Volume 23, No.4, 2018, pp. 245-256 DOI：10.6574/JPRS.201812_23(4).0002
1逢甲大學土地管理學系 副教授 收到日期：民國 107 年 7 月 17 日
2逢甲大學土地管理學系 研究助理 修改日期：民國 107 年 8 月 14 日
3逢甲大學土地管理學系 研究助理 接受日期：民國 107 年 11 月 2 日
* 通訊作者, E-mail: rylee@fcu.edu.tw
應用 UAV 影像於山坡地作物判釋之探討
李瑞陽
1*歐鐙元
2徐嘉徽
3摘要
本研究探討 UAV (Unmanned Aerial Vehicle) 於臺灣山區作物分類時，可帶來效益及面臨的問題。首 先利用無人機(UAV)取得臺中太平區的正射鑲嵌影像，接著運用 eCognition 軟體中的多尺度分割功能對影 像進行物件分割，然後判釋分割區塊內之作物。因研究區內的「龍眼荔枝」類別與樹林難以有效區分，無 法自動化分類，因此本研究針對分割後之影像區塊進行人工判釋，正確率分別在「龍眼荔枝」為 88.2%、
「樹林」為 96.5%、「苗圃」為 96.8%、及「其他」為 99.7%。最後本研究提出透過不同時期影像，以龍眼 與荔枝不同的花期進行區分，以及利用影像分割區塊進行地真資料蒐集的效率等建議，供後續相關研究 參考。
關鍵詞：無人飛行載具、多尺度分割、物件導向
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 值地形模型與拼接影像，該研究提供一種成本較低 且自動化的系統，可以製作較精準的數值地形模型 與影像，使精度最高達 1 ~ 1.5 cm。而在水文研究 裡，Lejot et al. (2007)則應用 UAV 進行河流地形監 測，結果顯示 UAV 可以為河床測深和河岸地形提 供高空間解析度的資料，可有效應用於河流監測。
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 Maximization)、K- means 演 算 法 (K-means Algorithm) 及 空 間 分 類 (Spatial Classification)的分層集群方式，對作物和 樹種進行分類，結果顯示在非監督分類上，分層集 群方式比單獨使用最大期望演算法和 K-means 演 算法這些非監督分類方式更為優異。
近年更因智慧農業的發展，使 UAV 應用於農 業上的研究更為積極，有 Peña et al. (2015)在西班 牙南部科爾多瓦的向日葵田，以 UAV 進行向日葵 生長早期的雜草判釋，研究結果認為 UAV 可以為 特定地點的雜草管理作業帶來幫助，但建議在執行 前需決定使用的鏡頭類型以及最佳飛行高度。而 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 和產量之間的關係，結果顯示 UAV 的多光譜影像 為作物監測開闢了新的可能性。
在國內的研究中，黃建彰(2015)利用高解析度 之 UAV 彩色影像，採用灰階共生矩陣紋理分析方 法，並加上 RGB 光譜進行判釋，以達到有效的分 類相似作物高階梨及柑橘。另外國內政府機關也將 UAV 應用於農業勘災技術上，周巧盈等(2018)針對 天然災害造成的農損，加速災害判釋與救助流程，
協助農友儘快復耕，例如於山坡地之影像，透過非 監督分類之物件導向方式，有效的將香蕉災損範圍 區劃出來。上述研究皆是針對一兩個類別進行判釋，
國內目前仍較少大範圍且多種類之農作物種植面 積調查之研究，因此本研究將利用 UAV 影像，進 行大範圍之農作物種植面積判釋。
另外，許多研究認為，在較多樣的土地覆蓋類 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 幫助分類，本研究也將採用 OBIA 方式來幫助影像 的分類。
