電子報
隨著開源衛星影像的應用普及化，如何在短時間內處理大範圍空間尺度與長時序列資料變得相當重要，雲端運算相較於桌上型電腦在資料處理的方式，具可分散運算、高效計算速度及高資料儲存空間擴充的彈性，在大範圍遙測影像計算的處理上，雲端運算更具極佳優勢。像是由 Google 公司開發的地理資訊雲端分析平台 Google Earth Engine(GEE)，其涵蓋了來自 30 顆衛星或感測器以上的衛星與空拍影像、氣候與環境變數、土地覆蓋、地形與社經資料，數位資料庫相當於 29 petabytes(PB)，不僅可針對全球性與跨時段的資料進行分析，許多開放的範例程式碼亦促進開放科學 (open science) 的推動！
菲律賓的 Cagayan 河流域集水區為菲律賓最大，其河長超過 20 公里，且常受洪水影響，Boothroyd 等人 (2020) 以其為研究目標，應用 GEE 進行水體分類並將成果匯出，用以分析河道在不同時期的變化。Cagayan 河之水體分類的步驟如下 (圖 2)：
➤步驟一：選定目標區域與時間 (Time and ROI filter)
於 GEE 的程式碼編輯器上設定目標區域 (region of interest, ROI)、時間，及衛星影像資料庫。
GEE 使用經大氣校正後的表面反射率影像，便於比較影像之間的反射率。
➤步驟二：衛星影像的雲遮蔽處理 (Cloud masking procedure)
由於不同時間之衛星影像受雲覆影響情形不一，此步驟於影像集合中的每幅衛星影像套用雲遮蔽演算法，保留未受雲影遮蔽的像素。
➤步驟三：合成不同時期的衛星影像 (Temporal compositing)
使用 median reducer 法對步驟二保留的像素進行聚合，呈現一像素在目標時間範圍內所有保留像素的中位數值 (percentile 50)。
➤步驟四：地貌特徵—河道與非河道、植被與沖積物 (Classification)
為分類影像之地貌特徵，使用多光譜指數包括修正型常態化差異水勢指標 (Modified Normalized Difference Water Index, mNDWI)、常態化差異植生指標 (Normalized Difference Vegetation Index, NDVI) 及強化型植生指標 (Enhanced Vegetation Index, EVI)三者，進行河道 (水體) 與非河道 (非水體) 的分類，其依據 mNDWI > EVI 或 mNDWI > NDVI 的指標標準，分類代表水體的像素，此外，為避免水體與植被的混合像素干擾分類結果，利用 EVI < 0.1 的標準來移除此類別的混合像素 (Zou et al., 2018)(圖 3)。
同樣使用前述多光譜指數進行植被與河道沖積沉積物 (alluvial deposits) 的分類，由前人研究指出，NDVI = 0.2 作為河岸茂密植被的判別門檻，若分析之像素符合 mNDWI ≥ -0.4 且 NDVI ≤ 0.2 時，則該像素被歸類至河道沖積沉積物。
➤步驟五：二元分類與匯出 (Binarization and export)
河道的範圍因乾濕季而有所落差，為降低水位變化導致滿水範圍變化產生的錯誤，因此將開放水域 (open water) 與河床上裸露的沙/礫石 (bare sand/gravel) 皆視為河道，以此標準統一地識別河道的物理邊界。
亦即，將河道與非河道分類結果，以及植被與沖積沉積物分類結果進行聯集 (geometric union)，產生河道像素 (開放水域、河床上裸露的沙/礫石) 與非河道像素 (植被覆蓋區、河道外的其他陸地特徵)。最終結果以 GeoTIFF 格式匯出至 Google Drive，供使用者於 GEE 外部進一步進行分析。
Boothroyd 等人 (2020) 後續利用 MATLAB 的 RivMAP 工具箱，將 GEE 的結果以每 5 年的遷移面積除以中心線長度，計算河道遷移速率。
位於花蓮縣秀林村的三棧南溪於 2024 年 0403 地震後集水區坡地崩塌嚴重，且集水區出口鄰近三棧部落，發生多次土石流事件，土石流災害風險高，農村發展及水土保持署於同年 6 月初公告其為土石流潛勢溪流 — 花縣 DF174，並同步建立防災措施與疏散避難計畫。
同年 6 月 20 日至 7 月 24 日期間，花縣 DF174 陸續發生土砂流出進而致災的事件，因此，本文選定 2024 年 7 月底凱米颱風影響後的 8 月 1 日至 2025 年 1 月 1 日約半年的時間作為目標影像分析區間，目標區域以花縣 DF174 土石流潛勢溪流河段為主，利用多時期 Sentinel-2 衛星影像 (解析度 10 m) 進行河道變遷分析 (圖 4)(完整程式碼請見參考資料連結)。
依據上述步驟之一至三合成不同時期的衛星影像如圖 5左上圖。
接著，設定以下參數：mNDWI > EVI 或 mNDWI > NDVI，及 EVI < 0.1 的標準，進行河道 (水體) 與非河道的分類，分類結果如圖 5右上圖。圖上所判別為河道 (水體) 處呈現藍色，但圖中僅見幾個被判別為河道的藍點，可能由於實際河道之寬度極為狹窄，接近或低於衛星影像的偵測極限，亦或是分析之衛星影像時間點是在枯水期或低流量條件下，因此所偵測到為水體的像素便可能僅有幾個。
