專刊主題: 空載光達於地質災害防治之應用

航 航 測 測 及 及 遙 遙 測 測 學 學 刊 刊

Journal of Photogrammetry and Remote Sensing

發行人：陳良健

出版者：中華民國航空測量及遙感探測學會 地址：台北市文山區羅斯福路五段 113 號三樓 信箱：台北市郵政 93-158 號信箱

電話：886-2-8663-3468 886-2-8663-3469 傳真：886-2-2931-7225

電子信件：[email protected] 網址：http://www.csprs.org.tw

PUBLISHER: L. C. Chen

PUBLISHED BY: Chinese Society of Photogrammetry and Remote Sensing

Address: 3F, No.113, Sec.5, Roosevelt Road, Taipei, Taiwan Mail Address: P. O. Box. 93-158, Taipei, Taiwan

Tel: 886-2-8663-3468 886-2-8663-3469 Fax: 886-2-2931-7225

E-mail：[email protected] Web Site：http://www.csprs.org.tw 總編輯

曾義星

國立成功大學測量及空間資訊學系 電 話：886-6-275-7575 分機 63835 傳 真：886-6-237-5764

電子信件：[email protected]

EDITOR-IN-CHIEF Yi-Hsing Tseng

Department of Geomatics, National Cheng Kung University Tel: 886-6-275-7575 ext. 63835

Fax: 886-6-237-5764

E-Mail: [email protected]

編輯委員 EDITORIAL BOARD

 農林

鄭祈全 (文化大學) 申雍 (中興大學)

 Agriculture and Forestry

C. C. Cheng (Chinese Culture University) Y. Shen (National Chung Hsing University)

 海洋與大氣 劉振榮 (中央大學) 何宗儒 (台灣海洋大學)

 Oceanography and Atmospheric Science G. R. Liu (National Central University) C. R. Ho (National Taiwan Ocean University)

 防災

劉進金 (達雲科技有限公司) 徐百輝 (台灣大學)

 Disaster Management

J. K. Liu (LIDAR Technology Co., Ltd) P. H. Hsu (National Taiwan University)

 土地利用與覆蓋 陳永寬 (銘傳大學) 詹進發 (政治大學)

 Land Cover and Land Use

Y. K. Chen (Ming Chuan University) J. F. Jan (National ChengChi University)

 地理資訊系統

何維信 (中華科技大學) 蔡榮得 (中興大學)

 Geographical Information System

W. H. Ho (China University of Science and Technology) J. D. Tsai (National Chung Hsing University)

 遙感探測

陳良健 (中央大學) 陳錕山 (中央大學)

 Remote Sensing

L. C. Chen (National Central University) K. S. Chen (National Central University)

 攝影測量與光達 廖揚清 (成功大學) 史天元 (交通大學) 趙鍵哲 (台灣大學)

 Photogrammetry and LiDAR

Y. C. Liao (National Cheng Kung University) T. Y. Shih (National Chiao Tung University) J. J. Jaw (National Taiwan University)

封面圖片說明 About the Cover

本研究利用 ERDAS Leica Photogrammetric Suite (LPS)模組，經由立體判釋，將石門水庫集水區之土地 利用型態分為森林、道路、水體、崩塌地及人為開發地區等五類，總計共完成 2002 年及 2007 年二時期之 土地利用分類圖。比較二時期之土地利用變化可知，森林地所佔之比率由 2004 年的 91.66 %降為 2007 年的 90.59 %，減少了 1.07 %。反之，人為開發地及崩塌地之比率，在三年間則個別增加了 0.35 %及 0.64 %，呈 現略微增加的情形。

(封面圖片出處：Land-use Dynamics of Shihmen Reservoir Catchment using Photogrammetry and Markov Model，

第十六卷 第四期 第 289-297 頁)

航測及遙測學刊 (ISSN 1021-8661) 專刊徵文啟事

專刊主題: 空載光達於地質災害防治之應用

全文截稿日期︰2013 年 5 月 31 日

航測及遙測學刊乃中華民國航空測量及遙感探測學會所發行之專業期刊，基於推廣航測及 遙測技術應用於地質調查及土石災害防治及分析之研究，本學刊規劃出版「空載光達於地 質及防災之應用」專刊，鼓勵各界將航測及遙測技術應用於水資源研究成果投稿至本專 刊。稿件請寄予總編輯<[email protected]>並副寄專刊編輯

<[email protected]>，格式請參考本學刊投稿注意事項：

<http://www.csprs.org.tw/Documents/Instructions%20to%20author.pdf>。投稿稿件必須 是尚未發表之著作，本學刊將經過同儕審查程序決定是否接受稿件，本專刊之論文將成為 中華民國航空測量及遙感探測學會傅安明先生學術傑出論文獎之候選論文，請參考：

<http://www.csprs.org.tw/new_page_2.htm>。

專刊編輯：

林慶偉 國立成功大學地球科學系教授, <[email protected]>

Journal of Photogrammetry and Remote Sensing (ISSN 1021-8661) 2012 Special Issue Call for Papers

"Applications of Airborne LiDAR on Geological Disasters"

Deadline for manuscript submissions: 31 May, 2013

Journal of Photogrammetry and Remote Sensing is a peer reviewed quarterly journal published by the Chinese Society of Photogrammetry and Remote Sensing. This special issue will focus on applications of airborne LiDAR on geological disasters. All papers should be submitted to Editor in Chief <[email protected]> with copy to the special issue Guest Editor

<[email protected]>. Submitted papers should not have been previously published nor be currently under consideration for publication elsewhere. All papers are refereed through a peer review process. A guide for authors is available on the Instructions to Authors page:

<http://www.csprs.org.tw/Documents/Instructions%20to%20author.pdf>. Accepted papers in this special issue will be candidates of An-Ming Fu Best Paper Award:

<http://www.csprs.org.tw/new_page_2.htm>.

Guest Editor:

Dr. Ching-Wee Lin

Professor of the Department of Earth Sciences, National Cheng Kung University

Email: <[email protected]>

航測及遙測學刊 第十六卷 第 4 期 第 229-243 頁 民國 102 年 01 月 229

Journal of Photogrammetry and Remote Sensing Volume16, No.4,January 2013, pp.229-243

1國立雲林科技大學環境與安全衛生工程系 講師 收到日期:民國 100 年 03 月 15 日

2國立中央大學太空科學研究所 助理教授 修改日期:民國 100 年 04 月 13 日

3國立雲林科技大學環境與安全衛生工程所 碩士 接受日期:民國 100 年 07 月 18 日

＊通訊作者, 電話: 886-5-5342601 ext.4489, E-mail: [email protected]

可攜式高光譜影像儀應用於遙測空氣品質指標

施明倫

¹

林唐煌

²

洪志豪

^3*

蔡廣叡

³

摘 要

傳統臺灣各縣市周遭空氣品質監測站係依人口數比例架設，僅能固定單點採樣，儀器精密且維修亦 較複雜。目前遙測技術已廣泛應用於環境污染之監測，因此本研究擬開發一套可攜式高光譜影像儀 (HyCAM-I)藉以更機動性地遙測空氣污染指標(Pollutants standard index, PSI)，藉由建立之空氣品質光譜估 算模式，用以即時監測任一未知區域之空氣品質。

