Sentinel-2 是歐洲太空總署最新一代的光學衛星，以每5天一次的頻率拍攝台灣，可拍攝13個波段的高品質遙測影像（表1），最高10公尺解析度，且為支持資料開放政策的高頻度光學衛星影像。自2017年至今，BigGIS已建置完整Sentinel-2衛星影像平台，使用者可在BigGIS上使用Sentinel-2衛星影像，對重大災害發生前後期的影像進行變異分析。

表1 Sentinel-2波段介紹

 

Sentinel-2影像判釋裸露地，變異偵測程序主要分為三步驟

1.判釋出雲、陰影，並排除其影響

衛星影像上最強、也是最多的變異訊號，往往都來自雲霧和陰影，因此在進行變異分析前，須將兩者先行排除。

雲霧的部分，歐洲太空總署開發了名為Sen2Cor的大氣校正工具，可以從Sentinel-2的Level-1C產品，計算出氣融膠光學厚度(aerosol optical thickness)、水氣含量、雲雪或然率等影響，並且將大氣層頂的輻亮度值轉換為大氣層底（地表）的輻亮度值，直接產製雲霧遮罩，對於多期影像變異分析特別有利，之後Liu等人(Liu et al. 2019a)，基於深度殘差學習(deep residual learning)，語義圖像分割(semantic image segmentation)和空洞卷積(atrous convolution)的概念，發展出一個新的深度學習(deep learning)架構名為CloudNet，增進從 Sentinel-2 影像中對雲和霧的分類，進一步能自動偵測影像中的雲霧，並將其排除。

 

陰影的部分使用的是決策樹分類法(Liu et al. 2018、Liu et al. 2019b)，

使用正規化差異植生指標(Normalized Difference Vegetation Index, NDVI) 、陰影指標(Shadow Index, SI)、綠度指標(Greenness ,Gn) （表2），採用NDVI指標可判定植被區域及非植生區，以SI可分辨陰影與非陰影區，Gn則可區分裸露地與非裸露地，依序使用NDVI、SI和Gn指標，將影像中分層判釋出森林、陰影、低植生和裸露地等4種類型（表3），進一步將陰影區去除。

表2 指標與計算公式

 

表3. 根據決策樹分類法，依序使用NDVI、SI、Gn等指標，從多頻譜光學遙測影像中判釋出「森林」、「陰影」、「低植生」和「裸露地」等四種類型之土地使用和土地覆蓋的作法

 

前後兩期影像所產製之雲霧與陰影遮罩，必須先取聯集後，分別套用回前後兩期影像，也就是前後兩期影像只要有任何一期的範圍曾經被雲霧或陰影遮蓋過，這個範圍就必須排除，其中也包含容易在雲霧遮罩附近發現的碎雲和薄雲，使其不能進入後續變異分析的頻譜指標運算過程，排除這些雜訊後，才能確保真正的變異訊號可以被強化。

 

備註：由於技術的調整，目前BigGIS 的Sentinel-2變異分析在雲霧偵測的部分是關閉的狀態，所以使用者選擇的分析範圍內有雲霧時，系統仍會圈選出來，因此在執行分析時須注意雲霧的影響。

 

2.根據前後期多頻譜影像之頻譜角度變化量，計算出變異之量化資訊

不同地物對入射光的反射能力互異，地物反射光的強弱與入射光的波長、入射角的大小，及地物表面的顏色、組成成份、微觀幾何形態、巨觀幾何形狀等特徵有關，因此使用不同波段組合的各種頻譜指標，對進行地表地物的分類與辨識工作是非常重要的參考依據。然而，就變異分析而言，一般高空間分辨率的衛星影像使用的波段數量較少，頻譜解析度(spectral resolution)也較差異，若直接使用其多頻譜資訊進行分類，能達成的正確率有限，為了有效利用頻譜資訊，因此直接對每一個像元計算前後期影像之頻譜角度(x, y) (Kruse et al. 1993)

其中x, y分別為前後期影像該像元之光譜特徵向量，n為波段數目。使用頻譜角度的優點是只要有任何一個波段發生變化，就會反應在頻譜角度而突顯出來。若偵測到評估指標較高的區域，即是較有可能發生變異之區域。

 

3.提供線上即時判釋前後期裸露地面積變化

BigGIS加值應用分析將繁雜分析透過後端處理，讓使用者可免費分析應用，簡化導引使用者幾個選項設定參數，一鍵化完成執行變異分析，還能將分析結果下載應用。

使用者點選地圖輔助工具中加值應用分析工具內的Sentinel-2兩期影像變異比對（圖1），自行挑選前後兩期的Sentinel-2衛星影像，並圈畫出欲分析的範圍（圖2），執行分析後，會出現Disappear和New兩個KML檔案可供下載。Disappear指的是出現在前期的裸露地在後期消失，New指的是後期新增的裸露地（圖3和圖4）。

使用Sentinel-2衛星影像進行前後期影像變異分析，可應用在重大災害事件，以2021年7月31日到8月7日中南部連日豪雨，造成多處崩塌以及土石流為例，針對玉穗溪上游的崩塌處，比較20210714和20210828兩期的影像，變異分析結果如圖5所示，可以看到原本是植被的部分被沖刷下來，崩塌面積擴大，而擴大的部分，變異分析結果皆有圈繪出來，使用者還可以進一步自由套疊BigGIS上現有的各種空間圖資，並且加以標註。

圖1 BigGIS的Sentinel-2兩期影像變異比對

 

圖2 使用者可以自行圈繪分析範圍，執行後，分析結果KML檔可供下載

 

圖3 分析結果直接在網頁上呈現

 

圖4 New以紅色線條表示，為後期新增的裸露地範圍，Disappear以綠色線條表示，為出現在前期的裸露地在後期消失

 

圖5 玉穗溪上游崩塌處，在連續幾日豪雨後，造成崩塌擴大，後期影像裸露地範圍增加

 

 

參考文獻

1. Kruse, F.A., Lefkoff, A.B., & Dietz, J.B. (1993). Expert System-Based Mineral Mapping in Northern Death-Valley, California Nevada, Using the Airborne Visible Infrared Imaging Spectrometer (Aviris). Remote Sensing of Environment, 44, 309-336

2. Liu, C.-C., Luo, W., Chung, H.-W., Yin, H.-Y., & Yan, K.-W. (2018). Influences of the Shadow Inventory on a Landslide Susceptibility Model. ISPRS International Journal of Geo-Information, 7, 374

3. Liu, C.-C., Zhang, Y.-C., Chen, P.-Y., Lai, C.-C., Chen, Y.-H., Cheng, J.-H., & Ko, M.-H. (2019a). Clouds Classification from Sentinel-2 Imagery with Deep Residual Learning and Semantic Image Segmentation. Remote Sensing, 11, 119

4.Liu, C.-C., Y.-H. Chen, M.-H. M. Wu, C. Wei & M.-H. Ko (2019b) Assessment of forest restoration with multitemporal remote sensing imagery. Scientific Reports, 9, 7279.