墾丁國家公園四種優勢植群之地面光譜分析

(1)

墾丁國家公園四種優勢植群之地面光譜分析

呂明倫

¹

葉慶龍

²

鍾玉龍

³

謝依達

⁴

摘要

本研究以墾丁國家公園為研究區，調查期間為2006年11月至2007年10月，利用地面手持光譜儀，量測植群冠層之光譜特徵，包含區域內之銀合歡(Leucaena leucocephala)、黃荊(Vitex negundo)、相思樹(Acacia confuse)與林投(Pandanus odoratissimus)等4種優勢植群。主要目的係將每個月份所蒐集之光譜資料，擬以多光譜與高光譜之方式，評估可見光至近紅外光之光譜區間中，4種優勢植群之辨別潛力。經多光譜分析結果顯示，植物本身因乾季3月份與濕季7月份所產生的物候現象，可增加植群辨別的可能性，而高光譜分析結果顯示，乾季3月份可完全有效辨別4種優勢植群。綜合以上所述，本研究建議未來進行大尺度的植群繪圖工作時，宜集合乾、濕季多時段衛星影像，亦可採用高光譜影像，前提須考慮到植物的物候階段來作選擇。

關鍵詞：光譜特徵、多光譜、高光譜、物候現象

1. 前言

太陽的電磁輻射光譜為地球主要之能量來源，而植物係一有機生命體，本身為行光合作用之故，對於不同光譜波段區間的反應均不一，因此植物光譜特徵中所涵蓋的資訊，對於遙測研究中具有相當重要之意義，如可見光與近紅外光能反映植物的葉綠素含量、結構型態與物種差異等(Chappelle et al., 1992; Slaton et al., 2001; Schmidt and Skidmore, 2003)，據此可應用遙測影像進行植群的辨別與分類。

植物本身受遺傳與氣候因子影響，許多植物皆會於不同的季節，產生內部生理與外部型態之變化，這些物候現象(phenology)亦反映於植物光譜特徵。許多研究指出，不同植群型常因相似的物候現象，使遙測影像分類時，影響其分類結果的準確度 (Cochrane, 2000; Dennison and Roberts, 2003; Armitage et al., 2004)。地面手持光譜儀可量測不同生長季節

的植群冠層，能獲得不同植群型間，因物候現象所產生的獨特光譜特徵(Karnieli, 2003)，配合統計分析評估植群光譜之差異性，可瞭解辨別植群適宜的季節，以及偵測時所需的光譜區間等訊息(Schmidt and Skidmore, 2003; Pena-Barragan et al., 2006; Gao and Zhang, 2006)。

國內亦有許多利用地面手持光譜儀量測的相關報告，包括水質、作物與藻類監測等(李裕娟、

楊純明，2003; 楊純明等，2003；陳榮坤、楊純明，

2003，2004；張芳銘等，2004；蕭國鑫等，2005；

章國威等，2007)，目前對於植群辨別方面的研究屬少數，本研究以墾丁國家公園為研究區，利用地面手持光譜儀，量測本區主要優勢植群之終年光譜資料(包含乾、濕兩季)，觀察植物不同物候階段之光譜特徵，並藉此模擬遙測多光譜與高光譜特性，

評估適宜辨別植群的季節與光譜區間，期能提供本區未來遙測影像應用於大尺度植群分類之參考基礎。

收到日期:民國 96 年 12 月 05 日修改日期:民國 97 年 03 月 03 日接受日期:民國 97 年 03 月 17 日

1國立屏東科技大學生物資源研究所博士班研究生

2國立屏東科技大學森林系副教授

3國立屏東科技大學森林系教授

4國立屏東科技大學熱帶農業暨國際合作系碩士班研究生

(2)

2. 研究區域

本研究區設於墾丁國家公園境內，如圖一，

地理位置處於台灣最南端之恆春半島，東瀕太平洋，西鄰台灣海峽，南面巴士海峽，是一個3面環海的地形，境內地形以低山及丘陵台地為主，最高峰老佛山海拔高為674m，氣候屬熱帶性氣候，年溫差不大，以1月份最冷，平均氣溫為20.5℃；7月