本研究建模方法採用支撐向量機迴歸(Support Vector Regression, SVR)模式與多變量線性迴歸 (Multivariate Linear Regression, MLR)模式，並評估以 500nm, 550nm 及 600nm 波段反射率做為模式輸入變 量以估算 PSI。兩模式在驗證樣本之平均決定係數(R²)分別為 0.28 與 0.47；平均均方根誤差(RMSE)分別 為12 與 10；平均 RMSE/觀測值標準差(StDev)分別為 0.93 與 0.77；平均絕對百分比誤差(MAPE)分別為 20%與 17%。於光譜分析空氣污染指標方面，其最佳波段值約位於 500nm 及 600nm 附近。依本研究結果 顯示以可攜式高光譜影像儀用於監測空氣污染指標相當具有其可行性，可機動作為未來即時監控未設測 站區域空氣品質之工具。

關鍵詞：高光譜影像儀(HyCAM-I)、遙測(RS)、空氣污染指標(PSI)、支撐向量機迴歸(SVR)、

多變量線性迴歸(MLR)

1. 前言

1.1 研究背景

空氣是人類生活基本要素之一，而空氣品質好 壞嚴重影響到人類生活及身體健康，如O3、PM2.5、 PM10等空氣污染物。傳統之空氣品質測值均需仰 賴環保署所架設之空氣品質測站，設備較精密且維 修保養亦較複雜，有時因為機械、人為等因素造成 數據失效而不可使用，且其測站均為單點固定位置 採樣，其污染分布空間代表性較不足。因此本研究 之目的在於開發一種簡單、即時且機動性高，涵蓋 較大區域之可攜式高光譜影像儀，可隨機擷取任一 未知空氣品質區域之週遭空氣影像，俾以即時偵測 空氣品質指標，雖可能較傳統空氣品質測站實驗分

析資料精度稍差，但其涵蓋度與移動方便性應較傳 統固定或單點採樣方式更居優勢。

1.2 文獻回顧

本研究文獻探討共分為三部份，第一部份主要 參考以衛星或高光譜遙測應用於空氣污染之研究；

第二部份探討模式學習與建立；第三部份則是其他 相關參考研究。

目前遙感技術已廣泛應用於環境污染監測，林 唐煌等(2001)於航測遙測學刊中提到大氣氣膠不 僅模糊了地表資訊，亦嚴重地影響大氣環境及氣候 變遷，在地球資源之遙測與大氣環境變遷是相當重 要之參數，也因此有許多利用衛星資料求取氣膠參 數之方法陸續提出，密暗像元法及對比法則為較常 被應用之兩種方法。此外，在空氣品質監測應用最

重要之兩 取得，以 結果證實 之可行性 質監測系 全球都市 星光譜資 Optical T 於 全 球 Switzerla 以及剔除 覆蓋(Clo 及大氣混 Wu et al.

料來分析 並且利用 設測站區 風速、風 插法準確 是以MO 合地理資 呈現Teh

施明 量機兩種 污染情況 度平均約 為73%，故 相當有應 經網路模 同條件模 隱藏層結 向量機模 再受其他 度。

邱瑞 園縣空氣 所有測站 型態或擴 之一般空

兩個步驟包括 以及具代表性之

實利用衛星觀 性，將可進一步 系統。Gupta e 市懸浮微粒及 資料中550nm Thickness, AO

五 個 主 要 and, Delhi and 除離群值後其

oud Fraction)、

混合層高度(M . (2006) 亦以 析2003 年南加 用Kriging, Co 區域之PM 濃度

向及煙霧覆蓋 確度。Sohrabi

ODIS 衛星推估 資訊系統(GIS)

hran 地區之空 明倫等(2008) 種監督式模式 況，結果顯示類 約68%；而支撐 故兩模式在估 應用之可行性 模式較容易受 模擬下產生較 結點數設定過 模式相對比較 他因素影響改

瑞仙(2008)以 氣品質測站與 站懸浮微粒濃 擴散因子影響 空氣品質變化

括高精度大氣 之氣膠粒徑參 觀測資料檢測

步建立台灣地 et al. (2006)利 空氣品質，分 波段之大氣光 OT)與地面觀測 都 市(Hong d New York)，

相關性(R)可達

、相對濕度(R Mixing Height) 以MODIS 衛星

加州野火所造 o-Kriging 及 I 度，另外也提 蓋等資訊可有 inia & Khorsh 估之AOT 資 )將 CO 濃度 空氣污染。

比較以類神經 式估算台灣河

類神經網路最 撐向量機最佳 估算河川水質

。然而在參數 初始權重設定 大差異之估算 高而可能造成 穩定，當最佳 改變其估算結

Pearson 相關 污染物濃度相 濃度及臭氧濃

。張能復等(1 化趨勢未必與

氣膠光學厚度 參數之建立。應 空氣品質具極 地區之即時空氣 利用衛星遙測推 分析以MODI

光學厚度(Aer 測站觀測之P Kong, Syd 在經過適當分 達 96%，且雲 Relative Humid

)皆會影響 AO 星推估之AOT 造成之空氣污染

IDW 法內插得 提出利用消光係 有效提升迴歸及 hiddoust (200 資料分析CO 並 度分布以面化方

經網路及支撐 川流域水質空 最佳模式驗證精 佳模式驗證結果 質污染分類結果 數選擇方面，類 定之影響，造成 算結果，且亦會 成過度學習，支 佳化參數後，即 果，應較具可

關係數矩陣分析 相關性，結果顯 度受到相同污 1986)認為區域 該區內局部高

度之 應用 極高 氣品 推估 IS 衛 rosol PM2.5，

dney, 分組 雲層 dity) OT。

T 資 染，

得未 係數、

及內 7)則 並配 方式

撐向 空間 精確 果皆 果皆 類神 成相 會因 支撐 即不 可靠

析桃 顯示 污染 域內 高濃

度之 析之 度變 濃度 之相 點，

之代

2.

究之 其位

2.

一般 空氣 空氣 站等 光譜 市斗 南方 及菜 排放 品質

2.

