多時期衛星影像在耕地面積預測中之研究

李宗仰，陳靜茹，朱木壽（臺灣成功大學水工試驗所，臺灣·臺南 70955）

?

多時期衛星影像在耕地面積預測中之研究

李宗仰，陳靜茹，朱木壽
（臺灣成功大學水工試驗所，臺灣·臺南 70955）

摘 要：本研究使用臺灣彰化及云林兩個地區之2009～2012年的歷史衛星影像，配合2012年春夏及秋冬兩季之現地調查驗證作業，進行土地利用類別之監督式自動化判釋，藉由年度及分類之加總來獲取農業總耕地面積，至于該等時間序數據再藉由灰色建模來估測2013年的總耕地面積，此一估測值與SPOT-6遙測影像的自動判釋成果進行比較，誤差在合理范圍內。本文提供了一個獲取當期或當年度之總耕地面積的快速方法，而透過灰色模式亦能快速估測下一期或接續年度的總耕地面積，該等信息可提供農政單位管理上的參考。

關鍵詞：衛星影像；土地利用判釋；監督式分類法；耕地面積預測

電子郵箱: ntylee@gmail.com

聯系電話: +886-6-2371938×241

衛星影像具有全天候拍攝的優越特性，經由遙測影像土地利用判識過程可對地 進行長期性的監測，同時觀察地物不同時期的變化情形。遙測影像取得時理論上雖可獲得所需區域及所需時間之影像數據，但若遇氣候不佳而造成影像質量受到影響，同時也可能囿于其他因素（如經費及特定時間等）之現實條件，不易達成所需要之完整條件。

衛星多光譜影像記錄了各波段與地物反射波譜間的關系，因此可依據各地物的光譜特性進行分類，進而獲得土地利用類型及大小。本研究利用監督式自動分類法，將衛星多光譜影像分為水體、旱田、水田、建物及道路等五類地物，分別計算研究區域之水田及旱田第一期作及第二期作之面積，再進行耕作面積之加總及比較。

由于當年度之全國性尺度或大范圍農業耕地面積往往需經過1～2年才能統計獲得，為能實時掌握當年度的農業耕地面積，同時結合當年度的信息來估測翌年的農業耕地面積，本研究先以縣市尺度為研究范圍，利用2009～2012年的法國SPOT-5衛星影像來進行農業耕地面積判釋，進而以灰色GM（1，1）模式預測接續一年（2013年）的農業耕地面積，該等結果與2013年SPOT-6衛星影像判釋所得之農業耕地面積進行比較，藉以探討多時期遙測影像之土地利用自動判釋及結合預測模式來進行農業耕地面積估測之可行性。

1 研究范圍與研究方法

1.1 研究范圍與影像

本研究為能探討不同時期的農作耕地面積使用情形，使用了云林與彰化地區2009～2012年之四個年度的SPOT-5 及2013年的SPOT-6遙測影像，每個年度的春夏季及秋冬季各取一幅之多光譜衛星影像進行監督式自動分類。由于衛星影像接收會受限于天候條件影響，因此選擇影像數據時需以無云覆蓋并配合作農物生長期為考慮，圖1顯示了本文研究范圍的地理位置，表1則詳列了本研究所使用的衛星影像拍攝日期。

圖1　本研究多光譜衛星影像地理位置Fig.1 The location map of multi-spectral satellite image in the study

表1　本研究所使用之SPOT多光譜影像拍攝日期一覽表Table 1 The date of SPOT multi-spectral image in the study

1.2 現地調查取樣

現地調查之目的是為提高影像監督式分類判釋時的準確性及多樣性，因此配合研究期間，分別于2012年6月03日、2013年4月11日、2013年4月15日與2013年9月24日赴現地，選擇位于公路旁不同土地利用類別之區塊來進行現地調查，記錄該樣點與鄰近區位的坐標位置及其耕作類別（現地記錄或詢問），以作為影像監督式分類之樣本。

1.3 多光譜衛星影像自動分類方法

利用監督式分類法之最大概似法（Maximum Likelihood Classifier），配合現地調查的樣本數據對2009～2013年的衛星影像進行分類判釋，依據小區塊及多樣區之原則給予各類別所屬之土地使用型態，再將同類型土地類別合并為水體、旱田、水田、建物及道路等五大分類別，將五大分類作為訓練種類及搭配現地實況做為訓練樣本，圖2為五大分類的現地照片代表例。

圖2　土地利用判釋五大分類之現地調查照片代表例Fig.2 The examples of feld surveying photo from fve classifcations of land use identifcation

