多时期卫星影像在耕地面积预测中之研究

李宗仰，陈静茹，朱木寿（台湾成功大学水工试验所，台湾·台南 70955）



多时期卫星影像在耕地面积预测中之研究

李宗仰，陈静茹，朱木寿
（台湾成功大学水工试验所，台湾·台南 70955）

摘 要：本研究使用台湾彰化及云林两个地区之2009～2012年的历史卫星影像，配合2012年春夏及秋冬两季之现地调查验证作业，进行土地利用类别之监督式自动化判释，藉由年度及分类之加总来获取农业总耕地面积，至于该等时间序数据再藉由灰色建模来估测2013年的总耕地面积，此一估测值与SPOT-6遥测影像的自动判释成果进行比较，误差在合理范围内。本文提供了一个获取当期或当年度之总耕地面积的快速方法，而透过灰色模式亦能快速估测下一期或接续年度的总耕地面积，该等信息可提供农政单位管理上的参考。

关键词：卫星影像；土地利用判释；监督式分类法；耕地面积预测

电子邮箱: ntylee@gmail.com

联系电话: +886-6-2371938×241

卫星影像具有全天候拍摄的优越特性，经由遥测影像土地利用判识过程可对地 进行长期性的监测，同时观察地物不同时期的变化情形。遥测影像取得时理论上虽可获得所需区域及所需时间之影像数据，但若遇气候不佳而造成影像质量受到影响，同时也可能囿于其他因素（如经费及特定时间等）之现实条件，不易达成所需要之完整条件。

卫星多光谱影像记录了各波段与地物反射波谱间的关系，因此可依据各地物的光谱特性进行分类，进而获得土地利用类型及大小。本研究利用监督式自动分类法，将卫星多光谱影像分为水体、旱田、水田、建物及道路等五类地物，分别计算研究区域之水田及旱田第一期作及第二期作之面积，再进行耕作面积之加总及比较。

由于当年度之全国性尺度或大范围农业耕地面积往往需经过1～2年才能统计获得，为能实时掌握当年度的农业耕地面积，同时结合当年度的信息来估测翌年的农业耕地面积，本研究先以县市尺度为研究范围，利用2009～2012年的法国SPOT-5卫星影像来进行农业耕地面积判释，进而以灰色GM（1，1）模式预测接续一年（2013年）的农业耕地面积，该等结果与2013年SPOT-6卫星影像判释所得之农业耕地面积进行比较，藉以探讨多时期遥测影像之土地利用自动判释及结合预测模式来进行农业耕地面积估测之可行性。

1 研究范围与研究方法

1.1 研究范围与影像

本研究为能探讨不同时期的农作耕地面积使用情形，使用了云林与彰化地区2009～2012年之四个年度的SPOT-5 及2013年的SPOT-6遥测影像，每个年度的春夏季及秋冬季各取一幅之多光谱卫星影像进行监督式自动分类。由于卫星影像接收会受限于天候条件影响，因此选择影像数据时需以无云覆盖并配合作农物生长期为考虑，图1显示了本文研究范围的地理位置，表1则详列了本研究所使用的卫星影像拍摄日期。

图1　本研究多光谱卫星影像地理位置Fig.1 The location map of multi-spectral satellite image in the study

表1　本研究所使用之SPOT多光谱影像拍摄日期一览表Table 1 The date of SPOT multi-spectral image in the study

1.2 现地调查取样

现地调查之目的是为提高影像监督式分类判释时的准确性及多样性，因此配合研究期间，分别于2012年6月03日、2013年4月11日、2013年4月15日与2013年9月24日赴现地，选择位于公路旁不同土地利用类别之区块来进行现地调查，记录该样点与邻近区位的坐标位置及其耕作类别（现地记录或询问），以作为影像监督式分类之样本。

1.3 多光谱卫星影像自动分类方法

利用监督式分类法之最大概似法（Maximum Likelihood Classifier），配合现地调查的样本数据对2009～2013年的卫星影像进行分类判释，依据小区块及多样区之原则给予各类别所属之土地使用型态，再将同类型土地类别合并为水体、旱田、水田、建物及道路等五大分类别，将五大分类作为训练种类及搭配现地实况做为训练样本，图2为五大分类的现地照片代表例。

图2　土地利用判释五大分类之现地调查照片代表例Fig.2 The examples of feld surveying photo from fve classifcations of land use identifcation

本研究利用多光谱卫星影像对不同地物会反射出不同光谱的反射特性，采用监督式分类（Supervised Classification）方法来进行土地利用判释［1～9］。监督式分类法的流程，如图3所示，其中主要的5个分类步骤，说明如下：