日由

之現象有關，因 之依據，最常用 變化之相關性 度時間序列進 相關係數最高 或以超過設定 代表點為設置

2. 研究

1 研究區

本研究以雲 之地點。斗六站 位於斗六火車

2 空氣品

行政院環保 般空氣品質監 氣品質監測站 氣品質監測站 等。本研究選定 譜採樣及空氣 斗六高中三樓 方約500 公尺 菜販活動，而 放造成空氣品 質影響甚大。

3 空氣品

我國空氣品 由行政院衛生

因此宜採取其 用之方式乃以 性為評估之基準 進行相關性分析 高值者所在處

定相關係數臨 置監測站之理想

究地區及

區域

雲林縣斗六市 站架設於斗六 車站東邊約50

圖1 雲林縣

品質監測

保署空氣品質 監測站、工業空 站、國家公園空 站、超級測站、

定一般空氣品 氣品質數據來源 樓頂，採樣口離 尺有一市場，早

七、八點為交 品質較為嚴重

品質標準

品質標準最早於 生署公告，標準

其他之評估標 以區域內各不 準，亦即以各 析，以該區域 處作為設置監 臨界值所涵蓋

想地點。

及基本資

市之空氣品質 六市區旁之斗

00 公尺。

縣斗六市

測站

質監測網測站 空氣品質監測 空氣品質監測

、光化學測站 品質監測站斗 源，其位於雲 離地面高約1 早上四、五點 交通尖峰時刻

，對於斗六市

準

於民國 64 年 準規範項目為

標準作為分 不同地點濃 各不同點之 域內所有點 測站之地 蓋面積最大

資料

測站為研 斗六高中，

類型包括 測站、交通 測站、背景 站、逆溫測 斗六站作為 雲林縣斗六 12 米，西 點即有居民 刻，汽機車 市區內空氣

年 10 月 1 為懸浮微粒、

施明倫、林唐煌、洪志豪、蔡廣叡：可攜式高光譜影像儀應用於遙測空氣品質指標 231 硫氧化物、氮氧化物、一氧化碳及惡臭物質等，標

準適用區域分為一般地區及工業區，工業區標準較 為寬鬆。其後經過79 年與 81 年兩次修正，現行空 氣品質標準在民國84 年由環保署公佈。

PSI 係我國參考美國環境保護署(USEPA)、環 境品質評議會(CEQ)及其他機構研擬。此指標顯示 空氣品質之好壞程度以0-500 表示。決定 PSI 值之 五個污染物分別為一氧化碳(CO)、臭氧(O3)、二氧 化氮(NO2)、二氧化硫(SO2)及懸浮微粒(PM10)來計 算。換算PSI 時是採分段線性內插方式，根據各污 染濃度對人體影響程度劃分為0-500 之副指標值，

經 求 出 每 一 種 污 染 物 濃 度 所 對 應 之 副 指 標 值 (Sub-index)後，當日之 PSI 值即為五個副指標值中 最大者，而代表PSI 值之污染物便稱為指標污染物 (Critical pollutant)，如表 1。以本研究採樣時間而 言，指標污染物大部分受副指標 PM10主導，少部 份受副指標O3主導，其餘污染物則無。

表1 污染物濃度與副指標值對照表 污染物 PM10 SO2 CO O3 NO2

統計方式 24 小時 平均值

24 小時 平均值

24 小時 內最大

8 小時 平均值

24 小時 內最大 小時值

24 小時 內最大 小時值 單位 μg/m³ ppb Ppm ppb ppb

PSI 值

50 100 200 300 400 500

50 150 350 420 500 600

30 140 300 600 800 1000

4.5 9 15 20 40 50

60 120 200 400 500 600

- - 600 1200 1600 2000

3. 研究方法

隨著現代物理學、空間技術、電子技術、電腦 技術、資訊科學及環境科學等發展，遙感技術已成 為一先進且實用之綜合性探測手段。遙感(Remote Sensing, RS)是一種遠距離目標，非接觸之判定分 析性質之技術。

(1) 實驗儀器

實驗所開發之HyCAM-I 目前於國內各相關實 驗室及廠商尚無參考資料，為本研究將高光譜儀結 合影像資料所開發之儀器，加上其它輔助設備。感 測波長範圍為401nm~720nm，間距為 1nm，即 1nm 拍攝一張影像，全範圍共 320 張影像。HyCAM-I 本身由三部份結合而成，包含前端接收光源之鏡頭、

高光譜及可變波長控制盒(如圖 2)與後端供感光之 CCD，且須透過影像擷取卡將 CCD 接收到之訊號 轉換為影像呈現於電腦螢幕上，利於採樣人員進行 採樣作業，並透過軟體操控波長擷取範圍及間隔，

將影像之光譜資料儲存於電腦硬碟中(非影像檔) 再帶回實驗室進行後續資料前處理。

高 光 譜 設 備 為 液 晶 可 調 式 濾 波 器(Liquid crystal tunable filters)，其原理係利用液晶偏轉特性，

使特定波長通過，其光通量約為40%，波長峰值半 高寬約為7nm。其餘輔助設備如下：腳架為固定可 攜式高光譜儀，避免儀器掉落或於拍攝圖像中儀器 晃動導致圖像模糊之情形發生；筆記型電腦可於採 樣時進行對焦、拍攝、儲存光譜資料等工作，另透 過USB 傳輸線提供可變波長控制盒及影像擷取卡 電源；白板用以採樣時將此板置於鏡頭前與目標物 一併攝入，目的在拍攝影像時為避免太陽光輻射量 不足，產生不必要之實驗誤差，故放置此白板以利 於集中收集光源。

(2) 儀器特性及輻射校正

由於HyCAM-I 係以灰度值(Digital Count, DC) 方式儲存光譜資料，每一個灰度值代表著一個該次 採樣所接收到之反射率，須先將灰度值轉換成反射 率。本研究向國內中央大學商借已知反射率之四種 標準反射板，反射率分別為20%、50%，75%及 99%，

取得四種標準反射板之灰度值後，以99%標準反射 板為參考值，將其他三種標準反射率之灰度值除以 99%標準反射板之灰度值，如公式(1)：

255 Re

, 99 . 0 ,

,  





 DC

f_i DCⁱ (1)

其中Ref 為反射率，為求方便將原始反射率介 於0~1 範圍值增揚至 0~255；i 為 0.20, 0.50, 0.75, 0.99；λ 為波長介於 401~720nm。

由上 此儀器與 圖3 為波 值，y 軸

(3) 實驗 本研 站本體之 之相關性 之重要因 射傳送理 正曲線，

之樣本校 無雲之前 體接近蘭 時段(09:0 採樣 現場採樣 了避免多 於減少光 約為20 分

Reflectance

上式得四組反射 與各個波段灰度 波長550nm 之 軸為增揚後之反

圖2 HyCAM 步驟 研究採用HyC 之光譜資料，並 性以建立空氣 因素為天氣，由 理論，於晴朗無 並以此為基準 校正至同一基 前提下，才可進 蘭氏面(Lambe

00~14:00)。

樣時須於固定 樣示意如圖4) 多餘之誤差出現 光圈積分時間

分鐘，拍攝3

圖3 校正

0 50 100 150 200 250

0 50

射率後，與標 度值轉反射率 之校正曲線，

反射率。

M-I 及可變波長

CAM-I 來採集 並分析該光譜 品質估算模式 由於本研究校 無雲之天氣製 準，透過此校 準下，故必須 進行採樣工作 ertian)，採樣

定位置、固定角 )並固定鏡頭倍 現，於鏡頭前

，一次採樣時 320 張影像時

正曲線(λ=550

550 ^{Ref = 1.}

R² = 0.9

100 150 DC

標準反射板可繪 率之校正曲線

圖中x 軸為灰

長控制盒

集斗六空氣品質 譜資料與空氣品 式。決定是否採 校正方式係利用 製作標準反射板 校正曲線將採集 須要在天氣晴朗 作；為了讓地表 樣時間多半為中

角度架設儀器 倍率進行對焦 前放置珍珠板以

時間(含架設儀 時間約2 分鐘

0nm)

1567DC + 6.9926 9992

200 250

繪出 線，如 灰度

質測 品質 採樣 用輻 板校 集到 朗且 表物 中午

器(其 焦，為 以利 儀器)

。

(4)

ERD 先以 欲萃 各P (1)換 端強 波段 (5)

率之 PSI 主要 時往 O3為 過去 本研 續採 副指 副指 PSI

3.

