收藏 分享(赏)

应用遥测技术於农作物生产调查-以敏感性作物凤梨为例.doc

上传人:cjc2202537 文档编号:1547853 上传时间:2018-08-01 格式:DOC 页数:8 大小:1.02MB
下载 相关 举报
应用遥测技术於农作物生产调查-以敏感性作物凤梨为例.doc_第1页
第1页 / 共8页
应用遥测技术於农作物生产调查-以敏感性作物凤梨为例.doc_第2页
第2页 / 共8页
应用遥测技术於农作物生产调查-以敏感性作物凤梨为例.doc_第3页
第3页 / 共8页
应用遥测技术於农作物生产调查-以敏感性作物凤梨为例.doc_第4页
第4页 / 共8页
应用遥测技术於农作物生产调查-以敏感性作物凤梨为例.doc_第5页
第5页 / 共8页
点击查看更多>>
资源描述

1、環境資訊系統專論 Homework10 土管碩一 江國憲 M9738204應用遙測技術於農作物生產調查以敏感性作物鳳梨為例一、緣起除天災之外,產銷失衡也是農民最怕遭遇的災難 。錯誤資訊的傳播,常使農民一窩蜂搶種某種農作物,而造成產過剩及價格崩盤。為避免此情形,並掌握及預估重要農產品的生產面積或產,農委會特訂定重要農產品生產申報預警處要點 ,並自 96 起實施,主要是藉由生產申報、監測、資訊發布與預警等作業程序,以及產銷失衡輔導措施,促進供需平衡,穩定農產品價格,維護農民收益。目前規範的重點作物包括鳳、香蕉、丁、木瓜、洋蔥、花生、大蒜七項,這些作物也稱之為敏感性作物 。目前敏感性作物生產調查除仰

2、賴農民自登記外,另一則由田間調查員赴田區以目視方式進生產面積的估算。農民自登記除可靠仍有待檢驗外,未登記通報之比仍過高,對於產預估時有影響之處;而現地調查的方式則費時費,並符合經濟效益。因此在遙測技術日漸成熟的今日,可用高解析的衛星影像或航空照片獲取敏感性作物細微的資訊,並進自動化判釋,僅成本低、速快,可大面積的獲取資訊。二、研究方法本研究判釋所使用之衛星影像為福衛二號彩色融合影像,空間解像為 2 公尺,並由人工判釋之方式去除所有雲霧及雲影。自動判釋主要以種影像資訊進實作,一為依據光譜特性,一為依據紋特性。(一) 依光譜特性進影像分本研究結合非監督及監督性分法,依鳳的光譜特性進影像分。訓樣區是

3、從現地調查資中篩選出,而因坵塊圖與衛星影像套疊時會產生對位位移的現象,且由於每個坵塊面積大,在與網格格式套疊時,邊界部分容造成混淆產生判釋的錯誤,且此像元眾多,恐造成判釋精佳。為解決此問題,訓樣區的坵塊範圍邊界各做 4 公尺的環域(buffer),再將此環域去除 (mask),以避免邊界位移所造成的誤差。接著用環域去除後的樣區範圍割衛照及航照影像,以此得到鳳及非鳳訓樣區之光譜資訊,再以非監督之 ISODATA (Iterative Self-Organizing Data Analysis. Technique A)方式建 20 鳳及 20非鳳光譜均質別統計資訊。最後依此統 計資訊,以最大相似

4、法 (maximum likelihood) 進自動分判釋,得到鳳 20及非鳳 20 之分 後影像。最大相似法之決策函可表示如下: D = lnac - 0.5 ln(|Covc|) - 0.5(X-Mc)T (Covc-1) (X-Mc) 其中 D 為weighted distance ,亦可視為別歸屬機;c 為a particular class ;X 為the measurement vector of the candidate pixel ;Mc 為the mean vector of the sample of class c ;ac 為percent probability th

5、at any candidate pixel is a member of class c ;Covc 為the covariance matrix of the pixels in the sample of class c ;|Covc|為determinant of Covc(matrix algebra) ;Covc-1 為inverse of Covc(matrix algebra) ;ln 為natural logarithm function ;T 為transposition function(matrix algebra) 。(二) 依紋特性進輯分由於融合影像較能呈現鳳的種植