目前臺灣的農作物種植面積調查，主要是以人 工進行調查。因過去遙測影像的解析度不足，導致 影像判釋上無法細分作物類別，採用人工調查則可 細分作物類別，但人工調查的方式耗費時間成本高，
特別在山區中，因地形起伏或受限於道路等因素使 調查時間更長，且對於山坡地有許多調查人員難以 到達之地，造成調查困難或視線受阻的情形，使山 坡地之農作物種植面積調查準確度受人質疑。因而 本研究選擇位於臺中市太平區之山坡地作為研究 範圍，以此探討 UAV 於臺灣山坡地農業調查之效 益。因為臺中市太平區內有許多山坡地種植果樹，
且地形起伏明顯，上述山坡地之人工調查所面臨之 問題皆在此處出現，適合作為山坡地農業調查的研 究區。
臺中市太平研究區域內最主要的兩種作物為
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 產生所需之影像區塊圖。
在 eCognition 的多尺度分割中，相同的分割參 數在不同地物上會有不同的異質性，因此每次放入 新的影像進行分割時，都需要再重新尋找最適合的 參數設定，在分割完成後，需利用地真資料進行檢 核，以確保影像分割後之區塊內物種單純，並且不 會太過零碎，本研究以手動方式調整參數來尋找最 適參數，透過 UAV 影像與地真資料進行檢核，在 區塊內物種單純的情況下使區塊最大化，最終於影 像分割上的最適參數設定如下：
(1) Image Layer Weights：使用原始預設值，各波段 權重為 1。
(2) Scale Parameter：設定為 500。
(3) Shape：設定為 0.1。
(4) Compactness：使用原始預設值，設定為 0.5。
本研究的參數設定值除 Scale Parameter 外，其 餘皆和 Park & Park (2015)對於作物分類的研究上，
所使用 eCognition 的多尺度分割參數是相同的，在 這些參數設定下所分割出的影像區塊圖，最適合本 研究區進行分類。該文獻研究區域位於韓國全羅北 道，面積 2.1 km2，影像解析度 8 cm，與本研究同 樣為農業區域，且皆使用 UAV 影像進行多種作物 之分類，但作物類別完全不同，主要為草地、人參、
稻、蘿蔔及大白菜，可能因同樣為地貌較為單純之 農業區，對於多種作物分類而言，光譜、形狀等資 訊所需考量程度相似，而該文獻與本研究所使用之 影像空間解析度不同，使 Scale 參數設定值產生差 異，未來於農業判釋上，可以此參數為基準進行參 數調整，提高找尋最適參數之效率。
讓各單一分割區塊內，在異質性很低的情況下 使區塊最大化，所描繪的類別比使用地籍坵塊圖更 為精細，但又不會太過瑣碎。如果使用的是原本的 地籍坵塊圖為判釋物件時，遇到一坵塊有兩種以上 的作物時，則需要進行切割，但遇到有多種不同的 作物混雜種植在一起時，切割工作就會相當繁複，
因此使用 OBIA 可以提高判釋的效率與正確率。
2.6 影像分類
本 研 究 透 過 eCognition 的 多 尺 度 分 割 (Multiresolution Segmentation)對 UAV 影像進行影 像分割，產生物件化的影像區塊圖後再進行影像分 類。研究初期曾嘗試採用以監督與非監督等自動化 分類方式進行影像判釋，但因研究區域中的「龍眼 荔枝」與樹林的光譜值相近，且龍眼和荔枝在種植 時並無特定紋理，縱使利用紋理資訊亦無法使「龍 眼荔枝」與樹林有效區分，基於上述原因導致自動 化分類判釋困難且正確率低，因此本研究最終以影 像分割後之影像區塊進行人工判釋，由研究人員依 據「荔枝龍眼」較易分辨之球狀外觀，使其與樹林 進行區別，本研究之判釋人員首先針對各類別顏色、
種植紋理、作物樣態進行認識，而後進行人工判釋，
判釋完成後再以地真資料進行正確率評估，透過分 類誤差矩陣分析各作物間混淆情形。
3. 結果與討論
3.1 分類成果
本研究以作物分類為主，因此除「龍眼荔枝」