Vap 函數

f (

6

影像擷取卡

可變波長 控制盒

電 腦

圖 資料前處理

本研究採樣 DAS Imagine 以ERDAS Im 萃取影像範圍 Pixels 數據萃 換算為反射率 強度較弱，容 段範圍約為4 PSI 修正方式

本研究最初 之相關性，但 I 值換算方法 要原因是環保 往回推24 小時

為以過去24 小 去24 小時內最 研究採用光譜 採集24 小時之 指標值為該小 指標值後，再以 I 值，以 PSIhr

1 支撐向

SVR 為 SV pnik, 1995)，利 數如公式(2)：



x



x)



 

HyCAM-I

約50公尺 反射光

空氣微粒

圖4 現場採樣

樣所儲存檔案格 e 轉成 img 檔 magine 內建提 圍圈選後匯出 萃取並儲存，最

率。由於可見光 易有雜訊產生 80nm~675nm 式

初分析環保署公 結果較不理想 與環保署公告 保署之PSI 值以

時之平均值換 小時內最大值 最大八小時之 譜分析，無法夜

之光譜資料，故 小時之測值直接 以各副指標值

r表示之。

向量機迴

VM 進一步延 利用迴歸方法

b

尺

空 入射光

粒等物質

樣示意圖

格式為bsq，

檔後方可呈現 提供之影像圈

，其次利用程 最後將灰度值 光於401nm~

生，故本研究 m。

公告之 PSI 想，故本研究 告之PSI 值有

以PM10為例 換算成PSI 副 值換算之；而 之平均值換算 夜間採樣，因 故本研究所使 接線性內插換 值之最大值做

迴歸(SVR)

延伸之應用(

法處理估算問

空氣品質 監測站

將其匯入 現圖像。首 圈選工具將 程式將圖中 值透過公式

~720nm 兩 究實際使用

值與反射 究所使用之 有所不同，

例係以該小 副指標值；

而CO 則為 算成之，但 因此無法連 使用之PSI 換算為PSI 做為該小時

)

(Cortes &

問題。決策

(2)

施明倫、林唐煌、洪志豪、蔡廣叡：可攜式高光譜影像儀應用於遙測空氣品質指標 233 其中 ω 為 f(x)之複雜度(Complexity)，ω 愈大表示

模式愈複雜，依結構最小化法則，模式複雜度可以 公式(3)表示







 ^l

i

i

C i 1 2 *

) 2 (

1    (3)

i i

i

x b

y  (    )     )

*

(   x

_i

 b  y

_i

   

_i ,



_i

, 

_i^*

 0

^, i1,...,l 其中



_i^與_i^*為離群之學習樣本；C 在此為使用者 定 義 之 成 本 參 數(Cost parameter) 或 懲 罰 參 數 (Penalty parameter)，C 值愈大表誤差發生時對目標 函數影響愈大。SVR 主要函數形式為 ε 不敏感損 失函數(ε-insensitive loss function)如公式(4)：













 

 y f x otherwise

x f y x if

f

y ( ) ,

) ( ,

) 0

( 



 (4) 其中y 為實際值，f(x)為估算值，而 ε 為一可 容許誤差區間(ε-tube)，當 y 落於誤差區間外時，

即給予懲罰，由此損失函數即可定義出y 與 f(x)之 誤差即為支撐向量。

SVR 與傳統線性迴歸所使用之最小平方法 (Least squares method)之差異在於 ε-tube，因此 SVR 僅須少量且具代表性之樣本即可建立決策函數，而 最小平方法則需所有樣本才能建立。最佳化公式(4) 可利用拉氏乘數



_i^,



_i^*, _i^,  ，並利用拉式函數_i^* 求解(5)，此問題之解即為公式(6)之鞍點，如公式 (5)及公式(6)：

) , , , , , , ,

( b  ^*  ^*  ^*

L

 

 





































 



 





l

i i i i i

l i

i i

i i

l i

i i

b x y

b x y

C

1 1

1 2 *

) (

) (

) 2 (

1

∑





























 ^l

i

i i i i 1

*

* )

(   (5)























 







 







 







 











, 0 -

C , 0

, 0 -

C , 0

, 0 ) (

, 0

, ) (

, 0

*

*

* 1

* 1

*

i i i

i i i

l

i i i

l i

i i i

L L b L L x



 



 









 

l

i

i

i i

i

, 

^*

,  , 

^*

,  0 ,  1 ,...,



(6)

將公式(6)代入公式(5)，並將之換為對偶問題如公 式(7)：











 ^l

j i

j i j j i

i x x

1 ,

*

* )( )( )

2 (

1    

) ( ) (

1

* 1

*





 







 ^l

i i i i

l

i i i y  

 (7)

其 中 ( ) 0

1

* 



 l i

i

i 

 , 0_i C , l

i

i C , 1,...,

0^*  ^{。 將 非 零 之}



_i^與



_i^{*代 入}







 ^l

i

i

i x

1

*

i )

( 

 可得 ω。最後線性 SVR 之決策

函數如公式(8)：











 ^l

i i x xi b

x f

1 i

* )( )

( )

(   (8) 而

( 

_i^*

 

_i

)  0

所對應之資料即為支撐向量(張 逸凡，2005)。

3.2 參數最佳化-網格搜尋法 (Grid Search)

參數設定上，由於 C 值與γ值無法藉由軟體 進行自動搜尋。因此在模式之建構上，需藉由手動 輸入 C 值與γ值來得到完整之模式，本研究使用 網格搜尋法加以輔助。所謂的網格搜尋法就是將輸 入參數空間分割成許多相同大小的網格，每次在網 格中取出一組輸入參數組合進行實驗，接著在所有 的實驗結果中找到極值及其對應的輸入參數值。網 格搜尋法之概念是利用界定 C 與γ的搜尋上限及 下限，並決定搜尋時每一次跳動間距以找出在此區 間內最小誤差的參數組合。以下為搜尋步驟(如圖 5)。

(1) 依相關文獻中初步界定 C、R 初始值及其範 圍。

(2) 決定搜尋跳動間距。

(3) 記錄起始 c、γ 參數之分析結果。

(4) 將 c 增加一次跳動間距，γ 不變，紀錄其分析 結果。

(5) 將 γ 增加一次跳動間距，c 不變，紀錄其分析 結果。

(6) 將 c、γ 皆增加一次跳動間距，紀錄其分析結 果。

(7) 將目前 C+c，R+γ 之參數組合為下一個初始參 數搜尋位置。

(8) 重覆(2)~(7)步驟至搜尋達 C、R 上、下界值。

(9) 記錄最佳訓練誤差值。

(10) 將 搜 尋 出 訓 練 最 佳 參 數 組 合 代 入 驗 證 (Validation)資料計算估計值。

圖5 Grid search 演算搜尋法

3.3 多變量線性迴歸(MLR)

迴歸分析於統計分析上之應用為一種估計應 變數與一個或多個自變數或共變量間之線性關係，

目的在透過這種關係以自變數來估算應變數。由於 高光譜波段數量龐大，選擇一個不適當之波段來建 立迴歸方程式會使得迴歸係數估計值帶來不合理 之解釋。建立迴歸模式時，一方面希望包含較多波 段，以求得準確之估算；另一方面，基於模式複雜 度考量，波段數目應盡量減少。結合上述考量，理 想狀況係以較少波段，達到建立良好的迴歸估算模 式。

3.4 相關性分析(Correlation Analysis)

(1) 皮爾森相關係數

為瞭解兩組數值資料間相關性及方向與程度，

可以利用線性相關測量兩者間之強度，而皮爾森相 關係數即為測量兩變項間之線性關係，因此兩變量 間為曲線關係之情形不適用。

) 1 (

) ( )

