAV 可以更安全、更自動化的方式取得高解析 度的航拍影像。UAV 相較於飛機與衛星，具有快 速、解析度高與不受雲層影響等優點。因此，當天 然災害發生時，能夠針對特定的受災地點與作物對 象，進行即時的航拍任務，進而達到減少災後勘查 所耗費的時間與人力；此外，平時可進行長期的環 境變異資料監測，並可協助農業災損判釋與嚴重程 度之標準制度的建立，以健全農業保險相關之政策 與體制。
UAV 包括定翼型(Fixed wing)與旋翼型(Rotary
wing)兩大類。定翼型無人載具相較於旋翼式具有 較佳的滯空時間與飛行高度，因此有較大的影像拍 攝範圍，但起降與飛行過程對地形要求較高，不適 合於複雜之地形飛行。旋翼型無人載具雖耗電量較 高，但具有可垂直起降、載重量高、可掛載具自穩 功能之雲台等優點，較適合在複雜地形飛行。目前 無人載具可搭載的影像感測器相當多元，如可見光 (RGB)、多光譜、高光譜等不同影像感測器及雷達 (Synthetic Aperture Radar, SAR) 與 光 達 (Light Detection and Ranging, LiDAR)等遙測感測器可選 用(Ortiz et al., 2013；Suárez et al., 2010；Gago et al., 2015)。無人飛行載具航拍時必須透過航拍路線規 劃軟體，進行飛行高度、影像重疊度與飛行速度的 規劃，以針對地面目標觀測對象取得不同的地面解 析度(Ground Sampling Distance, GSD)影像。目前航
拍影像計算軟體相當發達且多樣，如 Pix4D Mapper、
Altizure、DJI-Datumate、Umap、 DJI GS PRO、
Skycatch 、 Context Capture Master 、 Dronepan 、 Drone2Map 等，可用於運算航攝資料、產製正射影 像、數值地表模型 DSM (Digital Surface Model)等 功能，可得到高精度鑲嵌之正射影像(蕭宇伸等，
2014)。
國際上無人飛行載具應用在農業災害監測與 勘災上，主要針對大面積且具高經濟效益的農作物，
像是歐美農莊的葡萄園、玉米田、小麥田、咖啡園、
茶園等，能夠快速且有效率的掌控作物災害範圍、
擴散情形，以即時監控，減少損失。Herwitz et al.
(2004) 應用 UAV 進行 1500 公頃的咖啡園之作物 生長與病蟲害監測，主要透過可見光影像展示病害 的發生位置，並透過多光譜影像反應果實的產量。
Eisenbeiss (2006) 運用 UAV 拍攝玉米田並製作 DSM，判斷玉米田的坡度及坡向，加上風向資料 進而判斷玉米花粉傳播的方向。Garcia-Ruiz et al.
(2013) 應用 UAV 於柑桔園中，進行病蟲害檢測遭 黃龍病感染之植株，做為防治手段之一。另外，也 有十分多的應用在森林火災、病蟲害、山坡地崩塌 等監測與勘災上。Ollero et al. (2006)探討 UAV 運 用在森林火災上的監測，進行林火監測、定位並拍 攝火場影像，提供第一手資訊給救災人員進行，並 可作為災後火災影響評估與燒毀面積估算等應用。
Näsi et al. (2015) 針對蠹蟲對於雲杉造成的危害，
透過高解析度(GSD~2.4cm)的 UAV 航拍影像，能 夠判釋單棵樹是否受到蠹蟲危害，並透過多光譜影 像(GSD~9cm)反映出雲杉的健康況狀。Ezequiel et al. (2014)針對 2013 海燕颱風侵襲後造成菲律賓椰 子園產業相當嚴重的損害，應用 UAV 航拍影像輔 助地面調查，能快速獲得災後損失評估並提出災害 援助，因此提出 UAV 以地面調查係一具可行性、
準確度與高效率的勘災系統。
國內目前 UAV 在勘災應用上，主要在山坡地 監測、集水區崩塌與土石流、河道與植被變遷、區 域淹水監控等研究。張崴等(2017)利用 UAV 航拍 技術於南投縣貓羅溪和惠蓀林場進行河道變遷土 砂監測，並利用地面檢核點分析平面與垂直方向之
誤差，以評估透過 UAV 航拍結果進行山區地形製 圖之可行性。結果顯示，平面與高程之影像解析度 分別可達 4cm 與 15cm，其平均誤差均小於 10cm，
表示透過 UAV 搭備高素相機，於天候良好且地形 環境平穩的環境下，能夠獲得高精度之河道地形圖，
並進而推估河道之泥沙變化量。簡榮興等(2017)應 用 UAV 勘查莫拉克颱風於六龜紅水仙地區土石流 災害現象，以建立土石流災害危害度圖，提供多種 遙測視角的比較。另外，沈盈琇等(2015)應用 UAV 於地震災害風險評估並提出災後應變效率提升的 可能作為，讓 UAV 的應用不僅只限於災後的處理，
更能加強災前的調查與風險評估，減低災害的發生 率。因此，UAV 具有應用在不同災害監測上的發 展性，能夠因應不同規模、尺度的經營環境，以迅 速提供航拍影像在進行災損判釋與分析所需的空 間圖資。
UAV 航拍影像進行災損判釋與監測，能夠提 供高空間解析度的影像，進行地面作物損害情形的 勘查。目前市面上定翼型無人飛行載具一天可完成 300~1,000 公頃以上之影像拍攝(GSD~5cm)。Yang et al. (2017)針對臺灣水稻倒伏的判釋，透過 UAV 航拍獲取地面解析度 5.5cm 的影像，進行影像光譜、
數值地表高程與空間紋理等特性的分析與研究，瞭 解影像空間與光譜整合的分類技術對於水稻倒伏 判釋的成效。Puig et al. (2015) 針對山梨(sorghum crop)受到白蠐螬(white grubs)危害，透過 UAV 航拍 獲得高解析度(1.5-2cm)的可見光影像，進行機器學 習之非監督式影像判釋，探討此分類技術對於作物 不同危害程度的分辨能力。其中，若使用傳統的影 像分類技術，透過影像像元(pixel-based)資訊，即 影像的最小單位—空間解析度，透過影像光譜值之 分類方法，進行地物/地貌的判釋。傳統上，影像 分類包括監督式分類、非監督式分類與混和式分類。
監督式分類需以人工的方式選取訓練樣區，再進一 步利用分類演算法將其餘未選到的區域分類；非監 督式分類不需要選取訓練樣區，便可自動將全區影 像分類；混和式分類則是先以非監督式分類方法統 計其影像的特徵值，接著以監督式分類的方法將影 像進行分類(Jensen, 2006；Gonzalez & Woods,
2008)。因此，若影像的空間解析度十分高(< 30cm)，
單一像元之光譜反射值不足以代表地面上的地物 特性，甚至可能為雜訊所在之處，因此易將雜訊物 分類成其他地物，此種現象稱之為椒鹽雜訊(salt and pepper noise) (Jensen, 2006；鄭雅文等，2008)。
為了解決傳統像元式分類法於高空間解析度影像 所產生的問題，物件式(object-based)的分類方法已 被廣為使用。物件式的分類方法首要步驟為影像分 割(image segmentation)，接著將每個分割出來的區 塊(物件)當作影像分類的最小單元，並且透過統計 分析原理來進行每個物件內特徵值(面積、形狀、
紋理) 的分析，以提升分類的精準度(Jensen, 2006；
雷祖強等，2009；Gibbes et al., 2010)。
因此，本研究將透過 UAV 進行農作物災後即 時之拍攝，以獲取高解析度影像(GSD ~5cm)、RGB 可見光影像與 3D 點雲(3-Dimensional Point Cloud)，
