工業技術研究院 資訊與通訊研究所 陳博勳 游智超 白炳川

前言

全球人口持續增長，加上氣候變遷與農地退化等環境壓力，正使糧食安全面臨前所未有的挑戰。台灣亦不例外，農村人口老化、勞動力短缺，導致傳統仰賴人力巡田與經驗判斷的農業管理方式，難以因應現代農業的效率與精準需求。部分農民為求便利而過度使用化肥與農藥，進一步造成土壤劣化、生態失衡，並提高病蟲害大規模爆發的風險，對農業永續性構成威脅。

面對這些問題，智慧農業成為重要解方[1]-[3]，特別是結合無人機（UAV）與人工智慧（AI）的應用[4][5]。無人機具備高機動性與即時監控能力，可快速收集作物影像，搭載高光譜影像擷取280個窄波段訊號，精細辨識作物生長變化與地表土壤成分，協助偵測病蟲害、營養不均或缺水狀況，提升農業管理的精準度與效率，減少對人力與資源的依賴，有效實現早期預警與科學決策[6]-[9]。

然而，龐大的影像資料量對儲存、運算與傳輸皆構成挑戰受限於設備成本與網路基礎，尚難於農業場域中大規模應用。隨著5G／6G通訊技術與邊緣運算的發展，即時上傳與分析成為可能，將使高光譜技術有機會大規模應用於農業場域。

稻作高光譜影像資料蒐集與校正

無人機搭載光譜儀進行遙測空拍的技術已發展多年，尤其在智慧農業中具備高潛力。此外，以目前農業應用來說，病蟲害的防治與監測為主要發展應用方向。市面上常見的無人機酬載系統於農業病蟲害的防治與監測應用包含多光譜、高光譜等感測器。多光譜影像是目前國內外最常見到的無人機影像在農業上應用，透過RGB、red edge和NIR等五個通道組成多光譜影像並以計算標準化植被指數（Normalized Difference Vegetation Index, NDVI）作為衡量場域內作物生長好與壞指標，成本較低且適用於整體農田健康狀況的評估，為農民提供即時的作物管理參考，但相對來說較無法作早期病害預測，只能針對場域內作物作監測。高光譜影像能提供最精細的農作物健康資訊，特別適用於作物早期病害預測，但相對帶來更高的運算與傳輸需求。

為提升影像品質並避免陰影與雲層干擾，無人機須依預設航線執行低空多架次飛行，於晴朗時段進行掃描。一般飛行高度設定於 40 至 120 公尺間，不同高度所取得影像之地面解析度（Ground Sample Distance, GSD）與視場範圍（Field of View, FOV）將有所差異，影響後續影像拼接與時序比較分析的精度。以下是常見飛行高度的應用需求分類：

• 50m：可獲得最高解析度，適用於精密監測，但資料量較大。
• 100m：在解析度與覆蓋範圍間取得平衡，適用於一般農田監測。
• 150m：適合進行大面積巡檢，但解析度偏低，較不適合病害偵測。

本文採用 Headwall 製高光譜影像感測器整合無人機平台，針對稻作田區進行系統性空拍監測，重點聚焦於資料的高品質蒐集與有效應用。所採集之高光譜影像涵蓋 400 奈米至 1000 奈米的光譜範圍，涵蓋從可見光至近紅外波段，共 280 個高解析光譜通道，能提供細緻且具生長期診斷價值的作物資訊。為提升資料泛用性，使得資料具備跨時空可用性，進行分期多次無人機資料拍攝，跨期比較與AI模型訓練應用。

本文使用高光譜無人機採用推掃式（Push-Broom Scanners）掃描方式擷取稻田場域的高光譜影像，以 50m 飛行高度對4分地大小之農田進行數據拍攝稻田場域包含稻株、泥地與道路等地表類型，將為280張灰階影像疊合的高光譜影像立方體（Hyperspectral Image Cube）儲存在無人機硬碟，再透過Ethernet方式傳輸至個人電腦或筆電，分析不同地表獨特的光譜反射特徵做病蟲害分析。接著，經由下列三項校正程序進行光譜影像前處理，解析原始影像資料（raw data），以確保影像的幾何與光譜準確性。

