007期｜應用無人機協助勘災提早復耕 – 韌性農業計畫成果暨資訊交流平台

本期焦點

氣候變遷下無人機勘災加速農業災害救助
　　農作物易受風災及水災等天然災害侵襲而造成嚴重損害，不僅農民財產損失，政府更須投入許多人力進行勘災與補償，相當耗費人力、時間與金錢。因此，如何加速災害救助流程，協助農友儘快復原十分重要(圖一)。本計畫以無人機(Unmanned Aerial Vehicle, UAV)進行災後即時航拍，作為研究光譜影像分類及人工智慧自動判釋技術之基礎材料，除了可加速災害救助流程，亦可於未來應用航拍進行勘災實務應用。

無人機勘災流程簡述
　　UAV在機型上可分為定翼型(Fixed Wing)以及旋翼型(Rotary Wing)兩大種類。定翼型耗電量低，且具有較長的滯空時間與飛行高度，適用於較大的影像拍攝範圍。旋翼型則是可垂直起降，且適用於複雜地形飛行。UAV可搭載探測器包括可見光(RGB)、多光譜、高光譜、雷達(Synthetic Aperture Radar, SAR)及光達(Light Detection and Ranging, LiDAR)等，可用於拍攝不同光譜之航拍照片。取得航拍照片後，可運用航拍影像計算軟體如Altizure、Drone2Map、Dronepan、Pix4D Mapper等，均能運算航攝資料，產製正射影像。獲得正射影像後，可利用影像分析軟體，包括ArcGIS、ERDAS、QGIS等，進行災損影像判釋。

災後影像判釋準確性
　　台灣栽種的作物別繁多，受災樣態也不同，包括倒伏、落果與枝葉受損等。依據目前研究結果，針對倒伏型的受災樣態，影像分析判釋準確度較高，例如水稻與香蕉倒伏的判釋準確度可高達85%以上。
　　 2017年6月初豪雨過後臺中霧峰五福區水稻倒伏嚴重，經無人機航拍取得正射影像後，利用監督分類法(Supervised Classification)之最大概似法(Maximum Likelihood Method)進行半自動影像分類結果如圖二，可得知五福區水稻倒伏影像監督分類平均災損比例為69%，比對人工判釋的結果，其準確度可達90%。2016年尼伯特颱風後高雄縣旗山區香蕉倒伏嚴重，經無人機航拍取得正射影像後，利用非監督分類法(Unsupervised Classification)進行半自動影像分類，可得知旗山區香蕉倒伏非監督分類災損判釋率為86.7%，比對人工判釋結果，其準確度可達85%。以上影像分析結果可套疊地籍資料，即可計算每一坵塊受損比例。基於上述成果，目前香蕉植株保險已應用無人機航拍影像判釋，作為理賠依據。

導入人工智慧
　　前述影像分析方法為半自動判釋方法，仍需投入大量人力。藉由導入人工智慧(Artificial Intelligence, AI)技術，針對無人機航拍影像進行災後自動判釋研究，以深度學習方法進行模型訓練，將水稻與香蕉倒伏特徵標註影像透過深度學習大量運算，可得到最佳自動判釋倒伏模型。應用U-Net模型，以3418個水稻倒伏特徵標註影像，進行電腦訓練，水稻倒伏判釋結果如圖四，判釋準確率目前為80%。應用YoloV4模型，以6351個香蕉倒伏特徵標註影像，進行電腦訓練，香蕉倒伏利用判釋結果如圖五，判釋準確率目前為77%，兩者之判釋準確率都還不及前述以傳統影像分析之結果，未來可藉由持續收集與累積倒伏不同樣態影像進行深度學習訓練，預期可再提高模型判釋準確度，將可節省更多人工勘災成本。

未來推動與應用
　　近幾年UAV設備發展快速，航拍技術、影像分析與判釋技術日新月異，預期未來可應用於勘災，縮短勘災時程，更加快速且即時地補償農民因天然災害所受的損失，亦可成為智慧農業發展的重要利器，協助農事與作物栽培管理等。在影像分析方面，可藉由增加影像光譜分類、物件辨識與地面紋理分類運算能力，提高判釋準確度，並應用於其他作物進行災損影像判釋。此外，人工智慧技術不斷進步，使用深度學習方法更有利應用於影像自動判釋，以減少人工勘災成本，提升災損判釋效率。