發展災損影像光譜分類技術與數值地表模型 DSM 之高程模擬等不同之判釋技術；比較不同災損分類 方法與地面核定災損率，評估不同方法的判釋正確 性，以提出具有快速、簡易與高準確性的作物災損 判釋方法。本研究的目標作物為香蕉果園，因為香 蕉樹的形態與根系結構，十分容易受到強風雨豪雨 的影響而受損傾倒。且此農業災情常發生於臺灣中、
南部大面積栽植的香蕉園區。因此，透過災損影像 分析技術的發展，利用無人機航拍影像的光譜分類、
物件辨識與地面紋理分類的運算能力，進行作物災 損影像判釋，以產出農損面積估算與農損嚴重度圖 資，提供農損查報所需之空間輔助圖資，協助地方 農政人員進行勘災作業並加速災後復耕。
2. 研究方法與材料
2016 年 7 月份尼伯特颱風 8 日 5 時於臺東縣 太麻里鄉登陸，當日 14 時由臺南市將軍區進入臺 灣海峽，因此造成臺灣東、南部地區十分嚴重的農 業災損，統計超過 6 億元。其中，高雄市的農業災 損占 2 千多萬，香蕉園的受損面積約為 1,000 多公 頃。本研究針對高雄市旗山鎮香蕉園區進行 UAV 航拍、影像分析與災損判釋成果評估。
2.1 研究區域
高雄地區因天候適合及有高雄港輸送的便利，
成為臺灣的主要香蕉產地。高雄地區香蕉種植主要 分布在岡山、鳳山、旗山等地，其中以旗山地區為 最重要香蕉產地及集散中心。高雄市旗山鎮位於屏 東平原北部，三面環山、境內大部分為丘陵地形，
並有楠梓仙溪流經(圖 1)，所沖刷的砂質土壤及全 境位於北迴歸線以南，屬於低緯度熱帶季風區，使 旗山成為適合栽種香蕉的地區。高雄地區香蕉種植 面積約 1,900 公頃，其中旗山地區種植面積為 900 多公頃，佔全區 47%；旗山地區香蕉一年產量約為 18,000 公噸，佔高雄地區產量的 50%(高雄市政府 農業局，2016)。高雄旗山地區因香蕉的高產量與 近高雄港的地利之便，成為南台灣地區最重要的香 蕉生產集散地(莊淑姿，1997；2011)。
臺灣位於太平洋西側之大陸與海洋型氣候交 會處，易受颱風侵襲，而伴隨的暴雨、強風和洪澇 等氣象災害發生頻率相當高。加上全球氣候變遷影 響，極端性的氣候災害產生頻繁。臺灣南部地區常 受到颱風的侵害，造成當地農作物在生育期與收穫 期，受到嚴重的災害影響。其中，香蕉生長期間常 遭受不同天然災害影響，輕則生長發育延緩，重則 明顯減收。天然災害中，多以夏秋季之颱風災影響 最大、水災次之。另外尚有地區性之寒/霜害及零 星發生之冰雹災害及雷擊。其中，因為香蕉植株假 莖纖細，葉片細長，強風常造成高大之蕉株(未插 立防風支柱)整片園區大規模的折斷或傾倒；而豪 雨常導致蕉園積水不退，且若浸水情況達到 2-3 天 以上，蕉株根系將開始腐敗，導致葉片黃化及萎凋，
進而影響產量(行政院農委會動植物防疫檢疫局，
2008；趙治平及楊宏仁，2009 )。
因此，本研究針對高雄旗山地區的香蕉園，在 2016 年 7 月份尼伯特颱風危害後，進行災後無人 飛機航拍作業，透過可見光 RGB 鏡頭，拍攝面積 為 223 公頃，主要位於旗山鎮中部地區鄰近屏東縣 里港鄉 (圖 1)。此區域香蕉種植面積約 100 公頃 左右，平均受災程度大於 40%(依據農糧署 2016 年 災損統計詳報資料)，符合農委會農作物天然災害
救助標準，即啟動災害救助申請與災損查核作業。
圖 1 研究區域與位置
圖 2 研究流程圖
2.2 研究流程
應用 UAV 進行香蕉園受災後即時之拍攝 (2016 年 7 月 18 日)，首先針對研究區域進行航線 規劃，以獲取低空穩定飛行之高度重疊的影像，透 過影像前處理進行航拍影像鑲嵌拼接與校正處理，
以獲得高地面解析度(～3cm)、可見光 RGB 光譜之 作 物 災 損 影 像 與 三 維 點 雲 (3-Dimensional Point Cloud)模式。接著進一步發展災損判釋分類技術，
透過影像非監督分類(包括：像元式與物件導向式) 與數值地表模型(DSM)，依據香蕉園內不同的災損 傾倒程度具有不同之光譜組成特性，進行 2D 正射 光譜影像災損分類，且依據 3D 點雲模式嘗試區分 香蕉園內不同程度之災損傾倒的高度差異。最後，
透過農糧署之農產業災害勘查機制下之災損調查/
核定成果，以香蕉園之作物地籍範圍為面積單位，
進行各災損判釋技術與現地核定災損率比較，評估 各技術之判釋正確性。研究流程圖如圖 2 所示，
以下就 UAV 航拍規格、影像前處理的細部內容、
各項災損影像判釋技術原理與各判釋準確度之比 較原則進行介紹。
2.3 UAV 航拍與影像前處理
本研究使用的 UAV 為 Swallow-P 定翼無人飛 機(重量=2.5kg、翼臂=1m、飛航速度=72-90km/hr)，
搭配 SONY ILCE-5100 單眼相機(E20mm 的鏡頭、
F2.8 的焦距、2,400 萬像素)，透過系統規劃的航拍 路線與低空穩定飛行(150m 以下)，產生高度重疊 的影像(同一航線前後影像重疊率 60%；相鄰航線 左右影像重疊率 30%)，以獲得高規格與高解析度 的 航 拍 影 像 。 影 像 鑲 嵌 拼 接 後 之 地 面 解 析 度 (Ground Sample Distance, GSD)約為 3cm 網格大小 的精度。航拍影像透過 UAV 專業影像處理軟體 Pix4D Mapper 進行影像鑲嵌拼接、空間資料產製 與影像校正等過程：
(1) 影像鑲嵌拼接：依據影像匹配與自動化產製程 序，透過影像選取、替換及拼接改善，進行原 始影像之正射鑲嵌編輯。
(2) 空間資料產製：透過自動匹配像對中的特徵點，
進行內、外方位參數解算，而經自動空中三角 測量與平差處理後，產製 3D 點雲進行後續 DSM 之解算，並進而產製正射影像。正射影像 之 平 面 精 度 可 達 15cm( 徐 金 煌 及 張 國 禎 ， 2015)。
(3) 校正：包括相機之率定校正、影像之地理校正 與 輻 射 校 正 。 透 過 率 定 參 數 (Calibration Parameters)進行相機率定，以修正因相機在飛 行過程中受到飛機馬達震動與環境中風速的影 響；透過加入地面控制點，進行地理校正；透 過加入地面黑/白帆布之光譜值，進行輻射校 正。
因此，UAV 航拍影像透過 Pix4D Mapper，能 快速取得地形資訊 DSM 與正射影像，提供災後勘 災所需之快速的空間資訊。本研究將針對 Pix4D
Mapper 所產製的正射光譜影像與數值地表模型 DSM 進行香蕉災損傾倒之判釋研究。
2.4 災損傾倒判釋技術
本研究依據正射光譜影像與 DSM，透過影像 分類(Image Classification)，進行香蕉災損傾倒之判 釋分析。此處使用的影像分類包括針對以像元 (Pixel) 為 單 位 的 光 譜 數 值 與 高 程 數 值 及 以 物 件 (Object)為單位的光譜數值。因此，透過影像分類，
本研究依據地表光譜反射資訊與高程資訊，應用數 學與統計演算方法對 UAV 航拍影像進行香蕉園區 傾倒情形之判釋。傳統的影像分類主要分為監督式 (supervised)與非監督式(unsupervised)兩種。監督式 分類利用地面真實資料進行光譜形式辨別，及先決 定所需的區分的作物類別，再依各類別選取訓練樣 區(training area)，依據各樣區之光譜統計值(包括像 元式與物件式)進行為影像資料分類的依據。而非 監督分類利用數學運算檢查影像像元，以呈現在影 像上的自然集群，利用集群分析(Cluster Analysis) 方式，依據事先給定的分類類別個數以及多光譜波 段的統計值(包括像元式與物件式)，利用數值迭代 的 方 式 將 影 像 分 類 成 指 定 個 數 的 集 群 (Clusters)(Lillesand & Kiefer, 2000；Arbiol et al., 2006)。監督式分類主要依據專業人員進行訓練樣 區的選取，因此判釋的精確度相對較為穩定。但此 災損影像判釋應用的普及性也因此受限於操作人 員是否具有專業之訓練，且訓練樣區選取也受到地 貌的複雜性而有所不同。非監督式分類能單純利用 統計方法進行影像分類，所花費時間相對較短且操 作人員不需受過專業訓練，即可給定所需分類的集 群個數。
