如何更快速、更準確地由航遙測資料中獲取地理訊息，為近年來熱門的研究議題。傳統衛照影像與航照影像受限於影像解析度，在臺灣農業土地多樣性極高的情形下，分類之精確程度可能有其限制。但近年來發展出以無人飛行載具（UAV）搭載非傳統航測專用攝影機所組成的無人飛行系統（UAS），其快速起降、低空作業、高解析度...等特性，對於農業作物不同生長時期影像紋理之辨識應有極高應用價值。本次實驗在以快速進行影像分析、盡可能減少人工判釋的前提下，分別對衛照影像、航照影像、UAS小像幅影像，引用物件導向式概念進行物件分割後對水稻進行分類，最後評估萃取坵塊精確度。實驗結果顯示衛照影像受限於地元解析度，無法於物件分割時獲得與現況較為相符的成果，進而影響分類精確度。航照影像分類精確度與UAS小像幅影像相比雖略有不足，但整體而言，應用於特定作物萃取已算是相當足夠。若將研究區鄉鎮全區以本實驗方式進行半自動化分類，與傳統外業踏勘相比，可節省不少工作人天。由實驗結果證實，UAS小像幅影像應用物件導向式分類於半自動化分類判釋農作，綜觀其作業效率與精確度，確實具有相當潛力。

How to faster and more accurate extract geospatial information from the remotely sensed data has been a popular research topic recently. Traditional satellite image and aerial image are limited to image resolution. In Taiwan, due to the agricultural land diversity, accuracies from traditional classification techniques have its limits. For the past few years, the development of Unmanned Aerial System（UAS）, which is composed of Unmanned Aerial Vehicle（UAV）and off-shelf commercial camera has attracted interests in many geo-information related fields. With capabilities of fast take-off and landing, working at much lower altitude, and much higherspatial resolution, UAS has showed high potential in image acquisition and interpretation of crops at different growth stages. On the premise of fast image analysis and reducing manual interpretation, we applied the concept of object-oriented classification to extract objects from satellite, aerial and UAS image respectively. Then, we classify rice paddies and evaluate the accuracy of the extracted paddies. The result shows that satellite image is limited by its ground sampling distance, and further affected in classification accuracy. Comparing with UAS image, the accuracy of aerial image classification is slightly lower, but still good enough for specific crop paddies extraction. Comparing with traditional field survey, the semi-automatic classification procedure proposed here can save a lot of working days and man power in the field. Experimental results confirm that by applying object-oriented technique UAS image has very high potential in semi-automatic crops paddies extraction.

1.Julius Sim、Chris C Wright (2005). The Kappa Statistic in Reliability Studies: Use, Interpretation, and Sample Size Requirements. Physical Therapy,Volume 85, Issue 3.
2.Trimble. (2012). eCognition Developer XD2.0.4 - User Guide. DefiniensDocumentation, München Germany.
3.內政部國土測繪中心(2011)。發展無人飛行載具航拍技術作業。內政部國土測繪中心。
4.王鎮耀、吳建忠(2010)。利用衛星影像自動判釋應用於國有土地勘查之研究。財政部99年度研究報告。
5.孔繁恩、詹進發、邵怡誠、李茂園、葉堃生、陳連晃(2014)。物件式分類法於高解析度航照影像萃取崩塌地之研究。航測及遙測學刊，2014年第4期。
6.勾志揚、趙紅穎、晏磊(2007)。無人機航空攝影質量評價。遙感與航空攝影期刊，2007 年第2 期。
7.官群倫(2013)。應用物件導向影像分類於主題圖繪製之探討。中國文化大學理學院地學研究所地理組碩士論文。
8.林世峻、莊智瑋、何世華、林昭遠(2008)。植生指標對影像分類準確度影響之研究。水土保持學報第40期。
9.林耿帆、邱彥瑋、張智昌、徐百輝(2011)。以物件導向結合影像與光達點雲資料之地物分類。台灣地理資訊研討會論文。
10.林福源、張素貞、馮玉瀅、陳昱為(2015)。遙測技術在農作物災害監測之研究與應用評估。104年度農業工程與自動化計畫成果研討會論文集。
11.周巧盈、巫思揚、陳琦玲、郭鴻裕、姚銘輝、蔡惠文、吳永培、廖大經、張雅玲(2018)。應用無人飛機協助農業勘災技術研發。農政與農情月刊，307。
12.高庭芳、蘇宗振(2014)。革新稻米產業發展策略。農政與農情月刊，270。
13.張國楨、陳俊愷(2016)。利用多尺度影像判釋技術萃取公共設施孔蓋。內政部國土資訊系統季刊，99。
14.楊龍士、周天穎(2000)。遙感探測理論與分析實務。逢甲大學地理資訊系統研究中心。
15.賈海峰(2006)。環境遙感原理與應用。清華大學出版社。
16.雷祖強、周天穎、鄭丁元(2006)。運用QuickBird衛星影像於水稻田坵塊萃取之研究。航測及遙測學刊，2006年第3期。
17.雷祖強、李哲源、葉惠中、萬絢(2007)。以區塊化物件分類法萃取ADS-40 影像中水稻田坵塊資訊之研究。航測及遙測學刊，2007年第2期。
18.雷祖強、萬絢、黃政翊、李哲源、歐陽志豪(2013)。建立航測影像稻作坵塊物件生成與時空變化模式之研究。航測及遙測學刊，2013年第2期。
19.鄭雅文、史天元、蕭國鑫(2008)。物件導向分類於高解析度影像自動判釋。航測及遙測學刊，2006年第3期。
20.鄧敏松(1997)。結合多時段遙測影像、耕地坵塊與領域知識之區域式影像辨識法於水稻田。國立成功大學測量工程研究所碩士論文。
21.蕭國鑫、劉治中、徐偉城(2004)。不同影像分類方法應用於水稻辨識之探討。航測及遙測學刊，2004年第1期。
22.鐘若琪、周天穎(2011)。應用無人飛行載具於崩塌地地形資訊取得之研究。逢甲大學土地管理學系碩士學位論文。
23.HEXAGON官網，2017年10月29日取自https://hexagonppm.com/。
24.國家太空中心官網，2017年10月29日取自http://www.nspo.narl.org.tw/tw2015/
25.大疆創新科技有限公司官網，2017年10月29日取自http://www.dji.com/zh-tw