等 4 個植生類別外，對於建物、道路或水體等其餘 非植生之土地，並不在本研究的成果分析中討論。
本研究分類成果如圖 7 所示，可以發現全區皆有樹 林覆蓋，佔全區 64.9%，分散其中的主要作物「龍 眼荔枝」佔全區 24%，無論是較易到達的道路旁或 由道路旁延伸上去的山坡地皆有種植，而苗圃和其 他類別僅佔 1.5%，主要分布於道路旁，非植生土 地則佔 9.6%，大部分為影像北方空白處的高爾夫 球場，分類誤差矩陣如表 1 所示。
本研究以人工判釋完成之分類成果與地真資
料進行正確率評估後，整體精度達 97%，而 Kappa 係數有 0.92，顯示分類成效良好，但仍有部分作物 之間產生混淆，接下來透過分類誤差矩陣分析各作 物分類結果。
分類誤差矩陣顯示，「龍眼荔枝」生產者精度 為 99%，使用者精度是本研究中最低的 88.2%，「龍 眼荔枝」與樹林較易混淆，對於「龍眼荔枝」而言，
光譜值與樹林相似，易與樹林混淆，特別是種植於 樹林旁且樹冠與樹林接壤時，更是難以區分。而樹 林的生產者精度是 96.5%，使用者精度為 99.7%，
說明樹林類別的分類精度很高，因為在地真資料中，
樹林所占面積高達整體地真資料約 75%，因此同樣 數量的誤判或漏判，對精度的影響程度遠低於其餘 3 個類別。
而「苗圃」是地真資料的面積為 4 個類別中最 小，因種植紋理明顯，該類別之生產者精度高達 100%，使用者精度則為 96.7%。最後是「其他」類 別，因香蕉、檳榔及火龍果等作物型態與其他類別 有明顯差異，該類別生產者精度是 99.8%，使用者 精度為 99.7%。
圖 7 分類成果
表 1 分類誤差矩陣 (單位：m2 ) 地真資料
龍眼荔枝 樹林 苗圃 其他 總和 使用者精度
分 類 資 料
龍眼荔枝 102,982 13,722 0 9 116,713 88.2%
樹林 1,013 375,118 0 0 376,131 99.7%
苗圃 24 12 1,068 0 1,104 96.7%
其他 1 9 0 3,739 3,749 99.7%
總和 104,020 388,861 1,068 3,748 497,697
生產者精度 99% 96.5% 100% 99.8% 總體精度 97%
3.2 成果分析
本研究整體精度達 97%，判釋成效良好，顯示 UAV 對輔助農業種植面積調查擁有優勢，本研究 將透過研究區的 UAV 影像、地真資料和分類成果 的套疊，進一步探討研究成果。
前言提到臺灣山坡地的果樹間常有混種的情 況，導致個別果樹種植面積計算的困難，特別是分 布於全臺山坡地的檳榔與香蕉，較常出現與別的作 物混種的情形，本研究區內也有相同的情況，如圖 8 中，香蕉、檳榔與龍眼三種作物混種在同一個坵 塊，且是分散式的混種，無明確界線，難以詳細記 錄個別作物空間分布，顯示以地籍坵塊為基礎所進 行的地面調查，難以確實紀載混種作物間的空間分 布，如圖 9 為同一地籍內的多種作物，左上白圈內 是龍眼(A)，左下白圈內為香蕉(B)，而右方白圈內 則為檳榔(C)，僅能以文字記述該坵塊內有哪幾種 作物，無法準確計算種植面積，對採用人力所進行 之作物面積調查帶來困難。
圖 8 龍眼、香蕉及檳榔混種之現場照片
圖 9 龍眼(A)、香蕉(B)及檳榔(C)混種之 UAV 影 像
此外，透過空拍角度，可於套疊後發現研究區 的地籍坵塊與實際現況差異甚大，研究區內有許多 調查人員難以到達之地。本研究的地真資料是以地 籍坵塊圖為基礎進行製作，於整個坵塊鄰近道路之 側，調查種植之作物，並依此紀錄為該坵塊之類別，
若此坵塊延伸至調查人員無法調查之地，種植與該 坵塊鄰近道路之側不同之作物，則僅能記錄所見之 類別。且在野外調查時，若利用 GIS 軟體現場進行 坵塊圖切割，則會耗費時間，使得外業調查產生更 多成本。例如圖 10 所示，在白線左邊是靠近道路 的龍眼或荔枝，白線右邊則是樹林，兩個類別都在 同一個地籍坵塊內，但現場調查時從道路旁僅能觀 察到龍眼或荔枝的部分，但空拍影像則可正確調查 遠離道路之現況，因此於外業調查前若能先取得以 UAV 影像所進行影像分割後之影像區塊圖，可以 降低外業調查之成本，且更為準確，此為 UAV 應 用於山坡地農業調查之優勢。