因此，本研究為發展能適用於災後即時航拍與 災損影像判釋之技術，將以非監督式影像分類為主 要發展方向。其中，非監督分類依據影像光譜數值 的單位類型，又可分為像元式之非監督分類與物件 導向式之非監督分類。像元式之非監督分類為傳統 的影像分類方法，利用集群分析進行影像光譜像元 之分類。一般而言，像元式之非監督式分類是先定 類別數，再由各類屬進行地物類別之歸類。物件式
影像分析(Object-based Image Analysis, OBIA)有別 於像元式分類法，不同於僅藉由光譜分布差異進行 分類，而是以影像物件為單位的分類方式，不僅可 以降低高解析度影像中異質區的椒鹽雜訊問題 (Blaschk, 2010)，還可考慮地物之間的空間關聯性，
以獲得空間特徵資訊，例如：紋理、形狀、大小……
等，協助僅有光譜資訊之影像得到更高的分類精度 (Blaschke et al., 2000)。接下來 2.4.1 與 2.4.2 小節，
將針對影像像元式非監督分類與物件導向式非監 督分類之原理與本研究影像分析之處理過程進行 介紹。
另一方面，針對高程分析，透過 UAV 航拍所 獲得的高重疊度與高地面解析度之影像，透過相鄰 影像之特徵點萃取，進行三維點雲產生與影像匹配，
並進一步透過密集三維點雲進行數值地表模型 DSM 之模擬(Remondino et al., 2011；Honkavaara et al., 2013)。因此，本研究透過 DSM 進行香蕉災損 傾倒之高程差異的判釋，嘗試區分未受侵害的直立 樹體與災損的傾倒樹體兩者間的高程差異，進行香 蕉園區災損程度之判釋。接下來 2.4.3 小節，將針 對應用專業影像處理軟體進行 DSM 模擬的原理與 過程進行介紹。
2.4.1 影像像元式之非監督分類
非監督分類法之原理是依據影像像元的自然 分佈特性，用聚集演算的方法聚集成類組，理論基 礎 為 性 質 相 同 的 個 體 具 有 聚 集 成 群 的 趨 勢 (Lillesand & Kiefer, 2000)。優點為單純利用統計方 法進行分類，有別於監督式分類中選取訓練樣區，
可減少訓練樣區之人工選取時間，同時對地表實際 類別不易遺漏；缺點為只能判釋分類數目，無法得 知分類類別，因此需要進行分類後之類別合併，以 使分類類別具有反應實際地物特性的意義。常使用 的方法為 K-means 聚集法、連續聚集法、反覆自我 組 織資 料分析 法 (Iterative Self-Organizing Data Analysis Techniques Algorithm, ISODATA)等，本研 究依據 ISODATA 進行影像非監督分類。
ISODATA 集群分類法是依據像元至各集群中 心平均值的光譜距離代表像元和集群特徵的相似
程度，當距離最小時表示像元與集群相似度最大。
開始計算時可任意給定數個集群中心，然後計算每 一像元至集群中心的光譜距離，若某像元至某集群 中心的距離最短，則歸於某集群，而後根據所分出 的集群重新計算每個集群中心的平均值，如此不停 迭 代 計 算 ， 直 到 滿 足 所 給 定 的 限 制 條 件 為 止 (Anderberg, 1973)。
本研究應用 ESRI ArcGIS Spatial Analyst 中之
「Iso Cluster Unsupervised Classification」工具進行 影像分類 (Li et al., 2008； Panda et al., 2009)。此 處所需要設定的參數包括分類組數(本研究設定為 10 組)、影像分類組中的最小像素(Minimum Class Size)(本研究設定為 20 pixels)與取樣間距(Sample Interval) (本研究設定為 10 pixels)等。其中，分類 組中最小像素設定的數值越小每一類組的分類結 果細緻，能將影像光譜值的變異清楚辨別，但需要 花費較高的運算時間，且容易因為高解析度影像而 產生椒鹽雜訊的問題。另外，取樣間距越大運算時 間越短，但有可能會遺漏影像原有的光譜資訊。
完成影像非監督分類後，需要進行類別間的合 併(merge)，以使合併後的類別皆能反應到單一目 標對象，以發揮非監督分類的快速運算，分類成果 也具有反映實際地物特性的意義。因此，本研究將 原本分類的組數從 10 組，合併為 4 組，以能充分 反映香蕉園區受損與未受損兩種情形，以及地表裸 土、草地與其他/低矮植被等物件特性，進而針對 香蕉災損情形進行災損面積比率判釋。
2.4.2 影像物件導向式之非監督分類
物件導向式影像分類技術主要分為兩個階段，
第一階段為影像分割(Image Segmentation)，將影像 中上具有同質性的相鄰像元，組合成影像物件，影 像會如同被分割成一個個的物件，常用的原理為多 尺度分割法(multiresolution segmentation)。此為一 種由下而上聚合的像元區域合併技術，依據鄰近像 元間組合的尺度、顏色與形狀等參數，逐漸合併直 到超過所設定的尺度為止。其中可以透過 k-means、
平均移動/均值位移(mean shift)、FSL(Full Lambda Schedule Segmentation)等方法，本研究使用平均移
動/均值位移進行影像分割。平均移動估算法認為 特徵相同的物件會集中在一起，因而在某區形成密 集度較高的一群，因此透過向量式無母數密度估算 法，採用迭代逼近的方式，將空間中特徵相同的鄰 近物件當作一群相同的群組(Cluster)，進行影像分 割和物件追蹤(Comaniciu & Meer, 2002)。第二階段 為影像分類，以影像分割後之物件作為分類基本單 元，針對各個物件的光譜反射值、紋理、顏色與形 狀進行分類演算。本研究同樣依據非監督分類法進 行物件分割結果之影像分類，詳細的操作步驟如前 2.4.1 所述。
影像分割與影像分類的操作介面主要依據 ESRI ArcGIS Spatial Analyst 中之 Segmentation and Classification 工具系列的「Segment Mean Shift」
進行影像分割(Frias-Martinez et al., 2012；ESRI, 2016)。此部分所需要設定的參數包括影像光譜差 異的重要率(Spectral Detail)、影像空間差異的重要 率(Spatial Detail)、影像分割物件中的最小像素 (Minimum Segment Size in Pixels)與光譜波段(Band Indexes)等。其中，透過影像光譜與空間差異的重 要率設定，能同時考量影像的單一像素光譜值與像 素間的空間相對關係。重要率的設定範圍為 1-20，
數值設定越高，影像分割的結果越細緻，區塊較多 且密集；相對的數值設定越高，影像分割的結果越 平順，區塊較大且空曠。此處設定光譜與空間差異 的重要率進行四個等級(16、17、18、19)的比較，
且光譜與空間兩者的重要性設為相同，因此由四個 等級的比較結果中，選擇成果較佳者進行影像分類 的處理。另外，影像分割物件中的最小像素設定為 100 ， 表 示 每 一 分 割 物 件 中 可 容 忍 像 元 異 值 性 (homogeneity criterion)的最高上限，此與影像本身 的解析度有關，當選擇的尺度門檻越高，所能容忍 的異值性則越高，產生的物件也就越大。
