國立成功大學LOGO

資源人新世代

文/杜宇軒

杜宇軒

學歴
國立成功大學 資源工程學系 學士97級
國立成功大學 資源工程學系 碩士99級
昆士蘭大學 地球環境科學院 博士(2019年11月)

經歴
自強工程顧問有限公司 航測內業工程師(2011-2013)
國立交通大學 計畫助理(2014-2015)
阿布都拉國王科技大學 博士後研究員(2019-2023)
Data Farming 遙感科學家(2023迄今)

一、從測量到地球觀測
我在碩士班期間加入了余騰鐸教授的大地觀測實驗室,專攻全球導航衛星系統(GNSS)與震測資料的分析。自碩士畢業後,我便在自強工程顧問航測部擔任內業工程師,專責處理光達(LiDAR)資料用於數值地形模型的生成。工作期間意識到資料後段分析應用帶來的價值與樂趣,便萌生繼續深造的念頭,遂於 2015 年至澳大利亞昆士蘭大學跟隨 Stuart Phinn教授攻讀博士班,研究無人機影像用於果樹監測的最佳化資料收集及分析(Optimising Drone Image Acquisition and Analysis for Mapping Horticultural Tree Crops)。之後,我的職業生涯便集中在精準農業(Precision Agriculture)的領域至今,而遙感資料對我的用途從先前的地形測量,擴展到了分析農作物生長、作物識別、病蟲害監測乃至産量預估等等。

圖1 於沙烏地阿拉伯焦夫的橄欖園做田野調查,採集包括果樹樹冠幾何、多光譜無人機影像及地面光達資料。

二、多尺度資料的協同合作
或許因為臺灣地小,使用遙感資料時,總是偏向使用小尺度資料,覺得解析度愈高愈好。然而,當我開始深入研究無人機影像時,意識到小尺度資料的幾個不足之處。(1)覆蓋範圍有限:這是小尺度資料最直接的限制。要以小尺度資料收集方式覆蓋大範圍則曠日廢時;(2)校正困難:以無人機影像為例,當資料採集時間長達五至十分鐘時,期間的光影變動容易使影像之間的亮度基準不同。若是測量地面物的表面光反射率(surface reflectance)時無即時輻照度(irradiance)資料輔助,則會喪失準確度。然而,小尺度資料作為地面參考與大尺度資料(如衛星影像)的銜接,則是非常好的輔助。舉倒來說,要以地面參考及衛星影像建立雜草偵測模型,很容易遇到樣本數不足及誤差傳播(error propagation)的問題。若是先以地面參考及無人機影像建立小尺度雜草偵測模型,則可利用無人機影像的雜草偵測結果當作衛星影像的物件標記,再以此物件標記取代地面參考結合衛星影像,建立最終的雜草偵測模型(圖2)。此外,利用無人機影像作為中介資料,也利於校正地面參考與衛星影像之間的地理位置誤差,以利提升模型準確度。

圖2 結合地面參考、無人機影像及衛星影像的兩步驟雜草偵測模型示意圖。

三、時間序列於精準農業的應用
除了空間解析度,在相同位置上的遙感時間序列資料(remote sensing time series data)也有相當高的研究價值。以精準農業的應用來說,光是常態化差異植生指標(Normalised Difference Vegetation Index, NDVI)的時間序列就可供我們偵測長時間的作物生長週期,並偵測作物生長異常。以圖3為例,該農地於2023年種植小麥,白色圓圈是農學家在定期巡查時記錄到黄鏽病(yellow rust)的位置。透過分析該農地2017年至2023年由哨兵二號衛星(Sentinel-2)記錄到的常態化差異植生指標的變化,我們偵測出圖中紅色區域的作物生長狀況顯著低於在相似生長階段的歴史平均。透過分析不同的遙感指標,或許能夠建立決策樹(decision tree)模型,幫助我們識別生長異常的原因。

圖3 位於澳大利亞霍舍姆的農地。該農地於2023年種植小麥並受到黄鏽病的侵害。白色圓圈為疾病記錄的位置,而紅色區域為哨兵二號所記錄常態化差異植生指標時間序列分析出生長異常的地方。

四、結語
地球觀測是極具潛力的研究領域。除了常見的地形測量及我所從事的精準農業領域,舉凡礦業資源探勘(Sabins, 1999)、珊瑚礁監測(Hedley et al., 2016)、乃至宏觀人類政經行為研究(Levin et al., 2020)都可使用地球觀測資料。與此同時,許多頂尖研究機構,如美國國家航太總署(National Aeronautics and Space Administration, NASA)及歐洲太空總署(European Space Agency, ESA)皆有提供公開的地球觀測資料供民眾下載使用(如Corpenicus brower: https://browser.dataspace.copernicus.eu/ 及EarthData: https://www.earthdata.nasa.gov/)。科技的進步使得地球觀測不再只專屬於科學家。機器學習及人工智慧的快速發展,也使得資料的分析技術更加普及。不管是學生或是一般民眾,皆可學習使用地球觀測資料幫助了解自已感興趣的領域。

五、參考資料
Sabins, F.F., 1999. Remote sensing for mineral exploration. Ore Geology Reviews 14, 157–183. https://doi.org/10.1016/S0169-1368(99)00007-4

Hedley, J.D., Roelfsema, C.M., Chollett, I., Harborne, A.R., Heron, S.F., Weeks, S., Skirving, W.J., Strong, A.E., Eakin, C.M., Christensen, T.R.L., Ticzon, V., Bejarano, S., Mumby, P.J., 2016. Remote Sensing of Coral Reefs for Monitoring and Management: A Review. Remote Sensing 8, 118. https://doi.org/10.3390/rs8020118

Levin, N., Kyba, C.C.M., Zhang, Q., Sánchez de Miguel, A., Román, M.O., Li, X., Portnov, B.A., Molthan, A.L., Jechow, A., Miller, S.D., Wang, Z., Shrestha, R.M., Elvidge, C.D., 2020. Remote sensing of night lights: A review and an outlook for the future. Remote Sensing of Environment 237, 111443. https://doi.org/10.1016/j.rse.2019.111443