6、排特徵,因此可由彩色融合之福衛影像或航照中計算紋資訊。首先依耕地坵塊圖將影像進影像分割 (segmentation),再計算每一個分割範圍中的 GLCM 值,共包含 homogeneity、constrast 、dissimilarity 、 entropy 、 ang. 2nd moment 、mean、standard deviation、correlation 等 8 種指標。由於 8 種 指標可對影像每一個波段計算出紋值,因此最後每一個分割範圍將產生 4050 個紋值。在如此多的紋指標中,難以挑選最佳的指標以及閾值區分作物,故本研究引用決策樹中的分及回歸樹 (classificatio

7、n and regression tree, CART),協助挑選最具代表性之紋指標以及最佳之閾值。CART 分析為資探勘 (data mining) 技術的一種,是用簡單的問題將資作分的動作,在樹的起點,先透過門檻值的設定,將資分成個同的群組 (binary splits),斷的重複步驟後,最後決定所有資的分方式或預測;決策樹的結構亦可顯現出輸入層間的階層關係與非線性關係,其間的關係通常是藉由同的末端點對給定分的描述加以建的;決策樹演算法是監督性的,需要對資作訓以長成決策樹 (吳宗曄,2004)。因此本研究亦選擇與光譜特徵分相同的訓樣區,供 CART 產生鳳與非鳳之規則。依上述之研究方法,可

8、歸納本研究程如右圖所示。三、民雄試做區分判釋成果本次鳳判釋以民雄為試做區,主要是以 2008 4 月 16 日的福衛影像進分,並同時探討依光譜特性進影像分及依紋特性進輯分之成效。(一) 依光譜特性進影像分由於民雄地區鳳的種植時序一致,因此在同一天的影像中常鳳幼株成株並存的現象,而幼株的光譜及紋特徵與非鳳中的地混淆,故本研究先以 9420-2-079 的 1/5000 圖號範圍探討訓樣區精選前後之判釋正確性差,以確定何種訓樣區抽取模式可得到較佳之判釋成果。1. 訓樣區未精選此部分是在鳳的訓樣區中同時挑選幼株和成株,在非鳳的樣區中則挑選包含地及其它所有非鳳的地物,進影像分。以像元為單元的分結果產生

9、後,再與耕地坵塊資進套疊,得到以坵塊為單元的分結果,將分結果套疊回坵塊之優點在於可去除像元式分結果的雜訊 (圖 2、圖 3)。最後經細小坵塊改正後,針對 9420-2-079 的判釋結果與現調資 比對,整體精約為 82.58%,kappa 值為 0.435,由圖 4 及表 1 可知,非鳳誤判為鳳之情形較多。2. 訓樣區精選此部分是在鳳的訓樣區中去掉鳳幼株,僅成株,非鳳的訓樣區中則刪除掉容混淆之地,如此雖然可能判小鳳,但可避免過多地被誤判為鳳。以像元為單元的分結果產生後,再與耕地坵塊資進套疊,得到以坵塊為單元的分結果。最後經細小坵塊改正後,針對 9420-2-079 的判釋結果與現調資比對,整體

10、精約為 84.03, kappa 值為 0.417,由圖 5 及表 2 可知,非鳳誤判為鳳之情形仍較多。結合人機互動判釋,對被判釋為鳳之坵塊進人工判釋,則需被判釋的坵塊比約佔 21.22,可提升整體精至 97.26,kappa值為 0.839,並完全將非鳳誤判為鳳之情形進 消除,如表 3 所示。表 3 民雄 9420-2-079 圖幅 2008-04-16 福衛影像分後再進人機互動判釋後之模擬精 (訓樣區精選後)(二) 依紋特性進輯分由於精選後之訓樣區有較佳之判釋成果,因此紋特性的分也以精選後之樣區進。CART 依據訓樣區的紋 指標所產生的鳳作物判釋規則為:IF HOMOGENEITY 0.1

11、84975 AND LAYER1_ENTROPY 0.184975 AND LAYER1_ENTROPY 57.8229 AND LAYER1_MEAN 51.9055 AND LAYER1_MEAN 0.184975 AND LAYER1_ENTROPY 5.92229 AND LAYER2_MEAN 49.456 AND LAYER3_MEAN 81.7725其中 LAYER1 代表福衛影像中的紅光段,LAYER2 為光段,LAYER3 為光段,LAYER4 為紅外光段,ALL 代表由全部波段所計算之紋指標。依據上述產生之鳳判釋規則,再與耕地坵塊資進套疊,得到以坵塊為單元的分結果。最後經細