2.4.3 數值地表模型 DSM
在進行三維地形模擬，現階段研究多數集中在 特徵點萃取匹配、密集匹配(Dense Matching)及三 維重建等演算法修正精進(蕭震洋等，2015)。其中 特徵點萃取，目前較多人採用 Lowe (1999)所提出
之 尺 度 不 變 特 徵 轉 換 (Scale-Invariant Feature Transform, SIFT)演算法，該方法能容許一定程度的 幾何變形、尺度與亮度的差異，從不同位置與方向 拍攝之影像中萃取特徵值，進而完成共軛點匹配 (Lowe, 2004; 2006)。另外，密集匹配及三維重建，
以 Furukawa and Ponce (2010)建立 Patch-based Multi-view Stereo(PMVS)演算法最為普遍，該方法 能對影像進行像元式密集匹配，且濾除匹配精度與 可靠度較差的點，進而密集三維點雲至呈現整個環 境或目標觀測對象。
目前市面上電腦視覺三維模形重建的軟體種 類 多 樣 ， 如 VisualSFM 、 Agisoft Photoscan 、 Photosynth、EnsoMosaic、APS、Pix4D Mapper 等。
其中以 Pix4D Mapper 採用誤差 <1 個像元的 SIFT 演算法進行影像特徵點萃取及密集匹配(Jhan et al., 2011)，且使用精度較 PMVS 為佳的 DAISY 演算法 進行密集三維點雲重建(Strecha et al., 2003；Strecha et al., 2004；Tola et al., 2012)。因此本研究採用 Pix4D Mapper 專業影像處理軟體進行 UAV 影像特 徵點萃取匹配、自律光束法(Self-Calibration Bundle Adjustment)空中三角點平差、三維點雲產生等，並 進一步透過密集三維點雲產製數值地表模型 DSM 及正射影像等工作。
2.5 災損判釋成果評估
依據「農產業天然災害救助作業要點」(2017 年 7 月 3 日修正)，本研究區域之災損救助申請與 災損查核成果資料，由農糧署企劃組所彙整之統計 資料，以地籍為救助之土地面積單位，經地方農政 人員實地勘查認定災損率達 20%以上者，即符合災 損現金救助條件。此災損統計資料包含地號、作物 類別、申請之土地面積、申請救助之災損率、核定 之土地面積與勘查核定之災損率等。本研究將所申 請 的 災 損 統 計 資 料 套 疊 GIS(Geographic Information System)地籍圖層，透過地籍圖之地段 號為套疊索引(merge key)，使用 ArcGIS 空間分析 軟體進行圖層套疊，即可獲得 GIS 申請與核定之 災損率圖層。於研究區域內隨機選取 30 筆符合災 損現金救助條件的地籍資料，作為比較前述三種香
蕉傾倒災損判釋成果之基準，評估各別影像災損判 釋的能力與成效，並嘗試建立影像災損判釋率與災 損救助申請、災損查核成果間之關聯性，以發展具 有理論基礎與實務應用價值之災損影像判釋技 術。
3. 結果與討論
3.1 數值高程模型 DSM 與正射 影像
UAV 航拍影像 178 張，地面控制點 10 處，透 過 Pix4D Mapper 軟體，能自動抓取照片的 GPS 點 位(經、緯度)、高程與鏡頭拍攝的角度(pitch、roll、
raw)，進行影像定位與拼接(圖 3(a))，確認控制點 (key points)與自動匹配點(matching points)的正確 性，直接進行編修且完全控制匹配與率定的最終成 果。Pix4D Mapper 軟體平均從每張影像提取 91,592 個控制點、6,873 個匹配點 (圖 3(b))，平均空中三 角測量誤差 (Mean re-projection error) 為 0.15pixel，
透過其中的相機校正參數(R1, R2, R3)進行初始焦 距(20mm)與最適化焦距(20.33mm)之校正，兩者相 差<1mm 表示能成功進行鏡頭的畸變差校正、修正 影像扭曲的現象。
結果首先生成三維點雲與地表紋理(圖 3(c))，
最終產生 DSM(圖 3(d))與正射影像(圖 4)。正射影 像的地面解析度 4.88cm，DSM 的網格大小同樣為 4.88cm，其高程精度為 24.4cm(平面精度的 5 倍差 異)。由圖 3(a)呈現 UAV 航拍影像依據規律的航拍 路徑，獲得高度重疊的影像進行影像拼接。雖然所 獲 得 的 正 射 影 像 拼 接 誤 差 小 (RMS Error:
X:Y=5.7%:7.9%)(圖 3(c))，但是針對本研究對象香 蕉園的控制點與匹配點的生成密度卻十分低(圖 3(b))，點雲大多在明確可辨認的物件中生成，例如 道路、建物、田坵邊界等，此區域之平均點雲密度 約為 3,000-4,000 pts/ha。
因此，在較複雜不易辨認的香蕉園(或其他植 被作物區)內，點雲的密度相對較低(約為 100-500 pts/ha)。所以，雖然正射影像整體拼接成果佳，但 是在進行高程模擬時，針對點雲密度不足的區域，
容易產生較大的誤差與變異。另一方面，透過 ArcGIS 軟體進行正射影像套疊地面災損核定之地 籍圖層(圖 4)，該區域核定受災損率(嚴重度>20%) 超過 9 成，受害嚴重程度主要為 30-50%。透過 UAV 航拍所獲得的正射影像，能清楚觀測香蕉園區的位 置與相對的災損情形，直立健壯的香蕉樹體，其星 芒狀樹冠完整且呈現濃綠色；災損傾倒的香蕉樹體，
地表裸露、樹冠不規則傾倒且呈現淡綠色。本研究 隨機選取 30 筆香蕉園區(黃色區塊)，進行災損影 像傾倒判釋之比較與評估。
因此，UAV 航拍相機的解析度、飛行載具穩 定度、影像重疊度、拍攝區域地形條件、控制點布 設方式等，皆會影響航拍影像的精度與品質。本研 究透過無人飛行載具搭配消費型相機，以非量測型 相機進行拍攝，透過系統性穩定飛行，透過獲取高 度重疊影像，提高影像拼接的品質。雖然 Pix4D Mapper 軟體具有相機率定參數進行影像震動與搖 晃的校正，但影像品質的提高，仍需透過大型穩定 飛行載具與專業航拍相機的使用。另外，災後即時 的航拍影像，只透過簡易的黑白帆布與 Pix4D Mapper 中的輻射校正功能進行幅射改正，因此鑲
嵌拼接後的正射影像，其影像光譜資訊與座標位置，
其準確性皆須未來進一步改善。
3.2 災損影像傾倒判釋成果
利用高解析度無人空拍影像進行香蕉災損傾 倒的三種判釋成果如圖 5、6 與 7 所示，影像判釋 的基本原則為使用非監督分類，透過空間統計軟體 自動化判釋香蕉樹體的災損情形(圖 5、6)。影像災 損判釋之非監督分類成果透過像元式(圖 5)與物件 導向式(圖 6)呈現，影像的分類主要區分香蕉樹體 (Tree) 、 草 生 地 (Grass) 、 裸 露 地 (Ground) 、 土 壤 (Soil/Land)與其他(Others)。其中，香蕉樹體因星芒 狀樹冠的多層次與葉面、葉背不同的顏色，所以不 管是透過像元式分類或是物件導向式分類，都需要 透過兩個分類組別(Tree-1，Tree-2)來呈現香蕉樹體。
另外，數值高程模型 DSM 直接透過高度(m)的分 類，區分香蕉樹體之直立與傾倒的高度差異(圖 7)。
首先，影像像元式之非監督分類成果，依據影 像光譜特性進行高解析度之影像分類，能將香蕉星 芒狀葉片與週圍其他組成，加以精準區分(圖 5)。
圖 3 UAV 航拍影像拼接與點雲模擬成果 (a)航拍路線(航拍點位與影像之相對位置示意圖)、(b)匹配點分 布(具有地表紋理之顏色擷取)、(c)三維點雲與地表紋理影像、(d)DSM