份最熱，平均氣溫為28.3℃。據中央氣象局恆春測候站1998~2006年之月平均降雨量顯示，如圖二(中央氣象局網站資料)，雨量1~4月之雨量分布最低，

平均降雨量皆低於50mm，5月起至10月則為雨量豐沛之時期，平均降雨量皆高於100mm以上，11月起因受東北季風(俗稱落山風)影響，平均降雨量逐漸下降(100mm以下)，至翌年4月則為乾燥之時期，因此本區可明顯區分乾、濕季兩種季節。

圖一：研究區－墾丁國家公園

圖二：本研究區 1998~2006 年之月平均降雨量

(3)

3. 研究方法

3.1 樣區設置與植群光譜量測

據往昔墾丁國家公園境內之植群調查報告與現地觀察可知(陳玉峰，1985；蘇鴻傑、蘇中原，

1988；葉慶龍，1994)，低山與丘陵台地佔據面積較大之優勢植群包含銀合歡(Leucaena leucocephala)、

黃荊(Vitex negundo)與相思樹(Acacia confuse)，另經本研究現場勘查發現，濱海地區富含豐富的珊瑚礁與海岸林植物，其中以東海岸一帶的林投(Pandanus odoratissimus)分布最廣，因此本研究選定銀合歡、

黃荊、相思樹與林投等4種優勢植群。樣區選取係藉由1/5,000像片基本圖，以及農航所出版之最新航空照片等輔助資料，配合高精度之GPS進行現場實地勘查，選取覆蓋面積廣之純林設置調查樣區，所選定之樣區分布位置如圖1所示。取樣設計上係各別針對4個樣區處，於大約20×20m²大小之範圍內，

設置3個10×10m²之次樣區，4種優勢植群共計12個次樣區，為利於統計分析，每一次樣區內均至少測定10個以上的樣本，取樣方式以逢機取樣取得光譜資料(Schmidt and Skidmore, 2003)，調查工作以2006 年11月起至2007年10月止，每個月針對4種優勢植群之次樣區進行光譜量測。

地面手持光譜儀採用美國地球物理與環境公司所研發之GER 1500，所接收之光譜資料即為目標物之反射量，本研究所量測之目標物為4種優勢植群之冠層反射率。野外工作選擇每月天氣晴朗、雲層少之天氣，時間為10:00~15:00點間完成所有量測工作，每一樣本量測時，採用光纖連接鏡頭，視野範圍(field of view)為23°，與樣本距離取1m，形成約直徑0.4m的接收範圍，由於某些較為高大植群的冠層資料不易取得，因此以高枝剪取得冠叢樣本，樣本長寬至少為0.4×0.4m²，較低矮的植群則以高腳A 字梯輔助量測。GER 1500所接收之每一樣本光譜區間介於350~1,050nm，以1.5nm為一個波段區間，惟光譜之極端兩側之範圍易受大氣干擾，且可見光至

近紅外光段範圍為辨別植物物種之重要區間 (Cochrane, 2000; Vrindts et al., 2002; Schmidt and Skidmore, 2003; Pena-Barragan et al., 2006; Gao and Zhang, 2006)，故本研究取400~900nm較為穩定之光譜資料進行後續分析。為觀察4種優勢植群之光譜特徵於不同月份之變化，植群之光譜資料以ASCII 格式建檔後，將植物光譜反射量除以儀器所附之參考板反射量，即可修正野外不同量測時間之光量誤差，獲得各植群樣本之光譜反射率。而各別計算4 種優勢植群次樣區內，每一有效樣本之平均值，即獲得植群於每個月份400~900nm之光譜反射曲線。

3.2 光譜資料分析

3.2.1 多光譜分析

本研究所獲得之光譜資料除用於瞭解植群每月之光譜特徵外，另模擬多光譜遙測資訊，探討各植群間之光譜特徵。目前國內所使用之遙測產品仍以國立中央大學太空及遙測中心所提供之SPOT衛星影像最為普及，本研究將每一樣本之光譜資料擷取符合SPOT影像之綠光段(XS1: 500~590nm)、紅光段(XS1: 610~680nm)與近紅外光段(XS3: 790~890 nm)，分別計算3種光譜波段平均值，以利於評估 SPOT影像應用於植群分類之可行性。