12、小坵塊改正後,針對 9420-2-079 的判釋結果與現調資比對,整體精約為 85.06,kappa 值為 0.405,由圖 6 及表 4 可知,非鳳誤判為鳳之情形仍較多。結合人機互動判釋,對被判釋為鳳之坵塊進人工判釋,則需被判釋的坵塊比約佔 18.56,可提升整體精 至 96.59,kappa 值為 0.787,並完全將非鳳誤判為鳳之情形進消除,如表 5 所示。四、結綜合以上成果,本研究總結以下幾點結:(一) 現的敏感性作物生產申報作業因為非強制申報,故造成申報過低,或部分有申報部分沒申報之況,造成種植面積統計上的困難與差,且敏感性作物生產申報是以農地地籍(地段、地號)進申報,故需透過內政碼

13、與食碼轉換才能與耕地坵塊進空間定位。(二) 鳳之生長時序較固定,也因品種繁多,同品種產期並非在同一時間,因此無法像水稻判釋一樣用時間序變化進影像判釋作業,解決方式為用單時期融合影像(Pan-sharpened Image)進判釋,判釋目標則以鳳 成株為主。(三) 民雄種植的鳳品種很多,各品種的種植時期皆有所同,造成遙測影像時期挑選上的困難。因此訓樣區選擇以產影響為考進選取,亦即以對產有即影響的成株或是主要產出鳳之坵塊為優先考,幼株、星種植或疏於管之坵塊則暫考,此做法是因幼株產在明或後,星種植或疏於管之坵塊對於今整體產影響較小。(四) 敏感性作物鳳在自動判釋上混淆之地物分別為地。為避免混淆之情形

14、,在選取鳳訓樣區時避選鳳幼株,選取非鳳訓樣區時則把地排除,如此精選訓樣區後可低混淆判釋之情形。(五) 敏感性作物用福衛二號多光譜與全色態之融合影像進鳳之判釋,因鳳種值在影像上紋特性清楚,故依紋特性進輯分優於光譜特性進影像分;初步成果總體精可達八成多,針對判釋為鳳之區域進航照人機互動判釋,則總體精可提升至九成以上,唯生產者精普遍低於標準,仍有提升空間。(六) 衛星影像因解析限制,雖自動判釋僅能找出敏感性作物潛勢分佈區域,但優點為能大面積判釋,搭配航照進人機互動則可增加判釋正確性達九成以上。(七) 民雄並非水稻主要產區,以致於大部分耕地坵塊並未編修,且呈現混態,部分地區化地籍圖只是化日據時代地籍資

15、,造成現地地真資調查困難與判釋成果套疊誤差,影響判釋精。地籍坵塊與現地種植區域有明顯同,尤其以非水稻種植區域較為嚴重,會影響樣區現地調查與影像判釋成果套疊之精。(八) 鳳生長期為 18 個月左右,故可針對每 期之水稻判釋成果中之非水稻區域進判釋即可。這是一篇刊登在全球變遷通訊雜誌上的文章,原本的研究內容則是農委會的計劃案,也就是文章一開始緣起的部份中所提到的由遙測技術來進行敏感性作物的判釋,目前已投入研究的敏感性作物包括大蒜、花生、香蕉、鳳梨等,而每種作物由於生長特性與農民耕作方式皆不相同,因此在進行影像判釋時,勢必找出該作物的特性,與影像比對之後,找出最適當的影像時期,將之融入為訓練樣區選取的邏輯,再配合人機互動的方式,進一步提昇精度。由於計劃案較重視的是結果的好壞,而學術論文則是較重視過程與架構,因此即使計畫本身尚未達到最好的結果,但仍可寫成像這篇學術文章,將重點著墨在過程、方法與邏輯,並突現出這個研究有哪些新意,如此便能引人注意。而這篇文章成功的地方在於,使用遙測自動或半自動技術來判釋鳳梨,這是過去的人較少做過的,它針對了鳳梨的特性,提出了鳳梨的判釋邏輯,這也就是它的貢獻之處。

展开阅读全文
相关资源
猜你喜欢
相关搜索

当前位置:首页 > 实用文档 > 调研文书

本站链接:文库   一言   我酷   合作


客服QQ:2549714901微博号:道客多多官方知乎号:道客多多

经营许可证编号: 粤ICP备2021046453号世界地图

道客多多©版权所有2020-2025营业执照举报