再來，於地貌特徵的分類上，設定 mNDWI為-0.4、NDVI為 0.2 及 EVI為 0.1 的多光譜指數門檻值，藉以排除植被像素並判別河道沖積沉積物 像素 (圖 5左下圖)。由圖中可看出河段中下游幾乎皆被判別為河道沖積沉積物，另外在河道西側的部分裸露地也被判別為河道沖積沉積物，其因在設定的門檻值下，裸露地或濕潤農地亦在此特徵門檻值範圍內，故後續可調整參數門檻值，或嘗試將目標範圍排除裸露地，以改善誤判情況。
最終，圖 5右下圖為結合右上與左下圖所得的河道與非河道二元分類圖。
除了能夠利用 GEE 衛星影像資料庫進行河道的分類之外，使用者也能直接在 GEE 上利用 RivWidthCloud 演算法計算特定時間 (如颱風或豪雨事件後) 的河流寬度，RivWidthCloud 特別的是能自動處理帶有雲層的衛星影像，其演算法運作方式依序為：自衛星影像中分類水體像素 (方法與上述相同)、劃定河流的中心線和寬度、沿著與河流中心線垂直方向計算河流寬度 (Yang et al., 2020)。
RivWidthCloud 在計算河流寬度的過程中，會利用包括 1984-2018 年衛星影像資料與全球徑流資料中心的 GRWL(Global River Widths from Landsat) 資料庫 (具 3,693 個逕流觀測站資料) 作為基準來識別河流像素。因此，使用者可將利用 RivWidthCloud 計算出的結果 (範例程式碼) 與 GRWL 資料庫中已存在之典型水文狀態下的河流寬度進行比對 (如圖 6所示為宜蘭與花蓮縣交界之和平溪河寬資料)，量化分析目標之河流受洪水影響下的河道拓寬幅度、追蹤河道中心線的位移等。
需特別注意的是，RivWidthCloud 演算法主要針對寬度超過 30 公尺的河流進行計算，原則上河寬寬度大於 90 公尺 (約 3 個 Landsat 像素) 的準確性和完整性最高，但若是河道寬度小於 90 公尺的河流，其測量結果受限於演算法及衛星影像解析度，可能準確度不高 (Allen & Pavelsky, 2018)。
受益於 GEE 雲端運算平台的便捷與高效運算，對比過往在處理大量衛星影像時需耗費大量運算時間、影像取得與購置成本，應用GEE進行多時期廣範圍的影像特徵標的物偵測與分類變得更容易上手。本文以花縣 DF174 為案例，實作如何透過 GEE 快速完成水體分類、辨識河道沖積物，並簡單介紹 GEE 平台上分析河寬變化的 RivWidthCloud 演算法。
讀者若往後於地震或颱風事件後遇有土石流事件發生，或可利用上述兩套方法，探討不同時期河道沖積沉積物的多寡，並分析河道隨時間的遷移變化，在災後即時掌握河道變遷，進行災後環境資料分析，以供防減災規劃的參考。
1. Allen, G. H., & Pavelsky, T. M. (2018). Global extent of rivers and streams. Science, 361(6402), 585-588.
2. Boothroyd, R. J., Williams, R. D., Hoey, T. B., Barrett, B., & Prasojo, O. A. (2021). Applications of Google Earth Engine in fluvial geomorphology for detecting river channel change. Wiley Interdisciplinary Reviews: Water, 8(1), e21496.
3. Rowland, J. C., Shelef, E., Pope, P. A., Muss, J., Gangodagamage, C., Brumby, S. P., & Wilson, C. J. (2016). A morphology independent methodology for quantifying planview river change and characteristics from remotely sensed imagery. Remote Sensing of Environment, 184, 212-228.
4. Yang, X., Pavelsky, T. M., Allen, G. H., & Donchyts, G. (2020). RivWidthCloud: An Automated Google Earth Engine Algorithm for River Width Extraction From Remotely Sensed Imagery. IEEE Geoscience and Remote Sensing Letters, 17(2), 217-221.
5. Zou, Z., Xiao, X., Dong, J., Qin, Y., Doughty, R. B., Menarguez, M. A., Zhang, G., & Wang, J. (2018). Divergent trends of open-surface water body area in the contiguous United States from 1984 to 2016. Proc. Natl. Acad. Sci. U.S.A., 115(15), 3810-3815.
6. Global River Widths from Landsat (GRWL) Database
7. GEE-檢視花縣 DF174 試作程式碼
8. RivWidthCloud 演算法之開源範例程式碼