圖 4 UAV 航拍正射影像套疊地面核定災損率之地籍圖 圖 5 影像像元式非監督分類之災損判釋成果
圖 6 影像物件導向式非監督分類之災損判釋成果 圖 7 數值高程模式 DSM 模擬
香蕉園區內若 Tree-1(綠色)與 Tree-2(藍色)的 組成比率高，則表示該園區的災損程度輕微；若 Grass(黃色)、Land(灰色)的組成比率高，則表示該 園區的災損程度嚴重。此分類成果對於香蕉傾倒情 形之判釋，具有良好的區分能力。
接著，影像物件導向式之非監督分類成果，同 時考量影像光譜、地表紋理與空間幾何性，透過光
譜差異與空間差異之四個等級(16、17、18、19)的 重要率比較(圖 8)，其中圖 8A-1、8A-2、8A-3 與 8A-4 為物件導向式分類之第一階段影像分割的成 果，以像元的方式呈現；圖 8B-1、8B-2、8B-3 與 8B-4 為物件導向式分類之第二階段，將像元式的 影像分割成果轉檔為物件區塊的形式；最後，圖 8C-1、8C-2、8C-3 與 8C-4 為物件導向式之分類成
果，由前一階段物件區塊式的影像分割成果進行非 監督分類(分類組數為 5 組)。結果顯示，重要率等 級越低，每一分割物件中可容忍像元異值性的尺度 門檻越高，物件內的異質性越高，產生的物件也越 大。當光譜與空間差異設定為 16 等級時，無法清 楚區分香蕉樹體的傾倒與直立情形(圖 8C-1)；當光 譜與空間差異設定為 17 等級時，香蕉樹體的傾倒 與直立情形之區分較前一等級為佳(圖 8C-2)；當光 譜與空間差異設定為 18 等級時，香蕉樹體的傾倒 與直立情形能清楚區分(圖 8C-3)；光譜與空間差異 設定為 19 等級時，香蕉樹體的傾倒與直立情形與 前一等級之差異不明顯(圖 8C-4)。因此，依據光譜 與空間差異之重要率設定為 18 等級且兩者重要性 相同，進行香蕉樹體災損之分類。
影像物件導向式之非監督分類成果(圖 6)，同 樣能清楚區分香蕉樹冠葉部、地表土壤、地面草本 等不同光譜組成與紋理特性，並以空間區塊的方式 呈現。不同於像元式分類以像素為分類單位，其雖 能清楚呈現香蕉傾倒判釋的分類成果，但受到高解 析度影像的影響，分類成果具有椒鹽雜訊的問題。
此時，物件導向式分類能克服此問題，讓所分類成 果具有完整的空間相關性，讓單一區塊能反映相對 均值的光譜與空間特性。
最後，數值地表模型 DSM 之模擬成果(圖 7)，
依據三維點雲進行 DSM 之計算。因本次航拍透過 Pix4D Mapper 所獲 得的 平均 點雲 密度 為 2,413 pts/ha，在香蕉園內的相對密度較低(約為 100-500 pts/ha)。所以模擬的 DSM 雖然在研究範圍的整體 呈現上，具有地表高程的相對代表性，但針對個別 香蕉園內的災損傾倒判釋，不具有效的區分能力。
Johansen et al. (2014)進行香蕉樹體的判釋，同 樣也利用高解析之空拍影像並透過影像物件導向 式的分類方法，評估香蕉樹體的健康情形。本研究 針對 UAV 航拍影像進行香蕉災損傾倒判釋，初步 透過影像監督分類(包括像元式與物件導向式)能 清楚區分香蕉園區內的傾倒情形，因此接下來將進 一步依據地面災損核定災損率，比較兩種影像災損 判釋技術之判釋能力，評估其判釋成果的正確性與 實用性。
圖 8 影像物件導向式分類-光譜差異(Spectral Detail)與空間差異(Spatial Detail)之四個等級(16、17、18、
19)的重要率比較(A：影像分割之像元式成果；B：影像分割之物件區塊式成果；C：物件導向式之 分類成果，圖例請參考圖 7；紅色區塊表示地號 EH343213010000 之範圍)
圖 9 UAV 航拍正射影像、影像災損判釋成果與 DSM 套疊地籍圖之六處取樣代表(圖例請參考圖 6、7、8；
UAV 正射影像各區域圖中左上角數據表示：申請救助之災損率/勘查核定之災損率；影像非監督分類 各區域圖中左上角數據表示影像判釋之災損率)
另一方面，雖然理論上香蕉傾倒情形可以透過 DSM 高程進行模擬，進而判釋災損傾倒程度。但 本研究所獲得之空拍影像，其影像重疊度與影像解 析度品質雖然不錯，但若需依此獲得複雜地貌(如 本研究對象—香蕉樹體)之三維點雲的生成，則需 要加強影像重疊度與影像解析度。建議影像的重疊 度能提高至 80%(同一航線前後影像)與 60%(相鄰 航線左右影像)，且影像的解析度至少能有 3,000 萬像素。
3.3 影像災損判釋成果評估
無人飛機航拍正射影像、影像災損判釋成果與 DSM 套疊地籍圖如圖 9 所示，此處選取六個地籍 區域為代表，來進行不同影像判釋技術之災損判釋 能力比較與評估。首先透過 UAV 正射影像可以直 接分辨出香蕉園區的整體災損傾倒情形與健康直 立的植栽，其中災損傾倒的區域地面裸露、樹冠呈 現不規則散落，整體色澤偏淺綠；而直立健壯的樹
體樹冠完整且濃密、植株排列整齊，整體色澤偏深 綠。因此，高解析度 UAV 正射影像能提供最直接 且清晰的香蕉園區災損情況，協助勘災人員掌握災 損範圍與災損程度。
接著透過影像非監督分類技術，產生像元式與 物件導向式之判釋結果，能夠將香蕉園內的直立植 栽與非直立植栽(包括地表土壤 Soil/Land、草生地 Grass/Ground、其他 Others)加以清楚分類，其中非 直立植栽的部分也包含傾倒的香蕉樹體。本研究透 過統計各地籍範圍內非直立植栽之像元數與區域 內之總像元數，即可得出災損率。若需估算災損面 積，則透過 GSD(4.88cm)進行加權，例如像元數為 3,150，則災損面積約為 7.5 m2 (= 3,150× 0.0488×
0.0488)。再者透過 DSM 進行香蕉園區內之樹體傾 倒程度之判釋，透過圖 9，DSM 針對香蕉園區內 之高程變異情形，無法有效反應災損傾倒之變異，
因此 DSM 之成果不進行影像災損判釋技術之評 估。
申請救助之災損率、勘查核定之災損率與影像 判釋之災損率，標示於圖 9 各地籍區域之不同影像 類型的左上角。基本上，影像像元式非監督分類之 災損率普遍小於(或等於)影像物件導向式非監督 分類之災損率，且兩者的災損率判釋十分相似。同
時，兩者所呈現的災損程度與分佈趨勢也十分相似，
但是因為物件導向式分類除了依據光譜特性外，同 時考量空間相對的幾何特性與紋理組成，所以分類 的單元呈現區塊狀的物件(多邊形)，因此物件組成 之面積相對較像元式分類的面積為大。
進行像元式與物件導向式之影像判釋災損率 分別與申請救助之災損率及勘查核定之災損率比 較，透過圖 10 可以發現，超過一半的取樣地籍區 域之申請/核定災損率與影像判釋之災損率呈現正 相關(十分接近圖中 1：1 的對角線)。此現象可透 過 圖 9 中 地 號 EH343213010000 與 地 號 EH343206240000 印證。但是，仍有部分的取樣地 籍區域之申請/核定災損率大於(或小於)影像判釋 之災損率，圖 10 中 1：1 對角線的左上方(申請/核 定災損率大於影像判釋之災損率)與右下方(申請/
核定災損率小於影像判釋之災損率)。例如圖 9 中 地號 EH340900610019 與地號 EH343204280000，
其取樣地籍區域之申請/核定災損率大於影像判釋 之 災 損 率 ； 而 地 號 EH343201880000 與 地 號 EH343206310000，其取樣地籍區域之申請/核定災 損率小於影像判釋之災損率。初探其可能之原因，
主要從下列兩方面來探討。一則為現地人為判釋的 誤差，二則為 UAV 航拍影像判釋的誤差。