本研究利用多光譜衛星影像對不同地物會反射出不同光譜的反射特性，采用監督式分類（Supervised Classification）方法來進行土地利用判釋［1～9］。監督式分類法的流程，如圖3所示，其中主要的5個分類步驟，說明如下：

（1）目標物的訓練樣區選取，例如水體、旱田、水田、建物及道路等。

（2）從影像中判釋具有代表性的目標物像元，即訓練樣區，同時配合土地利用數據選擇，以找到足夠之數量與純凈之樣本像元。

（3）檢查圈選樣區內的像元個數是否足夠，避免因像元數太少無法進行統計分析，并從選出的訓練樣區中，計算各波段之統計資料。

（4）多波段影像中，相鄰波段的相關性很高，不同的物質可能在某些波段具有近似的反應，若事先已知悉它們的相關程度，則分類時可減少波段數目，以節省時間及提高效率。

（5）利用上述步驟所決定之各項參數，進行分類。

1.4 影像分類之精確度評估

本研究在影像分類精確度評估方面，使用整體精確度及Kappa同意度指標，其評估方式如下：

（1）整體精確度（Overall Accuracy，OA）

代表分類后正確的土地覆蓋類別之檢核點數除以總抽取的檢核點數，所產生的百分比，其表達式為：

圖3　監督式分類法之流程圖Fig.3 The fow chart of supervised classifcation method

（2）Kappa同意度指標（Kappa Coefficient of Agreement）

Kappa同意度指標為一種常用的分類準確度評估方法，Kappa值為1時，表示為完美同意（Perfect Agreement）；Kappa值為0時，即同意度不高；Kappa值越接近1，表示準確度越高，其表達式如下：

1.5 農業耕作面積預測方法

考慮各時期之遙測影像幅數可能不多且時間期距可能未能連續，因此在模型建構上應注意此一特性，本文選用灰色模型（Grey Model，GM）來進行建模及預測。

灰色系統理論中常用的模型為微分方程所描述之動態方程GM（m，n）模型，其中m表示微分模型的階數，n表示變量個數，本文利用該模型來進行耕地面積之預測。GM（1，1）模型是表示由一個變量及使用一階微分方程所建立，當數據量少（四筆）時，仍可進行建模，在灰色模型中最常被使用且適合預測［10，11］。

灰色系統經常采用累加生成方式處理數據建模，以增強數據之規律性。已知為原始序列向量，N為數據總數或數據長度。令為生成序列向量，且以進行處理或計算，則 為一次累加生成，依此類推。

對于GM（1，1）模型而言，以數據生成為基礎來建立如下的微分方程：

式中，t為時間，a與b分別為發展系數與內生控制系數。該方程的解為

式中的系數a及b，可采用最小二乘法來進行推估，另可透過殘差檢驗計算其誤差概率（P）及標準偏差比（C），透過此二數值來劃分精度等級［12］，進而評估灰色模式之優劣及是否適用于預測。

2 結果及討論

2.1 衛星影像自動分類之精確度

利用監督式分類法之最大概似法對衛星影像自動判識出2009～2013年的五個年度的土地使用分類，其分類精確度結果如表2所示。由表中可看出，2013年2月18日及2013 年10月20日的分類精確度均較2009～2012年者為高，主要原因是在自動分類時，除了輸入現地調查數據之外，再以人工增加樣本數以提高自動判識的樣本，雖過程耗時，但確實可提升自動分類的可靠度，另一主要原因為是2013年的SPOT-6影像分辨率的6m，相較于SPOT-5的10m分辨率，亦大幅提高分類判識的精確度。

表2　2009～2013年衛星影像監督式自動分類結果精確度Table 2 Accuracy of automatic classifcation results of satellite images in 2009～2013

2013年2月18日SPOT-6影像之土地使用分類成果，如圖4所示。2013年10月20日SPOT-6影像之土地使用分類成果，如圖5所示。針對彰化縣與云林縣兩個縣市之春夏季及秋冬季的各種分類的面積百分比，如表3所示。表中顯示出兩個縣市不論是在春夏季或秋冬季，旱田面積是所有分類中的比例最高者，若將水田及旱田予以合計，則其面積百分比約略為53%，顯示出兩個縣市均為重要的農業生產地區。

2.2 利用2009∽2012年SPOT-5遙測影像預測2013年農業耕地面積

本研究利用2009～2012年SPOT-5遙測影像之土地利用自動判釋成果，透過灰色模式進行預測模式建立，相關數據詳如表4所示，目前是主要是對年度總耕地面積予以關注，因此將研究區域之水田及旱田的第一期作與第二期作之耕作面積予以加總，使成為年度總耕地面積。