圖 10 不同作物類別之示意圖
而隨著影像的空間解析度提高，地表事物越來 越精細，也會造成分類上的問題。譬如對於農業分 類而言，在作物與作物間的空隙雖然可以拿來進行 紋理計算，並增加分類時可用的資訊，但在影像分 割中，這些空隙若無植生覆蓋則會和作物分割開，
成為另一個影像區塊，如圖 11 中的白線所示，將 分類成果複雜化，這些作物間的空隙可能會被判釋 成裸露地，增加自動化判釋之計算量，就如同 Lu
& He (2017)所說，過高的空間解析度也會對物種分 類帶來挑戰(例如過度詳細的資訊)，因此在利用
UAV 影像資料時，要注意此過多資訊所衍生的複 雜化現象。但未來應用於作物種植面積調查時，則 可將地籍坵塊內之裸露地面積排除後，獲得更加真 實之種植面積，提高作物面積調查與產量預測之準 確率。
圖 11 作物間裸露地之分割區塊：白線範圍內為 裸露地
3.3 UAV 使用上之限制
本研究在使用 UAV 影像輔助臺灣山坡地的作 物進行分類的過程中發現，由於航空法之規範，執 行空拍作業需向民用航空局申請使用空域，且申請 作業需耗時 15 天，且每次申請時間最長只能 3 個 月，於 3 個月後需重新申請，因此相關研究應注意 空域申請的時效限制。另外值得注意的是，於 2018 年 4 月 3 日中華民國立法院三讀通過的民航法修 正法案，未來將管制無人機之使用，規定操作無人 機飛行之人員須持有民航局所核發之證照，且無人 機需於民航局登記註冊，始得執行空拍任務，除此 之外，雨天、風速過高等天候均會影響空拍作業的 執行，因此對於作業執行當日的氣象掌握為必要之 務，應於執行前確認天候狀態再規劃執行。
另外，如前言所述，在臺灣因土地狹小，在作 物種植上常會採用較經濟的做法，因而有高低分層 種植的方式出現，對於分層種植的坵塊，上方作物 會遮擋下方作物，使下方作物外型不明顯，也會使 下方作物之種植紋理難以觀察，導致判釋困難，在 研究區中，大多為檳榔與其他作物分層種植，如圖
12(a)的現場照片中，較高的檳榔與較矮的荔枝分層 種植，現場難以詳細記錄空間分布，因為檳榔的樹 冠層特別高，不會影響其他作物的生長，但在 UAV 影像中，檳榔葉會遮住下方作物，使種植下方的龍 眼及荔枝的外觀特徵不明顯，如圖 12(b)的 UAV 影 像中，較高的檳榔與較矮的荔枝分層種植，白實線 內為檳榔葉，會遮住下方的荔枝，使荔枝的球狀外 觀難以觀察，如白虛線內的荔枝，進而影響作物判 釋的準確性，對於此部份本研究仍未提供較佳之改 善方式，期望後續研究能對此進行改善。
(a) 現場照片 (b) UAV 影像 圖 12 分層種植示意圖
4. 結論與建議
本研究以位於太平區山坡地的研究區 UAV 影 像，透過 eCognition 的影像分割後進行作物分類，
研究結果證明，利用 UAV 輔助臺灣山坡地的作物 分類，因臺灣特殊的作物種植方式，仍有其限制。
但 UAV 所帶來的超高空間解析度影像能使得部分 作物較容易區分，而配合 eCognition 的影像分割後，
可以減緩超高空間解析度所帶來的資訊過多及鹽 椒效應，因此，UAV 在輔助臺灣山坡地的作物調 查上雖仍有許多限制，但可配合改善方式提高優勢。
但在分類過程中，龍眼和荔枝在空間解析度已 達 6.11 cm 的 UAV 影像上，仍無法有效的對兩個 品種進行區分，導致本研究將龍眼和荔枝兩者合併 為同一個類別，但仍沒有解決兩個作物無法區分之 問題，而研究人員與農民訪談完後發現，龍眼和荔 枝之花期不同，荔枝花期較早，約於 2 至 3 月開 花，而龍眼花期較晚，約於 4 至 5 月開花，兩者皆 花開於樹冠頂，使樹冠呈現白斑，可於一個作物有 開花而另一個作物未開花之時間點進行空拍，利用