• 正射校正：結合影像和無人機內的IMU（Inertial Measure Unit）數據作每條掃描線的校正。
• 輻射校正：為遙測影像在擷取地形地貌過程中因光源反射問題造成影像以輻射狀散開所形成之校正。
• 反射校正：為影像根據白反射與黑反射之閥值作正規化校正。

完成校正處理後，即可產生可供應用的高光譜影像立方體。此影像立方體涵蓋多個光譜通道，每個像素點（pixel）在不同通道上均具有特定的強度資訊，如圖1所示，圖1左Y軸為光譜能量強度、X軸為光譜波段，圖1右為每個波段光譜影像所疊出來的影像方塊。透過這些光譜強度數據，可進一步應用機器學習演算法進行影像分類，以滿足不同使用者的需求，並提升農業監測與分析的精準度。

圖1 高光譜立方體與pixels波段強度

高光譜影像立方體經過校正後[10]，仍需透過本團隊開發的拼接演算法，將多條光譜影像整合成為完整的場域高光譜影像。此拼接演算法的優勢在於無需額外設置地面控制點（Ground Control Points, GCPs），亦無需精密實時動態技術（Real-Time Kinematic, RTK）定位輔助，即可準確拼接出完整的農田高光譜影像，如圖2所示。圖2中的影像為 6 至 7 條 Push-Broom 掃描後的光譜影像立方體經拼接處理後的成果。影像中，白色外框區域代表蟲害影響範圍，而非白色外框區域則顯示病害影響區域。透過此技術，研究人員能夠快速掌握場域內不同類型的作物健康問題，進一步提升農業監測與病害分析的精準度。

圖2 高光譜稻作場域完整拼接影像

機器學習識別農作物病蟲害程度與範圍規模試驗

經過校正處理後的高光譜影像立方體，涵蓋場域內各種物質（如作物、泥地、道路等）的光譜反射特徵，每個像素（pixel）均對應不同的光譜波段[11][12] ，可提供高解析度的成分辨識依據。為進行病蟲害識別訓練，我們與農試單位專家合作，依據光譜特徵對場域影像進行標註，將各區域分類為病害、健康、泥土等物件標籤類別。這些標註結果構成監督式機器學習模型的訓練資料集，有助於模型學習不同病害在光譜上的典型模式[13]。我們比較了三種監督式機器學習演算法：Random Forest、Adaboost 及 XGBoost [14]，以評估在處理高維度、高容量的高光譜影像資料上的分類效能。這三種機器學習演算法特色是穩定度高，並且未來在研究成果商業化過程中，可不受開源軟體授權的限制。由於高光譜具有數百個光譜通道，導致特徵維度變量極高，傳統特徵工程難以精準萃取具高區辨力的光譜特徵，因此我們採用端到端的訓練方式，進行自動化的降維與特徵選取學習。結果顯示，不同演算法在分類準確性與運算速度表現差異顯著，XGBoost效能表現最佳如下表1所示。綜合考慮到泛用性以及準確性，XGBoost演算法較適合作為高光譜影像資料分群與病害判別的的主要模型。

測試結果顯示 XGBoost 的分類準確率優於 Random Forest 與 Adaboost，為三者中表現最佳的分類器。此外，透過 XGBoost 分類結果並結合特徵工程技術，與實際田間病害記錄比對，病害區域判定的準確度可達 75% 以上，顯示該模型能有效辨識作物病害。後續將再導入後驗機率（Posterior Probability） 方法，以計算每個像素的光譜波形被判定為病害區域的機率，依據可適性調控的方式優化進一步優化 XGBoost 模型的結果，可以再進一步提高預測的可靠性。