1 (

) (

) 1 (

) )(

(

1

2

1

2 1













 



  















n y y n

x x

n

y y x x

z i

i z

i i z i

i i



XY (9)

其中



_XY為樣本相關係數，xi 及 yi 代表 X 群 及Y 群之樣本，x及

y

則分別代表X 群及 Y 群之 平均值，n 為樣本數。

(2) 決定係數

決定係數是在迴歸分析中，用來瞭解在自變數 Xi 與應變數 Y 所建立之迴歸模式中，Y 受 X 影響 多寡而決定。其應用最小平方法之概念為想找一個 估計值來代表實際值時，彼此之間具有一點偏差，

可能為正偏差或負偏差，故以最小平方法衡量誤差 之 大 小 程 度 。 其 為 相 關 係 數 的 平 方( 通 常 以 R-Square 或 R²表示)。相關係數之值區間為[-1, 1]，

決定係數之值則介於[0, 1]，其值愈大表示在估算 效能上愈佳。

3.5 交叉驗證(Cross Validation)

本研究以交叉驗證來比較 SVR 與 MLR 之不 確定性。一般交叉驗證方法係假設樣本數為n，取 其中一筆樣本做為驗證(Validation)之數據，其餘 n-1 個樣本供學習(Training)，如此分析 n 次後即可 得知此模式之不確定性。此分析方法之結果對資料 筆數少之輸入層較為嚴謹客觀，且可以全程瞭解模 式之分析結果。

本研究之交叉驗證係以v-fold 方式進行分析，

此方式係每次將所有樣本隨機分為 v 組(本研究分

施明倫、林唐煌、洪志豪、蔡廣叡：可攜式高光譜影像儀應用於遙測空氣品質指標 235 5 組)，取其中一組為驗證樣本，其餘 v-1 組作為學

習或迴歸之樣本，重複v 次直至每組皆被驗證後計 算所有驗證資料估算值與觀測值的相關性與誤差，

如此循環100 次(即隨機分五組 100 次)。最後再建 立一估算空氣品質指標最佳模式，做為未來任一未 設測站區域空氣品質指標估算模式。

3.6 評估指標

本研究嘗試利用 SVR 及 MLR 以估算空氣品 質，其結果以決定係數(R2)、均方根誤差(RMSE)、

RMSE 佔觀測值標準差(Standard Deviation)之比例 (RMSE/StDev) 、 平 均 絕 對 誤 差 百 分 比 (Mean Absolute Percentage Error, MAPE)及 95%信賴區間 (Confidence Intervals, CI)作為評估比較之依據。

RMSE 值愈低則代表模式估算值與觀測值之差距 愈少，估算效果較佳，其定義如公式(10)：

 

n Pdt Obs RMSE

n

i

i



i





 ¹

2

其中n 為樣本數；Obsi 及 Pdti 分別為第 i 個觀測值 及估算值。

RMSE/StDev 之定義如公式(11)：

 

 

n Obs Obs

n Pdt Obs

StDev

RMSE n

i i n i

i i















1

2 1

2

/

其中n 為樣本數；

Obs

_i及

Pdt

_i分別為第i 個觀測 值及估算值；

Obs

^為Obs 之平均值。

MAPE 為一相對數值，不受觀測值與估算值單 位與大小之影響，能夠客觀地獲得觀測值與估算值 間之差異程度，其定義如公式(12)：

%

1 100









n Obs

Pdt Obs MAPE

n

i i

i i

其中n 為樣本數；

Obs

_i及

Pdt

_i分別為第i 個觀測 值及估算值。

95%信賴區間其定義如公式(13)：

z n x

CI σ

2 α

%

95

  

其中

x

為每次驗證樣本指標之平均值；

2

zα^為常態

分布之臨界值(Critical Point)，95%信賴區間中 α 以 0.05 代入，查表得知

2

zα^為 1.96；σ 為驗證樣本指 標值之標準偏差；n 為驗證樣本數(100 次)。

3.7 模式建立

在本研究之最佳模式選取流程中，首先於學習 樣本中篩選出作為輸入變量之波段，以交叉驗證方 式導入 SVR 及 MLR 模式學習及驗證，最後各模 式學習估算結果與原始觀測值比較其R²、RMSE、

RMSE/StDev 及 MAPE，挑選出模式最佳參數值，

則該模式代表在學習上具有最佳效果，故為最佳學 習模式，再以此模式驗證後續資料。因此對於 HyCAM-I 未來所接收到之光譜影像資料能夠直接 且有效率地估算其空氣品質指標。以下針對本研究 所使用樣本誤差名稱定義如下：

(1) 學習誤差(Training error)

現場帶回之樣本經篩選後所挑選之51 筆樣本，

供初步分析其相關性及篩選變量之樣本，如依 51 筆樣本建模後之估算值與原來51 筆樣本觀測值之 差異稱為學習誤差；另於交叉驗證中，將51 筆樣 本隨機分為5 組，4 組用以模式學習建模，建模後 之估算值與原來 4 組所有樣本觀測值之差異亦稱 為學習誤差。

(2) 驗證誤差(Validation error)

於交叉驗證中，將51 筆樣本隨機分為 5 組，4 組用以模式學習，剩餘1 組作為模式估算驗證，則 該組樣本稱為驗證樣本，依4 組學習樣本建模後對 該組驗證樣本之估算值與原來該組驗證樣本觀測 值的差異稱為驗證誤差，本研究亦進一步將此分組 方式隨機重覆100 次。

(10)

(11)

(12)

(13)

