電子報
由低空至高空的遙測影像可分為空載 (airborne) 及星載 (spaceborne) 獲得，前者使用飛機或無人飛行載具 (unmanned aerial vehicle, UAV)，後者使用衛星搭載感測器，利用感測器所得的多光譜 (multispectral) 與高光譜 (hypespectral) 影像，可針對目標具備的不同光譜特徵進行後續分析。然而，部分地區受限於衛星再訪率與不同解析度的影響，人們常在影像空間解析度與判釋分類正確性間取捨。
透過機器學習演算法，UAV 的影像可與 地面解析度 (Ground Sample Distance, GSD) 等級的衛星影像相輔相成，進行自動化的資料分析，能大幅降低影像分類與判釋的時間。
本期延續 電子報第 19 期提到的 GEE 機器學習演算法協助災前災後影像分類，本文主要介紹利用 R 與 Python 的開源套件建立機器學習模型，對遙測影像進行地表植被的判釋。
以大數據訓練機器學習建模的過程，可概略分為資料蒐集與預處理 (pre-processing)、特徵選擇 (feature selection) 與利用不同的演算法 (如決策樹、隨機森林、XGBoost 等) 等步驟建立分類模型及驗證模型 (圖 1) (Villoslada et al., 2024)。
機器學習主要分為監督式學習與非監督式學習，監督式學習使用加上標籤的資料來訓練模型，非監督式學習則是給予無標籤的資料，讓機器找出一定的規則分類資料。常見的監督式學習演算法有預測離散型變數 (discrete variable) 較佳的邏輯迴歸 (Logistic Regression)、可處理連續型與離散型變數的支援向量機 (Support vector machines, SVM)、藉由樹的階層概念在各節點挑選特徵進行決策的決策樹 (Decision Trees)、多個決策樹進行演算的隨機森林 (Random Forest) 及透過連續決策樹且後決策樹具更高權重的極限梯度提升 (Extreme Gradient Boosting, XGBoost)(表1)。
對於機器學習建模的準確度，Tamiminia 等人 (2020) 統計包含上述各演算法共 9 種演算法的 265 篇文獻，發現各演算法平均準確度皆達 85%。此外，Morde & Setty (2019) 利用可隨機生成樣本的機器學習資料庫 scikitlearn 訓練模型，發現近年出現在 Kaggle 交易資料數據處理競賽中的 XGBoost，其預測性與處理時間上也相當優秀 (圖 2)。
早在 2002 年，Liaw & Wiener 即利用 R 軟體的 randomForest 套件進行隨機森林演算法將類別資料分類 (classification) 或將連續型資料進行迴歸 (regression)，而隨時間演進，能處理分類、迴歸、聚類 (clustering) 與降維 (dimensionality reduction) 的 Scikit-learn 也開放給大眾使用。Scikit-learn 是整合多種機器學習演算法的 Python 模組，簡單且容易上手，相關的程式碼與文件在網站 (https://scikit-learn.org/stable/)(圖 3) 上皆能下載使用 (Pedregosa et al., 2011)。
Lan 等人 (2020) 利用 UAV 拍攝多光譜影像，先將影像去噪 (denoising) 並以特定波段計算植生指標，合併原始影像與植生指標產製影像庫，選取健康與染病的柑橘樹訓練樣本，第二步驟為特徵萃取 (feature extraction)，以主成分分析進行降維 (dimension reduction) 保留資料中主要的特徵 (feature)，最後以機器學習演算法訓練模型，利用 Scikit-learn 中的 GridSearchCV 函數將模型參數調整至最佳化後，分析 6 種不同演算法下的分類結果。成果顯示集成學習法的 AdaBoost 與 neural network 在預測健康株與感病株上表現較佳 (圖 4)，特別是在加入植生指標進行波段合併後的影像，在各演算模型中皆較原始影像的辨識準確度來得高 (Lan et al., 2020)。
Villoslada 等人 (2024) 的研究指出，極圈生態系統受氣候變遷影響，其植生組成正經歷快速變動，如何大範圍並準確地評估地表植生與土壤濕度極其重要，因此利用 UAV 拍攝極圈地表樣態多光譜影像，產製不同的植生指標與樹冠高度模型 (canopy height model, CHM)，接著應用 RF 與 XGBoost 演算法建立預測模型，再以其驗證選用不同植生指標與 GSD 的 Sentinel-2 與 Landsat-8 衛星影像 (表 2) 模型。從預測結果發現，利用每像元空間解析度為 20 公尺的影像結合以紅光波段進行計算的植生指標，對表層土壤濕度的預測結果最佳 (R2 = 0.73)，對林木生物量 (wood biomass) 的預測則是最差 (R2 = 0.38)，而影像的像元愈小、預測參數愈多，預測的準確度愈低，可能是極圈植被需要更小的 GSD 才能更準確地反映現地狀況。
小花蔓澤蘭為臺灣最常見的入侵植物之一，在生態上的危害甚鉅，江等人 (2023) 利用 UAV 拍攝標的物影像後，以 RGB 波段進行影像分類，先以人工判釋 (表 3) 結合現地調查資料圈繪小花蔓澤蘭特徵建立訓練樣本，接著以光譜角映射法 (spectral angle mapping)、最大概似法 (maximum likelihood estimation) 與 隨機森林法 (Random Forest) 進行監督式分類，總體分類準確度以隨機森林法最佳 (圖 5)，不過也可依據影像的空間解析度高低與目的選取他法進行分類。
隨著使用 UAV 現地調查的普及化與資源衛星多光譜影像的可得性，對於大範圍區域的影像辨識與分類可更加快速與便捷，加上便利性的開源 Python 機器學習套件，讓新手也可以快速入門。再者，透過機器學習演算法結合 UAV 與衛星影像，除可增加衛星影像判釋模型所需的訓練與驗證資料集外，亦能降低衛星影像因較低空間解析度使地物反射光譜具異質性，所產生的混合像元現象，以增進影像精度並提高訓練/驗證資料的代表性。
高速運算晶片的開發與雲端運算的普及化，遙測技術應用的全面性將更廣泛地推進，往後在土地勘查、物件偵測與災損辦識上，更能進行高精確度的判釋與分類。
1. 江秉鴻、陳建璋、魏浚紘。2023。應用無人空中載具影像調查外來入侵植物小花蔓澤蘭。航測及遙測學刊。28(2): 103-123。
2. Lan, Y., Huang, Z., Deng, X., Zhu, Z., Huang, H., Zheng, Z., Lian, B., Zeng, G., & Tong, Z. (2020). Comparison of machine learning methods for citrus greening detection on UAV multispectral images. Computers and Electronics in Agriculture. 171: 105234.
3. Liaw, A., & Wiener, M. (2002). Classification and Regression by Randomforest. R News. 2: 18-22.
4. Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B. Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research. (2011).12(85): 2825-2830.
5. Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., & Brisco, B. (2020). Google Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS Journal of Photogrammetry and Remote Sensing. 164: 152-170.
6. Villoslada, M., Berner, L. T., Juutinen, S., Ylänne, H., & Kumpula, T. (2024). Upscaling vascular aboveground biomass and topsoil moisture of subarctic fens from Unoccupied Aerial Vehicles (UAVs) to satellite level. Science of The Total Environment, 933: 173049.