UAV 影像中利用光譜進行區分。因此未來對於此 兩種作物或其他影像中難以區分之作物，可透過其 生長特性以多時期之影像進行區分。
另外本研究發現，因臺灣山坡地之地籍坵塊圖 與現況差異甚大，且混種情形使得空間分布無法有 效記錄，對於以地籍坵塊圖為基礎進行地真資料的 蒐集增加許多困難與成本，因此本研究建議，未來 在臺灣山坡地進行作物分類時，地真資料有兩種較 佳的方式：
(1) 使用樣本點方式記錄：這種方法應於空拍作業 前後執行，且不能與空拍作業時間相隔太遠，
以免地表覆蓋物產生變化。所謂的樣本點方式 是指在現地調查時，對於所觀察之類別以看到 時的 GPS 座標作為樣本點紀錄，這種方式可以 解決遠離道路的部分因與道路旁種植種類不同 而產生記錄錯誤的問題。值得注意的是，由於 作物的樣態繁多，並不合適採用會因母體變異 性大而使準確度降低的「簡單隨機抽樣」，建議 在作物種類熟悉的地區，使用「分層隨機抽樣」， 將各個作物類別作為不同的層，對各層分別進 行抽樣，此方法使樣本與母體間差異較小，也 使數量較少的作物類別能被有效抽樣，但若於 作物種類不熟悉之地區，則無法使用「分層隨 機抽樣」，建議可透過「系統抽樣」，此種方法 適合用於母體數量過多或母體數量無法確定時，
在外業調查上可以每相隔一段固定距離，或每 相隔幾個坵塊來進行抽樣，另外若於山區有許 多人員難以到達之地，則可沿道路以相隔固定 距離或固定坵塊來進行抽樣，但要注意應避免 抽取的作物種類過於一致，才能達到有效的抽 樣。而在抽樣數量上，可以研究區域內坵塊數 量作為母體數量，來推估所需之抽樣數量。
(2) 使用分割區塊圖記錄：這個方式須於空拍作業 完成後，迅速將拼接後之 UAV 影像透過影像分 割獲得分割區塊圖，並於短期內以分割區塊圖 為基礎並以 UAV 影像輔助來進行現場調查，將 所觀察之類別記錄於分割區塊圖，這種方式可 以得知遠離道路的部分是否與道路旁為同一個 類別。
上述兩種方式可以讓地真資料的蒐集更為順 利，但使用樣本點的缺點是可能會使樣本數量降低，
若要提高樣本數則會花更多的外調時間，而使用區 塊圖的缺點是必須等待拼接影像用影像分割完成 後，才能進行外調作業，建議後續相關研究自行評 估所需來進行選擇。
對於 UAV 於山坡地的農業調查應用上，相比 傳統人工調查或衛星影像各有優劣，UAV 可以到 達一般人員難以到達之地進行調查，且機動性高，
可以即時性的前往目標區蒐集資料，另外透過掛載 相機的不同，可依據所需調整蒐集資料之設備，於 雲層過多時仍然可以拍攝到可用之影像(多光譜相 機需於晴朗無雲時才可獲得品質良好之影像)，重 要的是能獲得超高空間解析度之影像。但 UAV 仍 有許多使用限制，例如空域申請的時效限制，天候 因素的限制、某些相似作物之間難以區分等問題，
除了分層種植的問題外，其餘限制於本研究中皆有 提出解決方法，而分層種植這個問題可延伸為上方 被東西遮擋之目標，這個問題現階段並無較佳之解 決方法，期望未來能發展解決該問題的技術，增加 未來應用 UAV 於農業調查上之優勢。
總體而言，UAV 於山坡地農業調查中仍有許 多限制，對於詳細的農業調查作業，可以 UAV 配 合人工調查之方式，達到較佳的成效，首先以 UAV 空拍影像進行判釋，完成後對難以判釋之的派遣人 力前往現地調查，最終完成詳細並準確的調查成果，
此方法可以透過 UAV 影像來節省人工調查的時間 成本與調查人力難以到達之地，同時藉由人工調查 解決部分 UAV 無法解決之困難，以互補方式達成 較佳之山坡地農業調查。
致謝
本研究承蒙行政院農業委員會農糧署農糧管 理計畫(106 農糧-1.4-企-01)支援得以順利完成，謹 此致謝。
參考文獻
周巧盈、巫思揚、陳琦玲，2018。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，航測及遙測學刊，23(2)：83-101。
[Chou, C.Y., Wu, S.Y., and Chen, C. L., 2018.