本研 上9 點至 下午2 點 築物陰影 線進入比 除；另將環 之該日樣 驗數據有 51 筆。

4.1 變

相關

4. 結

研究採樣時間 至下午2 點，

點採樣時，放置 影遮蔽，可能導 比預期更多，造 環保署公告之 樣本去除；另採 有嚴重誤差，

變量篩選

關性分析方面

果與討

由97 年 7 月 期間共累積7 置於鏡頭前之

導致光圈過大 造成實驗數據 之斗六測站即 採樣當日天氣 最後剩餘有

選

，單就各項污

圖

論

至同年12 月 76 筆樣本。由 之珍珠板容易被 大，單位時間內 據誤差，故將之 即時觀測值有錯 氣多雲時亦會使 效處理之樣本

污染物之觀測值

5 PSIhr、波長 月，早

由於 被建 內光 之去 錯誤 使實 本共

值及

綜合 PSI NO 說 綜合 軸)之 做為 議以 al., Kho 520 輸入 波段 如圖

長與樣本反射

合性指標PSIh

Ihr之R²最大值

2則與綠光段

，PSIhr與反射 合上述「PSIhr( 之關係如圖 為SVR 及 M 以 550nm 做為

2006; Wu orshiddoust, 2 0nm 及 590nm 入變量組合評 段之反射率與 圖6~圖 7。

射率(Ref)關係

hr值與各波段 值出現在500 段(520nm~600n

射率之R²較其 (X 軸)、波長(

5」，本研究選 MLR 之輸入變 為分析空氣污 u et al., 2 2007)；且於 m 與 PSIhr相關 評估的選擇，其

與各單項空氣

係圖

段反射率之R² 0nm 及 600nm

nm)之 R²最高 其他各單項污

(Y 軸)與樣本 選擇 500nm 及 變量；另取多 污染物之波段 2006; Sohra 於有效波段範

關性為次高，

其中550nm 及 氣污染物指標

PSIhr

分析結果，

m 附近，而 高。整體來 染物佳。

本反射率(Z 及 600nm 多位學者建 段(Gupta et

abinia &

圍內，因 故一併為 及600nm 值折線圖

4.2 兩

(1) 支撐 將 4 550nm, 5 入SVR 模 使用之S 器學習(M

Ref

R

施明倫

兩模式學

向量機迴歸(

4.1 節 變 量 篩 590nm 及 600 模式，並以P SVR 模式係內 Machine Learn

f

Ref

、林唐煌、洪志

圖6 樣本反

圖7 樣本

學習結果

SVR)學習結果 篩 選 結 果 之 0nm，分別將 PSIhr作為輸出 內建於STATI

ning)模組。參

志豪、蔡廣叡

反射率(Ref)(5

本反射率(600

果

500nm, 520 將其波段反射率

出資料。本研究 ISTICA 8 之之 參數設定方面

：可攜式高光譜

550nm)與各單

0nm)與各單項

0nm, 率輸 究所 之機 面，根

據本 較佳 0.00 上，

式輸 之最 定方 100

譜影像儀應用於

單項污染物觀

項污染物觀測 本研究團隊過 佳分類之效果 01~10 之間較

，若將參數間 輸出之時間，但 最佳模式找尋 方面，C 值從 1 0~1000 間距為

於遙測空氣品質

測值折線圖

值折線圖 過往結果顯示 果，而 γ 值依 較合適(施明倫 距設定過大，

但卻無法很明 尋出來。經由反

1~10 間距為 為100，而 γ 值

質指標

C 值範圍在 1 依支撐向量機 倫，2008)。在

，可節省參數 明確將學習及 反覆測試後，

1；10~100 間距 值之設定從0

O3：ppb PM10、P PSIhr：無

採樣日期

O3：ppb PM10、P PSIhr：無

採樣日期

237

1~1000 有 機理論介於 在間距設定 數網格化程 及率定參數 C 值之設 距為10；

.001~0.01 PM2.5：μg/m³ 無單位

期

PM2.5：μg/m 無單位

期

3

3

間距為0.001；0.01~0.1 間距為 0.01；0.1~1 間距為 0.1；1~10 間距為 1，ε 經測試為較不敏感參數，因 此皆固定為0.1，依此 C 值與 γ 值設定下之參數網 格，可由此網格(1200 組)中挑選得到輸出之最佳化 學習結果(如表 3)。結果顯示，三變量組合之 RMSE 最佳值為6.1，RMSE/StDev 與 MAPE 亦分別為 0.46 與8%，其輸入三變量為 500nm、550nm 及 600nm，

C 值為 70，γ 為 10，該組與 520nm、550nm 及 600nm 三變量之R²均為0.79，但 520nm、550nm 及 600nm 波段組合之RMSE、RMSE/StDev 與 MAPE 均不如 500nm、550nm 及 600nm 波段組合。另以 500nm、

520nm、550nm 及 600nm 四變量為輸入組合，C 值 與γ 值分別為 100 與 10 之所有結果皆優於三變量 組合，但因其無明顯提昇，為求減少模式複雜度，

故仍以三變量組合為本研究最佳輸入變量組合。

模式複雜度方面，C 值與 γ 值愈大表示模式愈 複雜，而波段組合愈多，模式亦愈複雜，但由表中 可看出C 值與 γ 值愈大，其估算結果之相關性及誤 差均愈佳，為避免模式過度學習導致分析結果之誤 判，需進一步以交叉驗證方式驗證兩模式之能力。

(2) 多變量線性迴歸(MLR)學習結果

本研究亦以500nm, 520nm, 550nm, 590nm 及 600nm 做為篩選輸入變量組合的依據，以上節相同 方式進行多變量線性迴歸(MLR)分析。其結果如表 4 可知各組之 RMSE 均介於 9~10，RMSE/StDev 介於0.71~0.73，MAPE 則為 14%，而 R²亦穩定地 介於0.46~0.48。

表3 SVR 模式迴歸學習結果 波段(nm) R² RMSE RMSE

/StDev MAPE

(%) 500, 520, 550 0.73 7.4 0.52 9 500, 550, 600 0.79 6.1 0.46 8 520, 550, 600 0.79 6.2 0.47 8 500, 520, 550, 600 0.81 6.2 0.43 8

表4 MLR 模式迴歸學習結果 波段(nm) R² RMSE RMSE

/StDev

MAPE (%) 500, 520, 550 0.48 9.2 0.72 14 500, 550, 600 0.46 10.2 0.73 14 520, 550, 600 0.46 10.1 0.73 14 500, 520, 550, 600 0.48 9.4 0.71 14

4.3 交叉驗證(CV)分析結果及 綜合比較

本研究之交叉驗證每次將51 筆樣本隨機分為 5 組，其中 4 組作為學習資料而另 1 組即為驗證樣 本，故學習有40 筆樣本、驗證有 11 筆樣本，總共 隨機取樣100 次，以兩模式分析估算 PSIhr，並以 RMSE, RMSE/StDev, R2 及 MAPE 評估模式優劣。

(1) SVR 之 CV 分析結果

以SVR 模式估算 PSIhr結果如表5。參數設定 方面，根據表3 將 γ 及 ε 固定為 10 及 0.1，C 值範 圍由50~100，間隔 1。表中 RMSE 僅摘錄誤差最 小值、中間值及最大值，並列出隨機取樣100 次之 平均值及其標準偏差，其中平均 RMSE 為 12.1，

95%信賴區間為[11.8, 12.4]，其 R², RMSE/StDev 及 MAPE 平均分別為 0.28, 0.93 及 20%，其 95%信賴 區間分別為[0.24, 0.31], [0.89, 0.98]及[19%, 21%]，

除R²外皆為隨機取樣100 次中最佳值。

估 算 PSIhr 學 習 結 果(取 500nm, 550nm 及 600nm 組合之結果表 3)與交叉驗證結果(表 5)之比 較，平均 RMSE(RMSE/StDev)由 6.1(0.46)增加至 12 .9(0.93)，平均 R²由0.79 降至 0.28，平均 MAPE 由 8%增加至 20%，充分顯示 SVR 模式學習結果 有過度學習之不穩定現象。

表5 SVR 模式之交叉驗證結果

R² RMSE RMSE/StDev MAPE(%) 最小值

中間值 最大值

0.60 5.4 0.39 9 0.27 12.9 0.93 18 0.01 23.1 1.72 27 平均(100 次) 0.28 12.1 0.93 20

StDev

(100 次) 0.18 3.6 0.21 5 (2) MLR 之 CV 分析結果

以MLR 模式之 CV 估算 PSIhr結果如表6，表 中以 RMSE 排序僅摘錄誤差最小值、中間值、最 大值與隨機取樣100 次之平均值及其標準偏差，平 均RMSE, R², RMSE/StDev 及 MAPE 分別為 10.4, 0.47, 0.77 及 17%，其 95%信賴區間分別為[10.1, 10.7], [0.46, 0.48], [0.74, 0.81]及[16%, 18%]。