為能預估未來時期之農業總耕地面積，因此使用2009～2012年所掌握的遙測信息，利用GM（1，1）予以建模驗證，相關成果如表5所示。依據表5的建模精度等級，顯示彰化地區之模式精度的小誤差概率P為“好”及標準偏差比C為“合格”，而云林地區之模式精度的小誤差概率P及標準偏差比C均為“好”，又模擬值的百分誤差絕對值均小于7%，因此利用灰色建模來進行總耕地面積之推估，驗證結果是可行的，然其前置條件是利用遙測影像之土地利用識別須獲得更為可靠之數據［13］。表5同時顯示了2013年的總耕地面積預測，將利用2013年的遙測影像判釋成果予以驗證。

圖4　2013年2月18日SPOT-6衛星影像之土地利用分類結果Fig.4 The results of land use classifcation of SPOT-6 satellite images in February 18， 2013

圖5　2013年10月20日SPOT-6衛星影像之土地利用分類結果Fig.5 The results of land use classifcation of SPOT-6 satellite images in October 20， 2013

表3　彰化及云林地區2013年SPOT-6衛星影像判釋土地利用面積比例統計Table 3 Proportion statistics of land use area of the SPOT-6 satellite images identifcation in Changhua and Yunlin area in 2013

2.3 2013年SPOT-6遙測影像自動判釋耕地面積與GM（1，1）模式預測值比較

為比較GM（1，1）所預測之2013年的總耕地面積，以2013年的SPOT-6遙測影像進行自動判釋，判釋成果如表6所示。此處以遙測影像自動判釋的耕地面積做為基準值，計算GM（1，1）模式所預測之耕地面積的百分誤差值，彰化地區的百分誤差小于9%及云林地區的百分誤差小于1%，尚屬可接受的范圍。因此對于耕地面積之估測，若當期或當年度可以使用遙測影像來快速獲取之外，亦能進行接續一期或接續年度的耕地面積預測。又若當期或當年度之遙測影像無法獲得耕地面積時，亦可藉由先前數期或數個年度（至少需有4筆數據）的耕地面積來進行耕地面積估測。

表4　2009～2012年SPOT-5遙測影像自動判釋之分期作物耕地面積 （單位：公頃）Table 4 Cultivated land area of automatic identifcation of 2009～2012 SPOT-5 images （unit: ha）

表5　以GM（1，1）模式應用于遙測影像耕地面積之預測Table 5 Application of GM （1，1） model to the prediction of cultivated land area of remote sensing images

表6　2013年SPOT-6遙測影像自動判釋面積與本研究方法所預測面積比較Table 6 Comparison of automatic identifcation area of SPOT-6 remote sensing images in 2013 and the forecast area of this research

3 結論及建議

（1）依據2009～2013年的SPOT衛星影像配合現地調查驗證，對水田、水體、旱田、建物及道路等五種土地利用型態進行分類，結果顯示影像自動判釋分類精確度約在61%～80%之間，利用灰色模型之耕地面積預測與遙測判釋之耕地面積判釋相較，百分誤差低于10%。

（2）遙測影像自動分類時，數據精確度與樣區樣本數目及分類項目有很大關系，本研究僅針對彰化縣及云林縣兩個地區分為五大類，例如裸露地及山區的林地均不在分類范圍內，因此提升訓練樣本與分類樣本皆可提高自動分類的精確度。

（3）本研究目前是直接采用數年的總耕地面積進行灰色建模與預測，但總耕地面積是由春夏季及秋冬季的水田及旱田的面積加總，若對其分別進行灰色建模及預測，再予以累加，或可進一步提升預測精度，此舉為單變量灰色模型，或可再進一步導入多變量灰色模型，使其預測更為精進。

（4）利用遙測識別預測耕作面積的另一目的是快速估算灌溉用水量，除了透過單位面積用水量可以計算得灌溉用水量之外，對于未來時期之農業灌溉用水量亦能透過本方法進行預測。

參考文獻（References）

［1］王鎮耀，吳建忠.利用衛星影像自動判釋應用于國有土地勘查之研究［R］.臺灣財政部國有財產局，2010.Wang Z Y， Wu J Z.A study on the automatic identification of satellite images to the application of national land surveying［R］.National Property Administration， Ministry of Finance of Taiwan，2010.

［2］李瑞陽，莊佳文.運用影像分塊方法于高解析衛星影像土地利用判釋精度之研究［J］.航測及遙測學刊，2006，11（4）:403-415.Lee R Y， Chuang C W.The study on classifcation accuracy of land use categories from high resolution satellite images using image segmentation algorithm［J］.Journal of Photogrammetry and Remote Sensing， 2006，11（4）:403-415.