Application of unmanned aerial vehicle (UAV) photography on agricultural post-disaster investigation – A case study on image interpretation of banana plantation damages by disasters, Journal of Photogrammetry and Remote Sensing, 23(2): 83-101. (in Chinese)]
黃建彰，2015。應用紋理資訊於 UAV 影像之近似 作物判釋研究，國立中興大學土木工程學系 碩士論文。[Huang, C.C., 2015. The study on texture information in identifying similar agricultural features on UAV images, Master Thesis, National Chung Hsing University, Taiwan, ROC.(in Chinese)]
Ambrosia, V., Buechel, S., Wegener, S., Sullivan, D., Enomoto, F., Hinkley, E., and Zajkowski, T., 2011. Unmanned airborne systems supporting disaster observations: Near-real-time data needs, 34th International Symposium on Remote Sensing of Environment, 144: 1-4, Sydney, Australia.
Baker, R.E., 2012. Combining micro technologies and unmanned systems to support public safety and homeland security, Journal of Civil Engineering and Architecture, 6: 1399-1404.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, M.L., and Bareth, G., 2015.
Combining UAV-based plant height from crop surface models, visible, and near infrared vegetation indices for biomass monitoring in barley, International Journal of Applied Earth Observation and Geoinformation, 39: 79-87.
Blaschke, T., 2010. Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, 65(1): 2- 16.
Breckenridge, R.P., and. Dakins, M.E., 2011.
Evaluation of bare ground on rangelands using unmanned aerial vehicles: A case study, GIScience and Remote Sensing, 48(1): 74-85.
Diaz-Varela, R.A., Zarco-Tejada, P.J., Angileri, V. and Loudjani, P., 2014. Automatic identification of agricultural terraces through object-oriented analysis of very high resolution DSMs and multispectral imagery obtained from an unmanned aerial vehicle, Journal of Environmental Management, 134: 117-126.
Drăgut, L., Tiede, D., and Levick, S.R., 2010. ESP: A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data, International Journal of Geographical Information Science, 24(6): 859- 871.
Feng, Q.L., Liu, J.T., and Gong, J.H., 2015. Urban flood mapping based on unmanned aerial vehicle remote sensing and random forest classifier- A case of Yuyao, China, Water, 7(4): 1437-1455.
Gademer, A., Petitpas, B., Mobaied, S., Beaudoin, L., Riera, B., Roux, M., and Rudant, J.P., 2010.
Developing a lowcost vertical take off and landing unmanned aerial system for centimetric monitoring of biodiversity the fontainebleau forest case, 2010 IEEE International Geoscience and Remote Sensing Symposium, 600-603, Honolulu, HI, USA.
Göktoğan, A.H., Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., and Hung, C., 2010. A rotary- wing unmanned air vehicle for aquatic weed surveillance and management, Journal of Intelligent and Robotic Systems, 57(1-4): 467- 484.
Huang, Y.B., Thomson, S.J., Hoffmann, W.C., Lan, Y.B., and Fritz, B.K., 2013. Development and prospect of unmanned aerial vehicle technologies for agricultural production management, International Journal of Agricultural and
Biological Engineering, 6 (3): 1-10.