（1）目标物的训练样区选取，例如水体、旱田、水田、建物及道路等。

（2）从影像中判释具有代表性的目标物像元，即训练样区，同时配合土地利用数据选择，以找到足够之数量与纯净之样本像元。

（3）检查圈选样区内的像元个数是否足够，避免因像元数太少无法进行统计分析，并从选出的训练样区中，计算各波段之统计资料。

（4）多波段影像中，相邻波段的相关性很高，不同的物质可能在某些波段具有近似的反应，若事先已知悉它们的相关程度，则分类时可减少波段数目，以节省时间及提高效率。

（5）利用上述步骤所决定之各项参数，进行分类。

1.4 影像分类之精确度评估

本研究在影像分类精确度评估方面，使用整体精确度及Kappa同意度指标，其评估方式如下：

（1）整体精确度（Overall Accuracy，OA）

代表分类后正确的土地覆盖类别之检核点数除以总抽取的检核点数，所产生的百分比，其表达式为：

图3　监督式分类法之流程图Fig.3 The fow chart of supervised classifcation method

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

Kappa同意度指标为一种常用的分类准确度评估方法，Kappa值为1时，表示为完美同意（Perfect Agreement）；Kappa值为0时，即同意度不高；Kappa值越接近1，表示准确度越高，其表达式如下：

1.5 农业耕作面积预测方法

考虑各时期之遥测影像幅数可能不多且时间期距可能未能连续，因此在模型建构上应注意此一特性，本文选用灰色模型（Grey Model，GM）来进行建模及预测。

灰色系统理论中常用的模型为微分方程所描述之动态方程GM（m，n）模型，其中m表示微分模型的阶数，n表示变量个数，本文利用该模型来进行耕地面积之预测。GM（1，1）模型是表示由一个变量及使用一阶微分方程所建立，当数据量少（四笔）时，仍可进行建模，在灰色模型中最常被使用且适合预测［10，11］。

灰色系统经常采用累加生成方式处理数据建模，以增强数据之规律性。已知为原始序列向量，N为数据总数或数据长度。令为生成序列向量，且以进行处理或计算，则 为一次累加生成，依此类推。

对于GM（1，1）模型而言，以数据生成为基础来建立如下的微分方程：

式中，t为时间，a与b分别为发展系数与内生控制系数。该方程的解为

式中的系数a及b，可采用最小二乘法来进行推估，另可透过残差检验计算其误差概率（P）及标准偏差比（C），透过此二数值来划分精度等级［12］，进而评估灰色模式之优劣及是否适用于预测。

2 结果及讨论

2.1 卫星影像自动分类之精确度

利用监督式分类法之最大概似法对卫星影像自动判识出2009～2013年的五个年度的土地使用分类，其分类精确度结果如表2所示。由表中可看出，2013年2月18日及2013 年10月20日的分类精确度均较2009～2012年者为高，主要原因是在自动分类时，除了输入现地调查数据之外，再以人工增加样本数以提高自动判识的样本，虽过程耗时，但确实可提升自动分类的可靠度，另一主要原因为是2013年的SPOT-6影像分辨率的6m，相较于SPOT-5的10m分辨率，亦大幅提高分类判识的精确度。

表2　2009～2013年卫星影像监督式自动分类结果精确度Table 2 Accuracy of automatic classifcation results of satellite images in 2009～2013

2013年2月18日SPOT-6影像之土地使用分类成果，如图4所示。2013年10月20日SPOT-6影像之土地使用分类成果，如图5所示。针对彰化县与云林县两个县市之春夏季及秋冬季的各种分类的面积百分比，如表3所示。表中显示出两个县市不论是在春夏季或秋冬季，旱田面积是所有分类中的比例最高者，若将水田及旱田予以合计，则其面积百分比约略为53%，显示出两个县市均为重要的农业生产地区。

2.2 利用2009∽2012年SPOT-5遥测影像预测2013年农业耕地面积

本研究利用2009～2012年SPOT-5遥测影像之土地利用自动判释成果，透过灰色模式进行预测模式建立，相关数据详如表4所示，目前是主要是对年度总耕地面积予以关注，因此将研究区域之水田及旱田的第一期作与第二期作之耕作面积予以加总，使成为年度总耕地面积。

为能预估未来时期之农业总耕地面积，因此使用2009～2012年所掌握的遥测信息，利用GM（1，1）予以建模验证，相关成果如表5所示。依据表5的建模精度等级，显示彰化地区之模式精度的小误差概率P为“好”及标准偏差比C为“合格”，而云林地区之模式精度的小误差概率P及标准偏差比C均为“好”，又模拟值的百分误差绝对值均小于7%，因此利用灰色建模来进行总耕地面积之推估，验证结果是可行的，然其前置条件是利用遥测影像之土地利用识别须获得更为可靠之数据［13］。表5同时显示了2013年的总耕地面积预测，将利用2013年的遥测影像判释成果予以验证。