［3］蕭國鑫，劉治中，劉進金，等.高解析影像應用于土地利用分類之探討［J］.航測及遙測學刊，2008，13（4）:261-271.Hsiao K H， Liu C C， Liu J K， et al.Land cover and land use classifcation using high spatial resolution images［J］.Journal of Photogrammetry and Remote Sensing， 2008，13（4）:261-271.

［4］雷祖強，周天穎，鄭丁元.運用QuickBird衛星影像于水稻田 塊萃取之研究［J］.航測及遙測學刊，2006，11（3）:297-310.Lei T C， Chou T Y， Cheng T Y.A study of extraction paddy feld from QuickBird image［J］.Journal of Photogrammetry and Remote Sensing， 2006，11（3）:297-310.

［5］李瑞陽，姜如憶.應用遙測技術于水稻田判釋之研究［J］.地理研究，2005，43:61-81.Lee R Y， Chiang R I.Interpretation of rice paddy felds by applying remote sensing technology［J］.Journal of Geographical Research，2005，43:61-81.

［6］盧建成.衛星影像與地理信息系統應用于農地利用調查之研究—以旗山灌區中壇工作站為例［D］.臺灣成功大學水利及海洋工程學系碩士學位論文，2008.Lu C C.Application of satellite image and geographic information system for farmland-use inventory: A case study in Zhangtan workstation of Cishan irrigation area［D］.Master's thesis， Cheng Kung University， Taiwan Tainan， 2008.

［7］Lillesand T M， Kiefer R W.Remote sensing and image interpretation［M］.John Wiley and Sons Press， 2000.

［8］Erdas Inc.ERDAS tour guide version 8.5［R］.U.S.A.2000.

［9］黨安榮，王曉棟，陳曉峰，等.ERDAS IMAGINE遙感圖像處理方法［M］.北京:清華大學出版社，2003.Dang A R， Wang X D， Chen X F， et al.Processing method ofERDAS IMAGINE remote sensing image［M］.Beijing: Tsinghua University Press， 2003.

［10］鄧聚龍.灰色系統理論［M］.武漢:華中理工大學出版社，1992.Deng J L.Grey system theory［M］.Wuhan: Huazhong University of Science and Technology Press， 1992.

［11］劉思峰，郭天榜，黨耀國.灰色系統理論及其應用［M］.北京:科學出版社，1999.Liu S F， Guo T B， Dang Y G.Grey system theory and its application［M］.Beijing: Science Press， 1999.

［12］孫明璽.現代預測學［M］.杭州:浙江教育出版社，1998.Sun M X.Modern forecasting［M］.Hangzhou: Zhejiang Education Press， 1998.

［13］李宗仰，丁崇峯，郭純伶，等.結合遙測影像土地利用判釋及灰色建模之灌溉計量推測//第十九屆海峽兩岸水利科技交流研討會［C］.上海， 2015.Lee T Y， Ding C F， Guo C L， et al.The combination of remote sensing image identification of land use and grey modeling to predict the irrigation measurement//The 19th symposium of water science and technology exchanges across the Taiwan Strait［C］.Shanghai， 2015.

Using multi-temporal satellite images to predict the cultivated land area

LEE Tzong-Yeang， CHEN Ching-Ju， CHU Mu-Shou
（Tainan Hydraulics Laboratory， Cheng Kung University， Taiwan Tainan 70955， China）

Abstract:In this study， the historical satellite images of Taiwan's Changhua and Yunlin regions from 2009 to 2012， along with substantiating data from feld surveying in the spring-summer and autumn-winter seasons of 2012， are used to create a supervised， automatic land use identifcation catalog.This was done by adding the annual and classifcation data to obtain the total agricultural land area.The time series data was determined using grey modeling， to estimate the total cultivated land area in 2013， and comparing the estimate to the automatic identifcation result of the SPOT-6 remote sensing image.The error was found to be within a reasonable range.In this paper， we provide a swift way to determine the total cultivated land area over a certain period or in a certain year.Using the grey model， we can also swiftly predict the total cultivated area over the next year， which may be valuable as a reference for the agricultural department.

Key words:satellite image； land use identifcation； supervised classifcation method； prediction of cultivated land area

中圖分類號：F301.2

文獻標志碼：A

文章編號：2095-1329（2016）02-0046-05

doi:10.3969/j.issn.2095-1329.2016.02.012

收稿日期:2015-10-26

修訂日期:2015-12-01

作者簡介:李宗仰（1963-），男，博士，副研究員，主要從事水信息研究.

基金項目:臺灣經濟部水利署補助計劃項目