Laliberte, A.S., Herrick, J.E., Rango, A., and Winters, C., 2010. Acquisition, or thorectification, and object-based classification of unmanned aerial vehicle (UAV) imagery for rangeland monitoring, Photogrammetric Engineering and Remote Sensing, 76(6): 661-672.
Laliberte, A.S. and Rango, A., 2011. Image processing and classification procedures for analysis of sub- decimeter imagery acquired with an unmanned aircraft over arid rangelands, GIScience and Remote Sensing, 48(1): 4-23.
Laliberte, A.S., Winters, C., and Rango, A., 2011. UAS remote sensing missions for rangeland applications, Geocarto International, 26(2): 141- 156.
Lejot, J., Delacourt, C., Piégay, H., Fournier, T., Trémélo M.L., and Allemand, P., 2007. Very high spatial resolution imagery for channel bathymetry and topography from an unmanned mapping controlled platform, Earth Surface Processes and Landforms, 32(11): 1705-1725.
Lu, B., and He, Y.H., 2017. Species classification using unmanned aerial vehicle (UAV)- Acquired high spatial resolution imagery in a heterogeneous grassland, ISPRS Journal of Photogrammetry and Remote Sensing, 128: 73- 85.
Park, J.K., and Park, J.H., 2015. Crops classification
using imagery of unmanned aerial vehicle (UAV), Journal of the Korean Society of Agricultural Engineers, 57(6): 91-97.
Peña, J.M., Torres-Sánchez, J., Serrano-Pérez, A., de Castro, A.I., and López-Granados, F., 2015.
Quantifying efficacy and limits of unmanned aerial vehicle (UAV) technology for weed seedling detection as affected by sensor resolution, Sensors, 15(3): 5609-5626.
Salamí, .E., Pedre, S., Borensztejn, P., Barrado, C., Stoliar, A., and Pastor, E., 2009. Decision support system for hot spot detection, Intelligent Environments 2009, 2: 277-284.
Senthilnath, J., Kandukuri, M., Dokania, A., and Ramesh, K.N., 2017. Application of UAV imaging platform for vegetation analysis based on spectral-spatial methods, Computers and Electronics in Agriculture, 140: 8-24.
Swain, K.C., Thomson, S.J., and Jayasuriya, H.P.W., 2010. Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield and total biomass of a rice crop, Transactions of the ASABE, 53(1): 21-27.
Turner, D., Lucieer, A., and Watson, C., 2012. An automated technique for generating georectified mosaics from ultra-high resolution unmanned aerial vehicle (UAV) imagery, based on structure from motion (SfM) point clouds, Remote Sensing, 4(5): 1392-1410.
1 Associate Professor, Department of Land Management, Feng-Chia University Received Date: Jul. 17, 2018
2 Research Assistant, Department of Land Management, Feng-Chia University Revised Date: Apr. 14, 2018
3 Research Assistant, Department of Land Management, Feng-Chia University Accepted Date: Nov. 02, 2018
* Corresponding Author, E-mail: rylee@fcu.edu.tw
Utilizing Unmanned Aerial Vehicle Images to Interpret Crop Types in the Hillside Area
Re-Yang Lee
1*Dang-Yuan Ou
2Chia-Hui Hsu
3Abstract
The purpose of this study is to explore the benefits and problems by using UAV images in the crop classification of slope areas in Taiwan. We first made use of UAV to obtain the mosaic orthoimage in the hillside of Taizhong Taiping District. The eCognition multi-scale segmentation was then utilized to create image blocks.
The crop types in the research area were then interpreted in an object-oriented manner. Because the category of
“Longan (Dimocarpus longan) and Litchi (Litchi chinensis)” in the research area was difficult to distinguish effectively with the forest, which led to the difficulty of automatic classification, this study adopted artificial interpretation. The classification accuracies indicated that “Longan (Dimocarpus longan) and Litchi (Litchi chinensis)" was 88.2%, forest was 96.5%, nursery was 6.8%, and others was 99.7%. Finally, this study suggests to differentiate Longan (Dimocarpus longan) and Litchi (Litchi chinensis) using different flowering stages and to improve the efficiency of field data collection using segmentation blocks for subsequent research.