圖 10 影像判釋災損率與申請救助、勘查核定之災損率比較 (圖中對角線為 1：1 之比例，表示影像判釋 之災損率與申請救助、勘查核定之災損率呈現性正相關。影像判釋之災損率<20%者，皆以 20%為 代表)
現地人為判釋誤差的產生，主要發生於所勘查 的地點與角度限制，無法像 UAV 航拍影像能針對 一整個地籍區域，從空中清楚且完整的呈現。因此 雖然在現地可以觀察到較精準的災損情形，但是對 於大範圍災損面積的掌握，尚需要 UAV 航拍影像 的協助。另外，UAV 航拍影像只能呈現從空中的 俯視角度，且判釋地面目標物的解析能力受到航拍 相機鏡頭、飛航穩定度與航高、地形複雜程度等影 響，通常只能觀測到樹冠層、未受遮蔽的林下組成 與地表環境。因此若災損情形較不嚴重或災損發生 於樹冠層之下，UAV 航拍影像則無法提供有效的 判釋成果。
若欲將影像非監督分類之災損判釋成果應用 在現地災損核定的作業機制中，災損率超過 20%
則符合災損救助條件。因此，分別將影像非監督分 類之像元式與物件導向式之災損判釋率比對現地 核定之災損率，以災損率達 20%為基準，透過圖 10 所呈現的 30 處地籍樣區為統計對象，其中影像 像元式非監督分類之災損判釋率為 86.7%(=26/30)，
而影像物件導向式非監督分類之災損判釋率更高 達 96.7%(=29/30)。其中發生誤判的情形主要發生 於影像災損判釋率<20%，但現地核定之災損率
>20%者，其可能誤判原因主要由人為判釋或 UAV 航拍影像所產生的誤差所致，詳細討論如前文所 述。
整 體 而 言 ， 現 地 核 定 之 災 損 率 大 致 介 於 25-60%之間，影像判釋之災損率範圍為<20%-90%，
因此，現地核定對於災損程度的區別沒有像影像災 損判釋般的敏銳(圖 10)。基本上，若影像判釋之災 損率>20%，現地之災損核定情形皆超過災損救助 的門檻。因此， UAV 航拍影像適用於災損嚴重度 較高且損害範圍較大的區域之判釋。另外，雖然物 件導向式(96.7%)較像元式(86.7%)之災損判釋率高，
但是兩者進行分析過程所依據的技術、人力與軟硬 體需求及耗費的時間皆不相同，前者的需求皆遠大 於後者。因此，為發展具有快速、簡易與高準確性 的作物災損判釋方法，提高所發展技術之應用性與 普及性，以適用於災後即時航拍影像之判釋作業，
影像像元式之非監督分類技術應較物件導向式之
分類技術適合行香蕉災後，大範圍且即時的災損判 釋與評估作業。
4. 結論
UAV 能進行大範圍、高解析度之影像拍攝、
快速且高效率地透過影像分析技術，建立災害範圍 內的區域影像圖，提供地方政府掌握災損地點、範 圍與嚴重程度，不僅能在災害發生後的黃金救援時 間，進行快速的災後應變；亦可協助應變決策者進 行資源規劃與災後救助的優先順序擬定。另外，
UAV 主要以低空飛行為主(100-300m)，即不受限於 雲遮影響，可快速取得相關影像資料，對於災後即 時監測具有絕佳的效益性。
本研究應用 UAV 航拍影像所獲得之高解析度 影像，透過影像非監督分類、影像分割與數值地表 模型，針對 2016 年 7 月份尼伯特颱風於高雄旗山 地區香蕉果園所造成之災損傾倒情形，進行災損影 像判釋技術之發展，並比較不同災損影像判釋分類 法對於香蕉災損傾倒比率之判釋能力。結果顯示，
UAV 航拍之校正與拼接後之正射影像成果佳，能 清楚觀測香蕉園區的位置、災損範圍與相對的災損 情形。但在進行 DSM 時，雖然在研究範圍的整體 呈現上，具有地表高程的相對代表性，但因香蕉園 區內所模擬生成的三維點雲密度不足，針對園內植 栽的災損傾倒判釋，不具有效的區分能力。
影像像元式與物件導向式之非監督分類成果 顯示，兩者皆能清楚區分香蕉樹冠葉部、地表土壤、
地面草本等不同光譜組成與紋理特性，以有效進行 香蕉園區內的傾倒判釋。其中，像元式分類以像素 為分類單位，雖能清楚呈現香蕉傾倒判釋的分類成 果，但受到高解析度影像的影響，分類成果具有椒 鹽雜訊的問題。物件導向式分類以空間區塊的方式 呈現，能克服此問題，讓分類成果具有完整的空間 相關性，且單一區塊能反映相對均值的光譜與空間 特性。另外，影像非監督分類之像元式與物件導向 式之災損判釋率比對現地核定之災損率，以災損率 達 20%為基準(透過 30 處地籍樣區為統計對象)，
前者之災損判釋率為 86.7%，後者為 96.7%。其中
發生誤判的情形主要發生於影像災損判釋率<20%
者。因此，本研究建議應用 UAV 航拍影像進行災 損嚴重度較高且損害範圍較大的區域之判釋，另針 對影像判釋之災損嚴重度較輕者(<20%)，再進行現 地災損核定作業，透過層次分工的概念，以加速災 損查核並減少人力需求。
本研究所應用的影像像元式與物件導向式之 非監督分類技術，對於香蕉傾倒災損都具有十分高 的判釋能力。雖然物件導向式(96.7%)較像元式 (86.7%)之災損判釋率高，但是前者所需要的人力、
技術與時間成本都相對較高。因此，針對災後即時 且大範圍香蕉園的勘災工作時，本研究推薦影像像 元式之非監督分類技術，透過快速、操作簡易且具 有一定可信度的 UAV 航拍影像判釋技術，提供災 後應變與勘災的空間輔助圖資，進行香蕉園災後大 範圍的災損判釋與評估作業。
因此，未來將持續透過 GIS 影像分析與影像 處理系統的開發，增加無人機航拍影像的光譜分類、
物件辨識與地面紋理分類的運算能力，以針對不同 作物進行災損影像判釋，產出農損面積估算與農損 嚴重度圖資，提供農損查報所需之空間輔助圖資，
協助地方人員進行勘災作業並加速災後復耕。另一 方面，UAV 的技術發展會越來越成熟，因此應用 在農業災害的監測及勘災上，將會越來越廣泛，且 UAV 的操作門檻與成本需求會越來越降低。同時，
UAV 航拍影像的分析與判釋能力，經過持續的研 究與努力，將會累積足夠程度的影像光譜資料庫，
以反應各種作物在不同生長期背景條件下，災後的 影響程度。更進一步， UAV 影像判釋成果將能協 助農業災損判釋與嚴重程度之標準制度的建立，以 健全農業保險體制。未來，UAV 在農業災損影像 之分析與判釋上，將以全面系統化為發展方向，以 立即掌握災後農損情形，提高政府與農民的應變效 率。
致謝
本 研 究 承 蒙 科 技 部 計 畫 (MOST 105-2628-M-009 -005 -MY3)支援得以順利完成，謹
此致謝。
參考文獻
行政院農委會動植物防疫檢疫局，2008。植物保護 圖鑑系列 18-香蕉保護，行政院農業委員會動 植 物 防 疫 檢 疫 局 出 版 品 ， 編 號 BAPHIQ 111-097-03-051。[Bureau of Animal and Plant Health Inspection and Quarantine, Council of Agriculture, Executive Yuan, 2008. Plant protection illustration hand books (No. 18) – Banana Protection, Bureau of Animal and Plant Health Inspection and Quarantine, Council of Agriculture, Executive Yuan press, number BAPHIQ 111-097-03-051.(in Chinese)]
沈盈琇、黃尹男、陳柏華，2015。無人飛行載具應 用於地震災害風險評估與災後應變之現況與 展望，中國土木水利工程學刊，27(3):247-254。
[Shen, Y.S., Huang, Y.N., and Chen, A., 2015.