3.2.2 高光譜分析

高光譜遙測資訊方面，本研究模擬現今使用較為頻繁的高光譜影像特性，如空載的 airborne visible/infrared imaging spectrometer (AVIRIS)、全球第一顆高光譜衛星影像－Hyperion影像，將每一樣本所包含400~900nm之光譜資料切割成10nm為一波段之窄頻資訊，共計可切割成50個波段。進行4 種優勢植群辨別時，則先觀察植群之光譜反射曲線，再將具辨別植群潛力之波段選取出，並分別計算每一樣本所選取出來的光譜波段平均值，以利於評估高光譜影像應用於植群辨別之可行性。

(4)

3.2.3 統計分析

本研究4種優勢植群於12個月份之多光譜與高光譜波段資料建構完畢後，利用變異數分析之鄧肯氏(Duncan)多重檢定作進一步分析，比較不同月份、不同光譜波段彼此間是否具差異性，其中具顯著差異性(p ≤ 0.05)之月份與光譜波段，即為適於辨別4種植群光譜特徵之重要依據。

4. 結果

4.1 植群光譜特徵

為觀察4種優勢植群之光譜特徵變化，本研究各別蒐集每月銀合歡、黃荊、相思樹與林投之冠層

光譜資料，惟因本研究區氣候可劃分乾、濕季，資料彙整結果發現，植群的月變化較不明顯，為此光譜反射曲線之呈現方式以兩個月為間距，以突顯其變化程度，如圖三。大體觀之，11、5、7與9月時期中，4種植群之光譜反射率雖有差異，惟曲線型態皆有相仿的分布(圖三a、d、e、f)，而7、9月份最雨量分布最多時期，4種植群之曲線型態最為接近；1、3月份最乾燥之時期，光譜反射曲線型態與其他月份較有明顯的不同，其中銀合歡與黃荊於該時期中，光譜反射量係隨著波長的增加而持續上升，有別於相思樹與林投(圖三b、c)。由紅外光段較平緩之區間觀之(約750~900nm)，銀合歡與黃荊1 月份約介於20~30%之間，3月份則約介於20%左右，相思樹與林投1月份約介於30~40%之間，3月份則約介於30 %左右，皆明顯高於前兩種植群。

圖三：本研究4種優勢植群之光譜反射曲線

(5)

4.2 多光譜分析結果

為評估多光譜遙測資訊辨別4種優勢植群之潛力，本研究模擬國內使用最為廣泛的SPOT影像，將光譜資料切割為綠光、紅光與近紅外光3種波段，並觀察每個月份之光譜差異性。統計分析結果列於表1，每一月份中4種優勢植群之3種波段均無法達顯著性差異，因此於多光譜的尺度下辨別4

種優勢植群，須將光譜特徵相似之植群合併。乾季中若將銀合歡與黃荊合併為一植群型，相思樹與林投合併為一植群型，即可發現11、1月份中的紅光段，以及3月份中的紅光與近紅外光段，可有效辨別合併後的植群型；濕季中若將銀合歡與林投可合併為一植群型，黃荊與相思樹可合併為一植群型，

即可發現7月份中的近紅外光段，可有效辨別合併後的植群型。

表1 本研究4種優勢植群之多光譜差異檢定結果

Reflectance values (%)*

Months Vegetation types

G R NIR November Leucaena leucocephala 10 ab 11 a 47 a

Vitex negundo 11 a 10 a 41 ab

Acacia confuse 8 b 7 b 35 b

Pandanus odoratissimus 8 b 7 b 47 a

January Leucaena leucocephala 9 a 12 a 30 a

Vitex negundo 10 a 12 a 30 a

Acacia confuse 10 a 8 b 42 b

Pandanus odoratissimus 8 a 7 b 32 a

March Leucaena leucocephala 7 a 9 a 25 a

Vitex negundo 7 a 10 a 26 a

Acacia confuse 8 a 7 b 31 b

Pandanus odoratissimus 8 a 6 b 31 b

May Leucaena leucocephala 9 a 8 ab 39 ab

Vitex negundo 10 a 9 a 33 a

Acacia confuse 10 a 8 ab 31 a

Pandanus odoratissimus 10 a 7 b 45 b

July Leucaena leucocephala 11 a 7 ab 51 a

Vitex negundo 10 ab 8 a 41 b

Acacia confuse 8 c 6 b 38 b

Pandanus odoratissimus 9 bc 6 b 56 a

September Leucaena leucocephala 9 ab 6 ab 56 a

Vitex negundo 11 a 7 a 60 ab

Acacia confusa 8 b 6 ab 56 a

Pandanus odoratissimus 8 b 5 b 67 b

*表中數值為4種優勢植群於各光譜波段之平均值，各月份中字母相異之配對即表示達顯著性差異，相同者即表示未達顯著性差異(根據鄧肯氏多重檢定；p ≤ 0.05)

