文/圖 農業委員會水產試驗所 林志遠研究員、工業技術研究院微系統科技中心
莊俊德、吳適達、廖育成

FAO於2016年發行之「世界漁業及水產養殖狀況」年報資料顯示，1990年以來，天然漁撈量幾乎停滯在9,000萬公噸左右， 人工養殖在2015年後成為水產蛋白質的主要來源，預計至2025年全球漁產供應量近二分之一將會源自水產養殖。 水產養殖產業在台灣發展已超過300年，由於其對自然環境的高依存度，自然環境的變動將直接影響漁塭環境參數及魚體存活率， 因此台灣逐漸運用資通訊技術，積極發展科學化、快速化、大範圍的養殖災損勘查工具，以提供漁民災前預警及災後快速勘查。

有鑑於此，本研究提出了運用空載微型多頻影像於養殖災損勘查之應用，主要利用陸地與水體對紅外光反應的不同， 配合地籍圖比對，辨識可能的淹水區域，以及根據個別養殖池的歷史水色範圍、各類災損圖片，透過深度學習訓練出魚貝漂浮區域的辨識模型， 再套疊到地籍資訊以換算魚貝漂浮覆蓋率，解決台灣目前仍屬於人工勘查的爭議與即時性。

首先藉由無人機載多頻譜相機提供大範圍移動取像後，將影像拼貼正射投影重建後匯入地理資訊套疊，再利用此多頻影像資訊及AI辨識技術偵測受損漁塭區域， 經比對地籍圖尺度即可計算實際受損面積，達到量化養殖池受損情形，應用情境如圖1所示。

系統架構包含機載多頻影像系統以及雲端伺服系統，其中機載多頻影像系統負責回傳GPS資訊及多光譜影像；雲端伺服系統包含資料庫、人工智慧運算單元及網路服務平台，除了收集微氣象站與機載多頻影像系統回傳資訊外，還可連接中央氣象資料比對，提供養殖漁塭區域的氣候驟變記錄。此外， 還可結合漁塭地籍圖提供個別漁塭的多頻影像歷史資訊，用以輔助辨識漁塭受損區域，及計算受損面積，系統架構及訊息串流如圖2所示。

養殖災損的定義為淹水範圍及魚貝漂浮覆蓋率，然因每個養殖池的底質、水深、養殖物種及藻類不同，水面呈色本就有差異，又因池塘形狀不盡相同，較難以傳統的影像處理方法進行辨識。本研究首先利用水體反射光譜有別於地表土壤和植物之特性， 以多層類神經網路方法(Multi-Layer Neural Network)訓練水體與陸地分辨模型(圖3)，進一步搭配魚塭地籍圖界定魚塭範圍，即可辨識出淹水的區域。

而為了改善因漁塭水面呈色差異造成辨識率受影響的問題，本研究亦結合地籍系統與空拍多頻影像，建立各漁塭的水面呈色變化範圍，將歷史水色影像的時變訊息成為模型訓練的一部分，以修正個別漁塭的初始呈色差異，同時亦匯入大量死亡魚貝漂浮水面的災損影像、水色異常影像、或藻華影像進行模型訓練，以提高辨識度，如圖4所示。 最後，再藉由正射影像辨識出的災損區域，搭配地理資訊的尺標，換算影像每像素代表之單位，計算出災損的面積與魚貝漂浮覆蓋率(圖5)。

依現行漁業災害勘查流程，於災情發生後至現場勘查平均需耗時5天以上，漂浮死亡魚體可能已腐敗而進一步嚴重影響水質，若有較大範圍災情或淹水發生時，則更缺乏時效性，勘查結果也多有爭議。本研究藉由漁塭圖資、水陸吸收光譜特性、人工智慧發展等現況，提出應用於養殖災損之微型多頻影像人工智慧輔助勘查方法，期望能運用機器解決現行勘災制度的諸多缺點。透過本研究建構之系統架構，未來也可延伸開發一套環境管理工具，利用個別漁塭的多頻影像記錄變化， 搭配IoT微氣候與水質感測資訊，提供水體異常預警功能，做為精準養殖環境監測的評估工具，以減少泛池的機率，降低漁民損失。