施明倫、林唐煌、洪志豪、蔡廣叡：可攜式高光譜影像儀應用於遙測空氣品質指標 239 估算PSIhr學習結果取500nm, 550nm 及 600nm

組合之結果(表 4)與交叉驗證結果(表 6)之比較，平 均RMSE 由 10.1 增加至 10.4，平均 RMSE/StDev 由0.73 增加至 0.77，平均 R²由0.46 增加至 0.47，

平均MAPE 由 14%增加至 17%，顯示驗證結果雖 稍差於學習結果，但顯著性不高。

表6 MLR 模式之交叉驗證結果

R² RMSE RMSE

/StDev MAPE (%) 最小值 0.47 5.4 0.38 8 中間值 0.52 10.7 0.77 18 最大值 0.51 15.9 1.15 24 平均(100 次) 0.47 10.4 0.77 17 StDev(100 次) 0.06 2.6 0.17 4

4.4 SVR 及 MLR 模式比較

綜合4.3.1 及 4.3.2 節，本研究將 SVR 模式及 MLR 模式估算 PSIhr之結果(表 5 及表 6)繪出 R²及 RMSE 直方圖(圖 8~11)與散佈圖(圖 12~17)。

由圖8 及 9 可看出 SVR 模式估算 PSIhr之R² 可達0.60，但最低卻不足千分之一，而以 MLR 估 算PSIhr之R²最高及最低區間為0.3~0.6，較 SVR 模式集中且為近似常態分布(略右偏)；圖 10 及圖 11 可知 MLR 模式估算 PSIhr之誤差範圍分布較 SVR 模式集中，SVR 模式與 MLR 模式最低誤差值 同為5(圖 12 及圖 15)，RMSE/StDev 約為 0.4，但 SVR 模式最高誤差達到 23(圖 14)，RMSE/StDev 約為1.7，MLR 模式之最高誤差值僅有 15(圖 17)，

RMSE/StDev 約為 1.2，於平均 RMSE 方面，SVR 模式及MLR 模式分別為 12 及 10 (圖 13 及 16)，

RMSE/StDev 分別為 0.93 及 0.77，皆以 MLR 模式 佔優勢，且較集中接近常態分布。

綜合上述結果，SVR 模式雖在學習誤差值較 小，但有可能產生過度學習的現象，使用時需小心 其風險。但 MLR 模式在多次隨機驗證估算 PSIhr

時，呈現誤差較小，穩定性亦高於SVR 模式的結 果，顯示其較不易過度學習，而使用SVR 模式時，

取樣應需要有代表性較好的學習樣本，以避免學習 誤差很好，卻可能產生極差的估算結果。

圖8 SVR 之 R²直方圖

圖9 MLR 之 R²直方圖

圖10 SVR 之 RMSE 直方圖

圖11 MLR 之 RMSE 直方圖

0 5 10 15 20 25 30

-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7

R²

Frequency

0 5 10 15 20 25 30

-0.1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7

R²

Frequency

0 5 10 15 20 25 30 35

0 4 8 12 16 20 24

RMSE

Frequency

0 5 10 15 20 25 30 35

0 4 8 12 16 20 24

RMSE

Frequency

圖12 SVR 模式交叉驗證散佈圖 (最小 RMSE=5)

圖13 SVR 模式交叉驗證散佈圖 (平均 RMSE=12)

圖14 SVR 模式交叉驗證散佈圖 (最大 RMSE=23)

圖15 MLR 模式交叉驗證散佈圖 (最小 RMSE=5)

圖16 MLR 模式交叉驗證散佈圖 (平均 RMSE=10)

圖17 MLR 模式交叉驗證散佈圖 (最大 RMSE=15)

0 20 40 60 80 100

0 20 40 60 80 100

Observed

Predicted

0 20 40 60 80 100

0 20 40 60 80 100

Observed

Predicted

0 20 40 60 80 100

0 20 40 60 80 100

Observed

Predicted

0 20 40 60 80 100

0 20 40 60 80 100

Observed

Predicted

0 20 40 60 80 100

0 20 40 60 80 100

Observed

Predicted

0 20 40 60 80 100

0 20 40 60 80 100

Observed

Predicted

施明倫、林唐煌、洪志豪、蔡廣叡：可攜式高光譜影像儀應用於遙測空氣品質指標 241

5. 結論與建議

5.1 結論

總體來說，本研究以500nm, 550nm 及 600nm 波段反射率做為輸入變量可達最佳模式，若單以 550nm 做 為 輸 入 變 量 其 相 關 性 略 遜 於 520nm, 590nm 及 610nm，但配合 500nm 及 600nm 做為輸 入變量組合之分析結果仍稍優於其他單或多變量 組合，此結果與前述多位學者之文獻相互呼應，然 而單變量之誤差與本研究最佳三變量組合差異不 大，如考慮再簡化模式複雜度，亦可建議使用單一 變量模式。

在分析 PSIhr 與光譜反射率之學習結果，以 500nm, 550nm 及 600nm 做為輸入變量，MLR 模式 之R², RMSE, RMSE/StDev 及 MAPE 分別為 0.46, 10, 0.73 及 14%，雖與實驗室在控制條件下所可能 得到高相關性略有差距，但野外量測之不確定因素 本來就較多，因此本研究結果應尚在可接受範圍。

然而在PSIhr 與光譜反射率資料之隨機抽樣多次交 叉驗證分析結果，SVR 模式(輸入變量為 500nm, 550nm 及 600nm)分析結果 RMSE(RMSE/ StDev) 最低值為5(0.39)，但最高值達 23(1.72)，平均 RMSE 為12；而 MLR 之 RMSE(RMSE /StDev)最低值為 5(0.38)，最高值為 15(1.15)，平均 RMSE 為 10，顯 示出 MLR 模式學習誤差雖較 SVR 模式稍大，但 驗證結果及穩定性卻優於SVR 模式。

5.2 建議

本研究因時間、人力因素限制，採集樣本數量 稍少，所以未來建議可以多採集樣本，可增加數據 之準確性以及代表性。又本研究選擇樣本時僅限於 當天之天氣狀況晴天無雲，於天氣狀況有些許雲量 時採集之樣本數據相關性皆為低相關性，於去除該 樣本後相關性明顯提升。建議未來除標準反射板外，

亦可利用亮點及暗點來作為當日輻射量校正的方 式，以改善環境變因及儀器特性所造成之影響。

本研究所使用之儀器就目前所知國內尚無參考資

料，而HyCAM-I 之可攜式高光譜影像儀中所採用 之光圈為自動光圈，造成實驗中光圈會因不同入射 光線強度自動調整，本研究室擬計畫裝設固定光圈 式 CCD，以期減少無法控制之變因；並可於儀器 上增設恆溫裝置，例如液態氮等，可有效減少溫度 對儀器所造成之影響；另外考慮擴大可變光譜波段 範圍，可將水氣強吸收段之 940nm 納入，應可有 效去除水氣干擾，增加數據之精確度。而目前僅利 用本實驗室現有的衛星圖資作綜合性粗略探討，未 來待資料收集更完善後，再針對單一污染物及光譜 儀敏感度分析，亦或以雷達影像作更深入的探討。

參考文獻

林唐煌，2001。利用衛星資料求取大氣氣溶膠光學 厚度之研究與應用，國立中央大學博士論文，

桃園縣。

邱瑞仙，2008。桃園地區空氣污染物濃度相關性及 地理分布，國立中央大學碩士論文，桃園縣。

施明倫、游保杉、張維欽、林珈禎、汪志達，2008。

比較支撐向量機與類神經網路模式遙測河川 污染分類之研究，環境資訊研討會頁486，台 北市。

張逸凡，2005。支撐向量機在即時河川水位預報之 應用，國立成功大學水利及海洋工程研究所碩 士論文，台南市。

張能復、鄭福田、蔡俊鴻、張晃彰、林金源、吳曉 窗，1986。台北市空氣污染偵測網選站準則之 研究，國立台灣大學環境工程研究所，台北 市。

Cortes, C., & Vapnik, V., 1995. Support vector networks, Mechine Learning, 20, 273-297, 1995.