(6)

4.3 高光譜分析結果

由以上多光譜分析結果發現，所切割之綠光、

紅光與近紅外光之寬頻資訊無法有效的完全辨別4 種優勢植群，表1結果可知，乾季的3月份，紅光與近紅外光段須將光譜特徵相似的植群合併後方能辨別，因此本研究模擬高光譜影像，將610~900nm 之光譜區間以10nm切割為高光譜窄頻資訊，並觀察4種優勢植群之光譜差異性。統計分析結果，如圖四所示，各種配對中，銀合歡、黃荊於 680~690nm，以及相思樹、林投於680~710 nm皆達

顯著性差異，而680~690nm則完全有效的辨別4種優勢植群。

多光譜分析結果中，濕季7月份的近紅外光段，亦須將光譜特徵相似的植群作適當的合併，本研究仍以高光譜窄頻資訊(710~900nm)，觀察4種優勢植群之光譜差異性。統計分析結果，如圖五所示，各種配對中，銀合歡、林投於710~730nm，以及黃荊與相思樹於880~900nm皆達顯著性差異，惟無任一波段能完全有效辨別4種優勢植群，因此濕季中880~900nm仍須將銀合歡與林投合併為一植群型，方能與其他植群作辨別。

圖四：本研究4種優勢植群於3月份之高光譜(610~900nm)差異檢定結果

圖五：本研究 4 種優勢植群於 7 月份之高光譜(710~900nm)差異檢定結果

(7)

5. 討論

據前人研究成果指出，可見光段(400~700nm) 之光譜反射可反映植物葉綠素組成，近紅外光段 (700~900nm)之光譜反射可反映植物冠層結構與型態變化(Chappelle et al., 1992; Slaton et al., 2001;

Schmidt and Skidmore, 2003)。本研究 4 種優勢植群中，銀合歡與黃荊屬落葉性樹種；相思樹與林投屬常綠性樹種，因此於 1、3 月份時，銀合歡與黃荊因葉子枯黃或落葉之因素，呈現光譜反射曲線分布有所不同，理論上，植物於健康良好狀態下紅光會被葉綠素所吸收，且綠光段約 550nm 附近會顯現綠波峰(green peak)之姿，其為植物物候性狀之重要象徵(Pena-Barragan et al., 2006)，由 3 月份之光譜反射曲線圖可較明顯看出，相思樹與林投因無落葉特性，仍可明顯看出綠波峰，反觀銀合歡與黃荊因落葉時期，葉綠素成分減少，光譜曲線隨著波長的增加而持續上升現象，並無顯現綠波峰，至近紅外光段區間，亦因葉子枯黃或落葉現象，使植群冠層結構與型態有所變化，光譜反射量皆低於相思樹與林投。

由模擬 SPOT 影像綠光、紅光與近紅外光 3 種波段，評估辨別 4 種優勢植群潛力之結果可知，

多光譜尺度下的辨別能力隨每月之氣候與植物本身之物候變化，所能辨別出的植群有所差異，如乾季 3 月份中，銀合歡與黃荊之紅光與近紅外光段並沒有達顯著性差異，濕季 7 月份中時，則能有效從近紅外光段辨別兩者，同樣地相思樹與林投亦有相同的結果。因此未來實際採用 SPOT 影像進行 4 種優勢植群之分類時，本研究建議集合乾、濕季之多時段(multitemporal)影像資料，應能獲得較理想之準確度。國外應用衛星影像進行植群型分類方面的研究皆已驗證，配合植物物候階段所集合之多時段光譜資訊，比單一時段更具提升分類後的準確度 (Conese and Maselli, 1991; Tottrup et al., 2004; Noonan and Chafer, 2007)。

由模擬高光譜影像之光譜特性，評估辨別 4

種優勢植群潛力之結果可知，乾季 3 月份中的光譜資料最為理想，主要原因如圖二本研究區之平均降雨量所示，3 月份時植物歷經長時間之乾燥期，植物體之水分應大量散失，然而 4 月份起雨量稍有些許上升，因此 3 月份與其他月分中，落葉性與常綠性樹種之光譜反應落差較大，可獲得較理想之辨識結果。光譜區間方面，據 Munden et al. (1994)指出，