表1 透過監督式學習訓練之結果

此技術可作為稻作高光譜病害影像預測引擎的核心演算機制，未來亦可應用於不同作物或具相似資料型態的農業影像分析，提供相同流程的數據處理與分析結果呈現，擴展高光譜技術於智慧農業的應用範疇。

5G／6G 通訊技術對農業監測的影響

高解析高光譜資料有助於判讀捕捉作物生理變化與微環境異常，對精準農業發展具高度潛力。然而，受限於過往農業場域之通訊基礎設施，相關影像資料多，需於作業結束後離線下載，再進行後端運算分析，導致監測結果無法即時回應田間變化，限制了高光譜技術的即時應用與大規模部署，目前在台灣仍多屬試點性質應用，未能全面落實於農業生產。

第五代行動通訊技術（5G）為高光譜影像由「事後分析」邁向「即時處理」提供了技術可行實現基礎。5G 網路具備高頻寬、低延遲與大規模裝置連接等技術特性，能解決農業監測在高解析度影像和巨量資料傳輸的問題，允許無人機在飛行過程中即時將高解析影像資料上傳至地面轉接站，再同步上傳至雲端平台進行後續分析處理，解決過去儲存空間不足之窘境和場域防治無法即時判釋之狀況，提升農業監測系統的穩定性與反應速度，將使高光譜技術能有機會大規模實際應用於農業場域。

根據目前國內測試數據顯示，國產 5G 專網設備的上行傳輸速率可穩定達 600 Mbps，且單張高光譜影像之端到端平均延遲可控制在 150 毫秒以內，較傳統無線網路技術大幅縮短資料上傳與分析所需時間，有效降低整體運算延遲。這樣的特性對於高頻率監控與即時決策支援尤其重要，特別是在多架次無人機同步運作的情境下，能確保系統穩定與資料一致性。 展望未來，雖然 6G 技術尚未商轉，但預期6G 將進一步提升數據傳輸速率與網路整合能力，特別是異質網路架構整合，例如衛星通訊與地面網路的協同布建，將能有效擴展農業監測的涵蓋範圍，尤其對偏遠地區與地形複雜農田的無人機作業具有關鍵戰略意義，為大面積農地之持續監控、災害預警及作物管理提供更可靠的通訊基礎。

結論

本文結合無人機、高光譜影像與雲端 AI 運算技術，探討其在農業監測中的應用發展與技術整合。無人機技術的進步，使高光譜影像成為農作物健康監測的核心工具，而 5G／6G 通訊的發展，則大幅提升影像資料的即時傳輸與穩定性。此外，人工智慧與雲端計算的協同運作，不僅能有效降低資料處理延遲與運算成本，還能提升農業監測的整體效能，為農作物健康分析與病害預測提供更精準的決策支援。

隨著 6G 技術的發展，未來可進一步研究更高效的遠距離數據傳輸模式，例如衛星通訊與地面 6G 網路的異質整合，以擴大農業物聯網（Agricultural IoT）的覆蓋範圍，提升農業監測的連接穩定性與通訊可靠性。本文將基於這些技術，設計一套完整的智慧農業監測系統，並於實際農業場域進行系統架構設計與效能測試，以驗證其應用價值與實務可行性。