Application of unmanned aerial vehicle on seismic risk assessment and emergency response, Journal of the Chinese Institute of Civil &
Hydraulic Engineering, 27(3):247-254.(in Chinese)]
高雄市政府農業局，2016。年度統計報表—高雄市 主要農產品生產概況，高雄市政府農業局。
[Agriculture Bureau of Kaohsiung City Government, 2016. 2016 Annual statistical report – Summary of dominant agricultural productions in Kaohsiung City, Agriculture Bureau of Kaohsiung City Government press.
(in Chinese)]
徐金煌、張國禎，2015。以 Pix4Dmapper 進行 UAV 影像之空間資料產製，中國土木水利工程學刊，
27(3):241-246。[Hsu, R., and Chang, K.C., 2015.
The use of innovative software Pix4Dmapper to optimize the process of generating spatial data from UAV's aerial images, Journal of the
Chinese Institute of Civil & Hydraulic Engineering, 27(3):241-246.(in Chinese)]
張崴、蕭宇伸、張榮傑，2017。UAV 航拍技術應 用於河道變遷土砂監測和山區地形製圖之可 行性分析，中華水土保持學報，48(1):1-13。
[Chang, W., Hsiao, Y.S., and Chang J.C., 2017.
Feasibility analyses of river sediment estimation and mountain mapping by UAV techniques, Journal of Chinese Soil and Water Conservation, 48(1): 1-13.(in Chinese)]
莊淑姿，1997。香蕉產業對鄉村大眾運輸業發展的 影響—以旗山地區為例，農業推廣學報，
13:83-116。[Chuang, S. Z., 1997. The study of banana industry and public transportation a case study of Chi-Shan Chen, Review of Agricultural Extension Science, 13:83-116.(in Chinese)]
莊淑姿，2011。香蕉產業與旗山經濟發展，高雄文 獻，1(2):28-61。[Chuang, S. Z., 2011. Banana Industry and economic development in Chishan County, Kaohsiung Histroiography, 1(2):28-61(in Chinese)]
雷祖強、李哲原、葉惠中、萬絢，2009。以區塊化 物件分類萃取 ADS-40 影像中水稻田坵塊資訊 之研究，航測及遙測學刊，14(2):127-140。[Lei, T.C., Li, C.Y., Yeh, H.C., and Wan, S., 2009.
The study on regional object classification for paddy rice patch extraction from ADS-40 image, Journal of Photogrammetry and Remote Sensing, 14(2):127-140.(in Chinese)]
趙治平、楊宏仁，2009。颱風天然災害後香蕉病害 的綜合管理，天然災害作物復育之病害管理研 討會專刊，行政院農業委員會農業試驗所出版。
[Chao, C.P., and Young, H.R., 2009. The integrated disease managements of Taiwan banana after typhoon–type nature disaster, Proceedings of Symposium on Plant Disease Management in Rehabilitation After Natural
Disasters, Taiwan Agricultural Research Institute, Council of Agriculture, Execute Yuan Press.(in Chinese)]
鄭雅文、史天元、蕭國鑫，2008。物件導向分類於 高解析度影像自動判釋，航測及遙測學刊，
13(4):273-284。[Cheng, Y.W., Shih, T.Y., and Hsiao, K.H., 2008. Object-oriented image classification with high spatial resolution satellite imagery, Journal of Photogrammetry and Remote Sensing, 13(4):273-284.(in Chinese)]
蕭宇伸、蘇柏軒、莊大賢、陳樹群，2014。2018 臺 中花博舉辦地環境地形先期調查：利用無人飛 行載具與空載光達技術，農林學報，63:55-64。
[Hsiao, Y.S., Su, B.H., Zhuang, D.X., and Chen, S.C., 2014. Preliminary investigation of environmental topography at 2018 Taichung flora exposition area by UAV and airborne LiDAR techniques, Journal of Agriculture and Forestry, 63:55-64.(in Chinese)]
蕭震洋、安軒霈、陳俊愷、饒見有、陳樹群，2015。
應用 UAV 量化台東金崙溪河川型態演變及 致 災 特 性 ， 中 國 土 木 水 利 工 程 學 刊 ， 27(3):213-222。[Hsiao, C.Y., An, H.P., Chen, C.K., Rau, J.Y., and Chen, S.C., 2015.
Application of UAV to quantify the river morphology evolution and hazard characteristics in Jinlun creek, Taitung, Journal of the Chinese Institute of Civil & Hydraulic Engineering, 27(3):213-222.(in Chinese)]
簡榮興、黃全謚、曹鼎志，2017。莫拉克颱風對高 雄六龜紅水仙溪之土石流災害分析，中興工程，
134:74-83。[Chien, J.S., Huang, C.Y., and Tsao, T.C., 2017. Analysis of debris-flow disaster By the impact of Typhoon Morakot in Hongshueisian Region, Liugui Township, Kaohsiung City, Sinotech Engineering,
134:74-83.(in Chinese)]
Anderberg, M.R., 1973. Cluster Analysis for Applications, Academic Press, New York, NY.
Arbiol, R., Zhang, Y., and Pala, V., 2006. Advanced classification techniques: a review, ISPRS Commission VII Mid-term Symposium, From Pixel to Processes, Enschede, Netherlands.
Blaschke, T., S., Lang, E., Lorup, J. S., and Zeil, P., 2000. Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications, In Cremers, A., and Greve, K.(Eds.), Environmental Information for Planning, Politics and the Public, Metropolis Verlag, Marburg, pp, 555-570.
Blaschke, T., 2010. Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, 65(1):2-16.
Comaniciu, D., and Meer, P., 2002. Mean shift: A robust approach toward feature space analysis, IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(5): 603-619.
Eisenbeiss, H., 2006. Applications of photogrammetric processing using an autonomous model helicopter, ISPRS Commission I Symposium, Paris, France, July, In: International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, XXXVI(1/B).
Ezequiel, C.A.F., Cua, M., Libatique, N.C., Tangonan, G.L., Alampay, R., Labuguen, R.T., Favila, C.M., Honrado, J.L.E., Canos, V., Devaney, C., Loreto, A.B., Bacusmo, J., and Palma, B., 2014. UAV aerial imaging applications for post-disaster assessment,
environmental management and infrastructure development, 2014 International Conference on Unmanned Aircraft Systems (ICUAS), Orlando, FL, 2014 pp, 274-283.
ESRI (Environmental System Research Institute), 2016. Understanding Segmentation and Classification, ArcMap 10.3 Spatial Analyst Tool Support, Available at:
http://desktop.arcgis.com/en/arcmap/10.3/tools/
spatial-analyst-toolbox/understanding-segmentat ion-and-classification.htm, Accessed February 20, 2017.
Frias-Martinez, V., Soto, H.H., and Frias-Martinez, E., 2012. Characterizing urban landscapes using geolocated tweets, 2012 International Conference on Privacy, Security, Risk and Trust and 2012 International Conference on Social Computing, Amsterdam, pp, 239-248.