植物光譜反射曲線中，介於紅光與近紅外光附近一帶稱之為紅光邊緣(red edge)，其係隨葉綠素濃度之多寡而有所變化，常被作為植群辨別之重要波段。

本研究 680~690nm 區間同樣趨於紅光邊緣之地帶，相關研究中，Cochrane (2000)針對熱帶雨林優勢植群之辨別結果亦顯示，紅光邊緣具有較高的辨別能力，與本研究有相仿之結果，因此建議未來實際採用高光譜影像進行 4 種優勢植群辨別時，可針對紅光邊緣之光譜資訊加以分析。

本研究以地面手持光譜儀量測，探討植群冠層之光譜特徵，提供衛星遙測影像適宜偵測的季節與光譜區間，惟地面蒐集與遙測影像之光譜資料，

本質上仍有差異，例如衛星影像之空間解析力上，

某些較複雜的林相可能產生混合像元，就本研究區而言，銀合歡與黃荊現大多為混生的林相，易導致植群辨別的可行性降低，因此分類結果若發現類似的誤差情形，仍須仰賴高解析力的航空照片以及地面調查加以修繪；衛星影像之光譜反射值上，可能受大氣、地形效應、太陽入射角、高度角、衛星觀測角等影響而有所偏差，實際應用時可能會使植群分類的結果不盡理想，因此須克服輻射受干擾之問題，除以常見輻射糾正方法排除外，可再利用本研究所量測之地面光譜資料，將衛星影像的輻射值進行增益(gain)或減損(offset)，以減少兩者間之偏差，

至於增益或減損值的設定則有待進一步的探討。

6. 結論

本研究蒐集植物光譜資料，用以觀察墾丁國家公園優勢植群，包含銀合歡、黃荊、相思樹與林投終年之變化，並模擬現今最常被採用之多光譜與

(8)

高光譜遙測影像，評估辨別 4 種植群之潛力，經研究結果發現，因植物本身之物候變化，使乾、濕季之光譜特徵皆有差異，未來採用遙測資訊進行大尺度的植群分類工作時，可提供適當之參考資訊，例如採用 SPOT 影像時，可集合乾季 3 月份的紅光、

近紅外光段，以及濕季 7 月份的近紅外光段等多時段資料；採用高光譜影像時，則可選擇乾季 3 月份進行拍攝或購置，並針對紅光邊緣(680~690nm)之光譜資訊加以分析，應能獲得更佳之準確度。除本研究所探討之 4 種優勢植群外，墾丁國家公園境內仍有許多次優勢植群型，因此未來應陸續針對乾季的月份建立其他次優勢植群之光譜資料，俾能提升植群之監測工作。

參考文獻

李裕娟、楊純明，2003。觀測角度對植被反射光譜及光譜特徵之影響─以水稻為例，中華農業研究 52: 296-309

張芳銘、楊純明、張愛華，2004。利用植被反射光譜特徵估測稻株氮素含量，中華農業研究 53:

63-74

陳玉峰，1985。墾丁國家公園海岸植被，內政部營建署墾丁國家公園管理處印行

陳榮坤、楊純明，2003。水稻植被反射光譜之特徵及變異，中華農業氣象 10: 29-38

陳榮坤、楊純明，2004。利用植被反射光譜辨識水稻品種，作物、環境與生物資訊 1: 239-250

章國威、陳伯中、申雍、郭寶錚，2007。以高光譜資料分析藻華現象之可行性研究，作物、環境與生物資訊 4: 173-178

楊純明、吳正宗、沈百奎、余志儒、羅朝村、申雍，

2003。利用植被光譜特徵估測莧菜植株生長及氮素狀態，中華農業研究 52: 267-289

葉慶龍，1994。恆春半島山地植群生態及其保育評估，台大森林學研究所博士論文

蕭國鑫、吳啓南、廖子毅，2005。地面光譜資料與 SPOT影像應用於水質定量推估研究，航測及遙測學刊 10: 169-182

蘇鴻傑、蘇中原，1988。墾丁國家公園植群之多變數分析，中華林學季刊 21: 17-32

Armitage, R. P., M. Kent, and R. E. Weaver. 2004.

Identification of the spectral characteristics of British semi-natural upland vegetation using direct ordination: a case study from Dart moor, UK.