參考文獻

[1] Y. Dong, J. Wang, W. Huang, H. Ye and Y. Zhu, "Monitoring Barley Growth Condition with Multi-scale Remote Sensing Images," 2021 9th International Conference on Agro-Geoinformatics (Agro-Geoinformatics), 2021, pp. 1-4, doi: 10.1109/Agro-Geoinformatics50104.2021.9530334.
[2] J. Luo, Q. Chu, C. Sun, Y. Wang and D. Sun, "Staple Crop Mapping with Chinese Gaofen-1 and Gaofen-6 satellite images: A case Study in Yanshou County, Heilongjiang Province, China," 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, 2021, pp. 6769-6772, doi: 10.1109/IGARSS47720.2021.9553921.
[3] Kavita and P. Mathur, "Satellite-based Crop Yield Prediction using Machine Learning Algorithm," 2021 Asian Conference on Innovation in Technology (ASIANCON), 2021, pp. 1-5, doi: 10.1109/ASIANCON51346.2021.9544562.
[4] P. Juyal and S. Sharma, "Crop Growth Monitoring Using Unmanned Aerial Vehicle For Farm Field Management," 2021 6th International Conference on Communication and Electronics Systems (ICCES), 2021, pp. 880-884, doi: 10.1109/ICCES51350.2021.9489182.
[5] G. Livanos et al., "Extraction of Reflectance Maps for Smart Farming Applications Using Unmanned Aerial Vehicles," 2020 12th International Symposium on Communication Systems, Networks and Digital Signal Processing (CSNDSP), 2020, pp. 1-6, doi: 10.1109/CSNDSP49049.2020.9249628.
[6] A. K. Donka, J. A. R. Seerapu, S. Verma, A. Sao, G. Shukla and S. Tripathi, "Unmanned Aerial Vehicle for Precision Agriculture in a Modular Approach," 2020 IEEE 7th Uttar Pradesh Section International Conference on Electrical, Electronics and Computer Engineering (UPCON), 2020, pp. 1-5, doi: 10.1109/UPCON50219.2020.9376521.
[7] Yang, G.; Liu, J.; Zhao, C.; Li, Z.; Huang, Y.; Yu, H.; Xu, B.; Yang, X.; Zhu, D.; Zhang, X.; et al. Unmanned Aerial Vehicle Remote Sensing for Field-Based Crop Phenotyping: Current Status and Perspectives. Front.Plant Sci. 2017, 8, 1111. Available online: https://www.frontiersin.org/articles/10.3389/fpls.2017.01111/full(accessed on 4 February 2020).
[8] F. Shahrin, L. Zahin, R. Rahman, A. J. Hossain, A. H. Kaf and A. K. M. Abdul Malek Azad, "Agricultural Analysis and Crop Yield Prediction of Habiganj using Multispectral Bands of Satellite Imagery with Machine Learning," 2020 11th International Conference on Electrical and Computer Engineering (ICECE), 2020, pp. 21-24, doi: 10.1109/ICECE51571.2020.9393066.
[9] İ. Yılmaz, M. İmamoğlu, G. Özbulak, F. Kahraman and E. Aptoula, "Large Scale Crop Classification from Multi-temporal and Multi-spectral Satellite Images," 2020 28th Signal Processing and Communications Applications Conference (SIU), 2020, pp. 1-4, doi: 10.1109/SIU49456.2020.9302176.
[10] W. C. Hsuan, L. S. Hao and Y. C. Kuo, "Recognization of rice damage area on UAV ortho-images," 2018 IEEE International Conference on Applied System Invention (ICASI), 2018, pp. 1092-1094, doi: 10.1109/ICASI.2018.8394470.
[11] P. Chen, "Cotton Leaf Area Index Estimation Using Unmanned Aerial Vehicle Multi-Spectral Images," IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, 2019, pp. 6251-6254, doi: 10.1109/IGARSS.2019.8898946.
[12] A. Kumar et al., "UAV Based Remote Sensing for Tassel Detection and Growth Stage Estimation of Maize Crop Using Multispectral Images," IGARSS 2020 - 2020 IEEE International Geoscience and Remote Sensing Symposium, 2020, pp. 1588-1591, doi: 10.1109/IGARSS39084.2020.9323266.
[13] 陳博勳、吳建達、賴明信、陳純葳、曾增加 。2021。運用人工智慧於高光譜稻作病害之熱點預測(PI11)。2021 Conference on Biomechatronics and Agricultural Machinery Engineering。
[14] Chen, T.Q. and Guestrin, C. (2016) Xgboost: A Scalable Tree Boosting System.Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, San Francisco, 13-17 August 2016, 785-794.https://doi.org/10.1145/2939672.2939785