Gupta, P., Christopher, S.A., Wang, J., Gehrig, R., Lee, Y. and Kumar, N., 2006. Satellite remote sensing of particulate matter and air quality assessment over global cities, Atmospheric Environment, 40, 5880-5892.

Sohrabinia, M. & Khorshiddoust, A.M., 2007.

Application of satellite data and GIS in studying air pollutants in Tehran, Habitat International, 31, 268-275.

Wu, J., Winer, A.M. and Delfino, R.J., 2006.

Exposure assessment of particulate matter air pollution before, during, and after the 2003 Southern California wildfires, Atmospheric Environment, 40, 3333-3348

Journal of Photogrammetry and Remote Sensing Volume 16, No.4, January 2013 243

1Instructor, Institute of Safety, Health and Environmental Engineering, Received Date: Mar. 15, 2011 2 National Yunlin University of Science & Technology Revised Date: Apr. 13 , 2011 2 Assistant Professor, Institute of Space Science, National Central University Accepted Date: Jul. 18, 2011 3 Master, Institute of Safety, Health and Environmental Engineering,

3 National Yunlin University of Science & Technology

*.Corresponding Author, Phone: 886-5-5342601 ext. 4489 , E-mail: [email protected]

Developing A Portable Hyperspectral Camera To Monitor Air Quality Index

Min-Luen Shih

¹

Tang-Huan Lin

²

Chih-Hao Hung

^3*

Guang-Ray Tsai

⁴

ABSTRACT

Ground-based air quality monitoring stations were set up traditionally in accordance with population density.

It could only sample the air pollutants at selected stationery locations with high operation and maintenance cost.

Nowadays, remote sensing technology has been widely applied to monitor the ambient atmospheric environment, this research is intended to develop a portable hyperspectral camera (HyCAM-I) to monitor the air Pollutant Standard Index (PSI) remotely. With the establishment of an air quality estimation model from the hyperspectral data and the sampling calculated hourly PSIhr, we can measure the air quality easier in any ungaged region by mobile HyCAM-I rather than using the traditional site-specific monitoring data.

For building up the air quality index estimation model, this study adopted the supporting vector regression (SVR) model and the multivariate linear regression (MLR) model to calibrate the relationship of the measured hyperspectral data and the PSIhr index. Three bands of 500nm, 550nm and 600nm were used as the input variables to estimate the outputs of the PSIhr. Cross validation method was used to verify the model efficiency.

The results showed that the estimation of the SVR model may have over learned, and caused the estimation errors of the SVR model more unstable and greater than those of the MLR model. However, the average estimation error of the MLR model is still acceptable but need to be verified by improving the device with expanding the samples in the future to enhance the reliability.

Keywords:

hyperspectral camera, remote sensing, pollutants standard index, support vector machine, multivariate linear regression.

航測及遙測學刊 第十六卷 第 4 期 第 245-260 民國 102 年 01 月 245

Journal of Photogrammetry and Remote Sensing Volume16, No 4, January 2013, pp. 245-260

1國立政治大學地政學系 碩士 收到日期:民國 101 年 02 月 21 日

2國立政治大學地政學系 副教授 修改日期:民國 101 年 06 月 13 日

3逢甲大學地理資訊系統研究中心 主任 接受日期:民國 101 年 07 月 30 日

＊通訊作者, 電話: 02-2939-3091 ext. 51657, E-mail: [email protected]

以自率光束法提升四旋翼 UAV 航拍影像之空三平差 精度

謝幸宜

¹

邱式鴻

^2*

摘 要

整合GPS、INS 的無人飛行載具 UAV(Unmanned Aerial Vehicle)可安全、快速地蒐集資料。然 UAV 系 統常搭載非量測型像機取像，以一般航測方式執行空三平差時，將使平差結果產生較大誤差。自率光束 法空三平差可將影像坐標的系統誤差模式化、並加以改正，提升空三平差精度。本文中以四旋翼UAV 系 統搭載非量測型像機獲取影像，於空三平差作業時比較以：(1)光束法空三平差、(2)自率光束法空三平差、

以及(3)預改正的自率光束法空三平差的平差結果。結果顯示：預改正的自率光束法空三平差結果最佳，

以Brown(1976)附加參數模式的自率光束法空三平差精度次之，且均優於光束法空三平差精度。

關鍵詞：四旋翼、無人飛行載具、非量測型像機、自率光束法

1. 前言

今無人飛行載具(Unmanned Aerial Vehicles, UAVs)具有機動性強、時效性高、經費需求較低、

操作所需的天氣條件較寬鬆，且可安全、快速地獲 取空間資訊等優點，因而對較小範圍內的監測、調 查、資料更新等有所助益，應用的層面也相當廣 泛。

現有UAV 系統的種類繁多、各有其適用範圍，

不同UAV 系統搭載像機獲取影像時，其成像的系 統誤差特性未必相同。另UAV 的引擎動力較一般 飛機低，穩定性較差，限制了航行高度與承載重量，

故目前的 UAV 系統多搭配較不精確的 GPS、INS 與取像設備執行任務(陳繼藩，1999；Eisenbeiss, 2009)。而 UAV 系統上的 GPS 天線中心、INS 中心 與像機的透鏡中心並不一致；且UAV 搭載的像機 多為內方位(interior orientation)較不穩定的非量測 型像機，若欲應用UAV 搭載非量測型像機取得的 影像於航空攝影測量時，將會降低攝影測量的精 度。

故一般航測作業中需以率定(calibration)方法

獲得像機的像機參數，並於空中三角測量平差 (aerotriangulation adjustment，以下簡稱空三平差) 計算前依據像機參數先改正成像之系統誤差，以維 持共線條件式(collinearity condition equations)成立，

改善空三平差的平差結果，提升攝影測量的精度。

率定像機的方法有許多，如實驗室法、率定場法等。

實驗室法使用的設備相當昂貴，除須留意該像機的 內方位穩定與否，也需考量實驗室內的環境與航拍 時的環境條件並不相同，使實驗室中率定所得的像 機參數未必能完整描述航拍時的系統誤差，故目前 多以率定場法取得像機的像機參數。

一般航測作業中，可佈設範圍較大的率定場，

以飛機搭載量測型像機拍攝該率定場，取得航拍時 的像機系統誤差模式，並將該組像機參數視為固定，

應用於某段時間內的航拍作業中(李德仁及袁修孝，

2002)。以 UAV 搭載非量測型像機的率定而言，因 航拍的範圍較小，且整套系統的不穩定性較高，故 目前多見以近景攝影測量的率定方式取得非量測 型像機之像機參數，如Förstner & Steffen(2007)、

Hongxia et al.(2007)、Eisenbeiss(2009)等人的試 驗。