International Journal of Remote Sensing 25:

3369-3388.

Chappelle, E. W., M. S. Kim, and J. E. McMurtrey.

1992. Ratio analysis of reflectance spectra (RARS):

an algorithm for the remote estimation of the concentrations of chlorophyll a, chlorophyll b, and carotenoids in soybean leaves. Remote Sensing of Environment 39: 239-247.

Cochrane, M. A. 2000. Using vegetation reflectance variability for species level classification of hyperspectral data. International Journal of Remote Sensing 21: 2075-2087.

Conese, C., and F., Maselli. 1991. Use of multitemporal information to improve classification performance of TM scenes in complex terrain. ISPRS Journal of Photogrammetry and Remote Sensing 46: 187-197.

Dennison, P. E., and D. A. Roberts. 2003. The effects of vegetation phenology on endmember selection and species mapping in southern California chaparral.

Remote Sensing of Environment 87: 295-309.

Gao, Z.G., and L. Q. Zhang. 2006. Multi-seasonal spectral characteristics analysis of coastal salt marsh vegetation in Shanghai, China. Estuarine, Coastal and Shelf Science 69: 217-224.

Karnieli, A. 2003. Natural vegetation phenology assessment by ground spectral measurements in

(9)

two semi-arid environments. International Journal of Biometeorology 47: 179-187.

Munden, R., P. J. Curran, and J. A. Catt. 1994. The relationship between red edge and chlorophyll concentration in the broadbalk winter wheat experiment at Rothamsted. International Journal of Remote Sensing: 15: 705-709.

Noonan, M. J., and C. C. Chafer. 2007. A method for mapping the distribution of willow at a catchment-scale. using bi-seasonal SPOT5 imagery.

Weed Research 47: 173-181.

Pena-Barragan J. M., F. Lopez-Granados, M.

Jurado-Exposito, and L. Garcia-Torres 2006.

Spectral discrimination of Ridolfia segetum and sunflower as affected by phenological stage. Weed Research 46: 10-21.

Schmidt, K. S., and A. K. Skidmore. 2003. Spectral discrimination of vegetation types in a coastal wetland. Remote Sensing of Environment 85:

92-108.

Slaton, M. R., E. R. Jr. Hunt, and W. K. Smith. 2001.

Estimating nearinfrared leaf reflectance from leaf structural characteristics. American Journal of Botany 88: 278-284.

Tottrup, C. 2004. Improving tropical forest mapping using multi-date Landsat TM data and pre-classification image smoothing. International Journal of Remote Sensing 25: 717-730.

Vrindts, E., J. D. Baerdemaeker, and H. Ramon. 2002.

Weed detection using canopy reflection. Precision Agriculture 3: 63-80.

(10)

The Ground spectral analysis of four dominant vegetation in the Kenting National Park, Taiwan

Ming-Lun Lu

¹

Ching-Long Yeh

²

Yuh-Lurng Chung

³

Yi-Ta Hsieh

⁴

ABSTRACT

The spectral characteristics of the vegetation canopy, including four dominant vegetation types, Leucaena leucocephala, Vitex negundo, Acacia confuse and Pandanus odoratissimus, were measured from November 2006 to October 2007 using a ground handheld spectroradiometer in the Kenting National Park of Taiwan. The purpose of this paper was conducted to evaluate the potential of multispectral and hyperspectral reflectance in the visible to near infrared spectral range, for discriminating four dominant vegetation types every sampling date. Differences observed in the multispectral analysis showed that four dominant vegetation types were possible to distinguish due to phenology in March 2007 (dry season) and July 2007 (wet season), and in hyperspectral were statistically significant in March 2007, which facilitates their discrimination. Our results suggest that mapping four dominant vegetation types is feasible using multi-temporal imagery, and hyperspectral sensors, taking into account the plant phenological stages.

Keywords: spectral characteristics, multispectral, hyperspectral, phenology

1Ph. D. Student, Graduate Institute of Bioresources National Pingtung University of Science and Technology

2 Associate Professor, Department of Forestry National Pingtung University of Science and Technology

3Professor, Department of Forestry National Pingtung University of Science and Technology

4Graduate Student, Department of Tropical Agriculture and International, Cooperation, National Pingtung University of Science and Technology.

Received Date: Dec. 05, 2007 Revised Date: Mar. 03, 2008 Accepted Date: Mar. 17, 2008