Furukawa, Y., and Ponce, J., 2010. Accurate, dense and robust multiview stereopsis, IEEE Transactions on Pattern Analysis and Machine Intelligence, 32(8): 1362-1376.
Gago, J., Douthe, C., Coopman, R.E., Gallego, P.P., Carbo, M.R., Flexas, J., Escalona, J., and Medrano, H., 2015. UAVs challenge to assess water stress for sustainable agriculture, Agricultural Water Management, 153(1): 9-19.
Garcia-Ruiz, F., Sankaran, S., Maja, J.M., Lee, W.S., Rasmussen, J., and Ehsani, R., 2013.
Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees, Computers and Electronics in Agriculture, 91:106-115.
Gibbes, G., Adhikari, S., Rostant, L., Southworth, J., and Qiu, Y., 2010. Application of object based classification and high resolution satellite imagery for savanna ecosystem analysis,
Remote Sensing, 2: 2748-2772.
Gonzalez, R.C., and Woods, R.E., 2008. Digital Image Processing, Prentice Hall, Upper Saddle River, New Jersey.
Herwitz, S.R., Johnson, L.F., Dunagan, S.E., Sullivan, D.V., Zheng, J., Lobitz, B.M., Leung, J.G., Gallmeyer, B.A., Aoyagi, M., Slye, R.E., and Brass, J., 2004. Imagine from an unmanned aerial vehicles: agricultural surveillance and decision support, Computers and Electronics in Agriculture, 44(1): 49-61.
Honkavaara, E., Saari, H., Kaivosoja, J., Pölönen, I., Hakala, T., Litkey, P., Mäkynen, J., and Pesonen, J., 2013. Processing and assessment of spectrometric, stereoscopic imagery collected using a lightweight UAV spectral camera for precision agriculture, Remote Sensing, 5(10):
5006-5039.
Jhan, J.P., Rau, J.Y., Lin, C.C., and Shao, Y.C., 2011.
Automatic tie-point matching for semi-automatic photo-triangulation, The 30th Conference on Surveying and Geomatics, Taichung City, Taiwan.
Johansen, K., Sohlbach, M., Sullian, B., Stringer, S., Peasley, D., and Phinn, S., 2014. Mapping banana plants from high spatial resolution orthophotos to facilitate plant health assessment, Remote Sensing, 6(9): 8261-8286.
Jensen, J.R., 2006. Introductory Digital Image Processing, Pearson Education, Upper Saddle River, United States.
Li, Y., Onasch, C.M., and Guo, Y., 2008. GIS-based detection of grain boundaries, Journal of Structural Geology, 30(4):431-443.
Lillesand, T.M., and Kiefer, R.W., 2000. Remote Sensing and Image Interpretation, John Wiley
and Sons Press, New York.
Lowe, D.G., 1999. Object recognition from local scale invariant features, International Conference on Computer Vision, Corfu, Greece, pp, 1150-1157.
Lowe, D.G., 2004. Distinctive image features from scale invariant key points, International Journal of Computer Vision, 60(2): 91-110.
Lowe, D.G., 2006. Automatic panoramic image stitching using invariant features, International Journal of Computer Vision, 74(1):59-73.
Näsi, R., Honkavaara, E., Lyytikäinen-Saarenmaa, P., Blomqvist, M., Litkey, P., Hakala, T., Viljanen, N., Kantola, T., Tanhuanpää, T., and Holopainen, M., 2015. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level, Remote Sensing, 7(11): 15467-15493.
Ollero, A., Martinez-de-Dios, J.R., and Merino, L., 2006. Unmanned aerial vehicles as tools for forest-fire fighting, Forest Ecology and Management, 234S: S263.
Ortiz, S.M, Breidenbach, J., and Kändler, G., 2013.
Early detection of bark beetle green attach using TerraSAR-X and RapidEye data, Remote Sensing, 5:1912-1931.
Panda, S.S., Hoogenboom, G., and Paz, J., 2009.
Distinguishing blueberry bushes from mixed vegetation land use using high resolution satellite imagery and geospatial techniques, Computers and Electronics in Agriculture, 67:51-58.
Puig, E., Gonzalez, F., Hamilton, G., and Grundy, P., 2015. Assessment of crop insect damage using unmanned aerial systems: a machine learning approach, 21st International Congress on
Modelling and Simulation (MODSIM2015), Gold Coast, Qld, Australia.
Remondino, F., Barazzetti, L., Nex, F., Scaioni, M., and Sarazzi, D., 2011. UAV photogrammetry for mapping and 3D modeling –current status and future perspectives, International Archives of the Photogrammetry in Remoto Sensing and Spatial Information Sciences, XXXVIII-1/C22: 25-31, Zurich, Switzerland.
Strecha, C., Tuytelaars, T., and Gool, L.V., 2003.
Dense matching of multiple wide-baseline views, Proceedings of 9th IEEE International Conference on Computer Vision, 2: 1194-1201, , France.
Strecha, C., Fransens R., and Gool, L.V., 2004.
Wide-baseline stereo from multiple views: A probabilistic account, Proceedings of the 2004
IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Washington, DC.
Suárez, J.C., Ontiveros, C., Smith, S., and Snape, S., 2005. Use of airborne LiDAR and aerial photography in the estimation of individual tree heights in forestry, Computers & Geosciences, 31(2):253-262.
Tola, E., Strecha, C., and Fua, P., 2012. Efficient large-scale multi-view stereo for ultra high-resolution image sets, Machine Vision and Applications, 23(5): 903-920.
Yang, M.D., Huang, K.S., Kuo, Y.H., Tsai, H.P., and Lin, L.M., 2017. Spatial and spectral hybrid image classification for rice lodging assessment through UAV imagery, Remote Sensing, 9(6):583-602.
1 Postdoctoral Research Fellow, Taiwan Agricultural Research Institute, Received Date: Mar. 05, 2018 Council of Agriculture, Execute Yuan Revised Date: Apr. 09, 2018
2 Research Assistant, Taiwan Agricultural Research Institute, Accepted Date: Apr. 24, 2018 Council of Agriculture, Execute Yuan
3 Researcher, Taiwan Agricultural Research Institute, Council of Agriculture, Execute Yuan
* Corresponding Author, Tel: 886-4-22317407, E-mail: chiling@tari.gov.tw
Application of Unmanned Aerial Vehicle (UAV) Photography on Agricultural Post-disaster investigation – A Case Study on Image
Interpretation of Banana Plantation Damages by Disasters
Chiao-Ying Chou
1Shi-Yang Wu
2Chi-Ling Chen
3*Abstract
In order to improve the reconnaissance, rescue processes and rehabilitation, the characteristics of unmanned aerial vehicles (UAV), including quickly recording, mobility, and high-spatial-resolution images, can provide maps on assisting the agricultural post-disaster investigation. In this study, geographic information system, image unsupervised classification, image segmentation, and digital surface model (DSM) are applied with UAV high-spatial-resolution images. The objectives of this study are to develop image interpretation techniques on banana plantation damages by typhoon disasters and to evaluate the abilities of agricultural damage interpretations among different techniques. As results, the damage region and the situation of banana plantations can be delineated by UAV orthophotos. However, DSM cannot discriminate the degrees of wind-thrown in plantations. In addition, comparing the interpretation damage rates of pixel-based and of object-oriented image unsupervised classifications, with ground-based official approves (according to 30 samples of cadastral applications with the baseline of 20% of damage rate), the damage rate of pixel-based image interpretation is 86.7% and the damage rate of object-oriented image interpretation is 96.7%. Both image interpretations can discriminate the banana plantation damages effectively. Although the latter performs better than the former, it demands higher on techniques, labor forces, and time consuming. Therefore, we suggest adopting the pixel-based unsupervised image classification to provide the maps on assisting in post-disaster operation and investigation for wide-region banana plantations.
