Page 57 - 國家海洋研究院111年年終成果手冊-科研巡航．鏈結世界KeeP Going
P. 57
提升海洋科研資訊
衛星影像超解析度 AI 技術開發與動態監控
合作研究單位 : 海洋科學及資訊研究中心 李孟學 副研究員
國立成功大學
雲嘉海岸受自然環境條件以及人為設施等交錯複雜因素影響，造成沙源短缺及輸沙型態改變，致使雲嘉海
岸沙洲產生嚴重侵退現象，經評估認定有必要進行高時間頻率的監測，以穩定且長期監控外傘頂洲之海岸線動
態變化。
Sentinel-1 雷達衛星可每 2 到 4 天的週期拍攝臺灣地區之影像，具有全天候日夜取像和穿透雲層的優勢，
是長期監控海岸線動態變化之理想資料。惟其 10 公尺之空間解析度，就掌握海岸線動態變化之需求而言，仍
嫌不足。本計畫透過兩種不同空間解析度的衛星影像：低解析度 (Low resolution, LR) 衛星影像 (10 公尺解析
度：Sentinel-1)；高解析度 (High resolution, HR) 衛星影像 (1.5 公尺解析度：SPOT-6/7)，並考量潮位資訊以
建立海岸線判釋圖層，建立多解析度影像集，共計 1,298 幅。經過機器學習 (Machine Learning) 的深度學習方
圖 2、Sentinel-1 進行超解析度運算前 (a) 後 (b) 比較
法 (deep learning)，應用 AI 技術提升 Sentinel-1 衛星偵測水線之空間解析度，產製超解析度之海岸線圖層。
並參考潮位資訊建立不同潮位對應之海岸線，提供海岸線動態變化與環境分析所需，以達成穩定且長期監控外
傘頂洲之海岸線動態變化之目標。
經過開發與測試了三種超解析度成像模式，並且找出較最適用於 Sentinel-1 影像的方法：Meta-RCAN。
接著，開發水陸邊界判釋 AI 模組，使用已提升解析度之 Sentinel-1 影像來直接產製接近 SPOT 解析度等級之
水陸邊界，其平均準確度可達 90% 以上。
圖 3、「多解析度影像集」Sentinel-1( 上 ) & SPOT 水陸邊界 ( 下 ) 訓練資料配對範例
圖 4、Sentinel-1 應 用 Meta-
RCAN 模式判釋水線成果
(a) Sentinel-1 超解析度影像
(b) 水線判釋結果，其中白色
圖 1、Meta-RCAN 模型架構圖
為沙洲或錄地區域、黑色為水
體範圍
56 57