图4　2013年2月18日SPOT-6卫星影像之土地利用分类结果Fig.4 The results of land use classifcation of SPOT-6 satellite images in February 18， 2013

图5　2013年10月20日SPOT-6卫星影像之土地利用分类结果Fig.5 The results of land use classifcation of SPOT-6 satellite images in October 20， 2013

表3　彰化及云林地区2013年SPOT-6卫星影像判释土地利用面积比例统计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遥测影像自动判释耕地面积与GM（1，1）模式预测值比较

为比较GM（1，1）所预测之2013年的总耕地面积，以2013年的SPOT-6遥测影像进行自动判释，判释成果如表6所示。此处以遥测影像自动判释的耕地面积做为基准值，计算GM（1，1）模式所预测之耕地面积的百分误差值，彰化地区的百分误差小于9%及云林地区的百分误差小于1%，尚属可接受的范围。因此对于耕地面积之估测，若当期或当年度可以使用遥测影像来快速获取之外，亦能进行接续一期或接续年度的耕地面积预测。又若当期或当年度之遥测影像无法获得耕地面积时，亦可藉由先前数期或数个年度（至少需有4笔数据）的耕地面积来进行耕地面积估测。

表4　2009～2012年SPOT-5遥测影像自动判释之分期作物耕地面积 （单位：公顷）Table 4 Cultivated land area of automatic identifcation of 2009～2012 SPOT-5 images （unit: ha）

表5　以GM（1，1）模式应用于遥测影像耕地面积之预测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遥测影像自动判释面积与本研究方法所预测面积比较Table 6 Comparison of automatic identifcation area of SPOT-6 remote sensing images in 2013 and the forecast area of this research

3 结论及建议

（1）依据2009～2013年的SPOT卫星影像配合现地调查验证，对水田、水体、旱田、建物及道路等五种土地利用型态进行分类，结果显示影像自动判释分类精确度约在61%～80%之间，利用灰色模型之耕地面积预测与遥测判释之耕地面积判释相较，百分误差低于10%。

（2）遥测影像自动分类时，数据精确度与样区样本数目及分类项目有很大关系，本研究仅针对彰化县及云林县两个地区分为五大类，例如裸露地及山区的林地均不在分类范围内，因此提升训练样本与分类样本皆可提高自动分类的精确度。

（3）本研究目前是直接采用数年的总耕地面积进行灰色建模与预测，但总耕地面积是由春夏季及秋冬季的水田及旱田的面积加总，若对其分别进行灰色建模及预测，再予以累加，或可进一步提升预测精度，此举为单变量灰色模型，或可再进一步导入多变量灰色模型，使其预测更为精进。

（4）利用遥测识别预测耕作面积的另一目的是快速估算灌溉用水量，除了透过单位面积用水量可以计算得灌溉用水量之外，对于未来时期之农业灌溉用水量亦能透过本方法进行预测。

参考文献（References）

［1］王镇耀，吴建忠.利用卫星影像自动判释应用于国有土地勘查之研究［R］.台湾财政部国有财产局，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］李瑞阳，庄佳文.运用影像分块方法于高解析卫星影像土地利用判释精度之研究［J］.航测及遥测学刊，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］萧国鑫，刘治中，刘进金，等.高解析影像应用于土地利用分类之探讨［J］.航测及遥测学刊，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］雷祖强，周天颖，郑丁元.运用QuickBird卫星影像于水稻田 块萃取之研究［J］.航测及遥测学刊，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］李瑞阳，姜如忆.应用遥测技术于水稻田判释之研究［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］卢建成.卫星影像与地理信息系统应用于农地利用调查之研究—以旗山灌区中坛工作站为例［D］.台湾成功大学水利及海洋工程学系硕士学位论文，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］党安荣，王晓栋，陈晓峰，等.ERDAS IMAGINE遥感图像处理方法［M］.北京:清华大学出版社，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］邓聚龙.灰色系统理论［M］.武汉:华中理工大学出版社，1992.Deng J L.Grey system theory［M］.Wuhan: Huazhong University of Science and Technology Press， 1992.

［11］刘思峰，郭天榜，党耀国.灰色系统理论及其应用［M］.北京:科学出版社，1999.Liu S F， Guo T B， Dang Y G.Grey system theory and its application［M］.Beijing: Science Press， 1999.

［12］孙明玺.现代预测学［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，郭纯伶，等.结合遥测影像土地利用判释及灰色建模之灌溉计量推测//第十九届海峡两岸水利科技交流研讨会［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

中图分类号：F301.2

文献标志码：A

文章编号：2095-1329（2016）02-0046-05

doi:10.3969/j.issn.2095-1329.2016.02.012

收稿日期:2015-10-26

修订日期:2015-12-01

作者简介:李宗仰（1963-），男，博士，副研究员，主要从事水信息研究.

基金项目:台湾经济部水利署补助计划项目