農作物會說話-用衛星遙測看見田間的「求救訊號」

2026/02/24 | No.0211期 | Jean 許雅菁 X Sally 楊皓雲 X Jieyun 張桔云

挑戰與革新：精準農業的需求

傳統農業正面臨勞動力短缺、氣候變遷加劇，以及資源管理效率不足等多重挑戰。這些問題不僅直接影響農作物的產量與品質，也對農民生計與整體農業生產體系帶來長期壓力。

在此背景下，衛星遙測技術憑藉其獨特優勢，逐漸成為智慧精準農業中的關鍵工具。相較於仰賴人力的傳統田間調查，遙測技術能以大範圍、高頻率且非侵入式的方式，持續取得地表與農作環境的關鍵資訊。

透過遙測影像所記錄的光譜反射特性，農作物彷彿能「開口說話」。不同作物種類、生長階段，以及土壤含水量與養分變化，皆會呈現出各自獨特的光譜曲線。衛星感測器不僅可接收可見光波段，更能捕捉人眼無法直接感知的近紅外光資訊，使農作生長狀況得以被量化、監測與分析。

首先，讓我們看看現今開放資源衛星能做到什麼？(Sentinel衛星、Landsat衛星)

隨著國外開放資源衛星(如 Sentinel、Landsat 與MODIS)資料的釋出，以及商業衛星影像的日益普及，遙測資料的取得與應用門檻大幅降低，有效彌補了地面感測器與人工調查在空間覆蓋與時間連續性上的不足。衛星感測器除可接收可見光波段資訊外，亦能量測人類肉眼無法直接感知的多光譜與近紅外光等光譜資料，提供更全面的地表觀測能力。

▲ 圖1 衛星感測器能藉由量測光譜進而瞭解農地狀態

透過多光譜資料的組合運算與分析，不同農作物種類、生長階段與生理狀態，以及土壤含水量與養分條件的變化，皆有其獨特代表的光譜特徵曲線，亦可再衍生計算出植被健康指標、土壤濕度與地表溫度等關鍵資訊。尤其以Sentinel-2與Landsat-8系列任務為代表的開放資源衛星影像，已被證實在農業監測與管理領域展現高度應用潛力，相關指標可有效支援植被健康評估、作物生長階段判識，並進一步應用於作物產量推估與農業決策輔助。

在作物產量預測與估計方面，如Tunca等人(2023)的研究利用 Sentinel-2A、Landsat 8 OLI 及PlanetScope(商用) 衛星影像，結合NDVI、SAVI、SR等多種植被指數，已成功在播種後1-2個月預測青割玉米的產量；相關技術亦可擴展至棉花、小麥及柑橘的產量估算，於收穫前1-2個月提供可靠數據。

▲ 圖2 Tunca等人(2023)使用三種影像來源並透過三種指標進行產量預估

Faqe Ibrahim等人(2022)比較了在半乾旱地區使用Sentinel-2與Landsat-8衛星影像來預測小麥產量的效果。研究中利用多種植被指數，如EVI、NDVI、NDWI、SAVI、SR、RVI、LAI等指標(如圖3)，以及地面收集的實際產量資訊，建立回歸模型以評估衛星資料在作物產量預測上的準確性，其中因Sentinel-2具備Red Edge波段，有助於精細捕捉植被的光合作用情況，進一步提升模型準確率，且相較於Landsat-8，具有更高的空間解析度與更豐富的光譜波段，有助於更精細地捕捉作物生長資訊，進而提升預測能力。

▲ 圖3左：Landsat-8各式農業監測指標值 / 圖3右：Sentinel-2各式農業監測指標值[參考資料：Faqe Ibrahim等人(2022)]

總結來說，使用開放資源衛星足以為大範圍的植被健康評估、乾旱監測、森林擾動偵測等一系列環境應用提供強大的應用潛力。同時，也為農民和決策者提供即時、準確的資訊，有助於調整灌溉、施肥和病蟲害防治，並支持政府在農業報告和預算分配上的決策。

將難懂的光譜轉換為常用的監測指標後，就賦予了影像新的意義

當我們深入解析影像中不同波段所構成的光譜資訊，原本僅是紀錄光譜反射數值的像素，即能被轉換為具有實際意義、可被解讀的各式植生指標。這些指標不僅反應植生對光能的吸收與反射特性，更能細緻呈現作物的生長活力、健康狀態與環境壓力反應。透過持續觀察植生指標在時間與空間上的變化，我們可以快速辨識出異常或需要特別關注的區域，例如生長不良、缺水或病蟲害潛勢地點。相較於傳統人工巡查，這種以影像與指標為基礎的分析方式，能以更宏觀、系統化的視角掌握作物生長狀態的整體分佈，協助決策者在第一時間做出精準判斷，讓農業管理與資源投入更有效率，也更具前瞻性。

▲ 圖4 Landsat與Sentinel光譜波長分佈範圍廣，有助於農業指標計算(圖片來源：NASA)

Sentinel-2 MSI 與 Landsat 8 OLI 的波段比較表

👉 表格可左右滑動

波段說明	Sentinel-2A MSI			Landsat 8 OLI
波段說明	波段 Band	中心波長 (nm)	解析度 (m)	波段 Band	中心波長 (nm)	解析度 (m)
Coastal / Aerosol	Band 1	~443	60	Band 1	~443	30
Blue	Band 2	~492	10	Band 2	~482	30
Green	Band 3	~560	10	Band 3	~562	30
Red	Band 4	~665	10	Band 4	~655	30
Vegetation Red Edge	Band 5,6,7	~704 / ~740 / ~783	20	–	–	–
NIR	Band 8	~842	10	Band 5	~865	30
Narrow NIR	Band 8A	~865	20	–	–	–
Water Vapour	Band 9	~945	60	–	–	–
SWIR / Cirrus	Band 10	~1373	60	Band 9	~1375	30
SWIR 1	Band 11	~1613	20	Band 6	~1610	30
SWIR 2	Band 12	~2202	20	Band 7	~2200	30

以下為使用開放資源衛星生成常見的農業監測指標(瑞竣團隊整理)

👉 表格可左右滑動

指數	公式	特色	參考來源
歸一化差異植被指數 Normalized Difference Vegetation Index (NDVI)	$NDVI = \frac{(NIR - RED)}{(NIR + RED)}$	基本植生監測	Townshend and justice, 1986
歸一化差異水體指數 Normalized Difference Water Index (NDWI)	$NDWI = \frac{(Green - NIR)}{(Green + NIR)}$	基礎水體監測	McFeeters, 1996
增強型植被指數 Enhanced Vegetation Index (EVI)	$EVI = 2.5 \times \frac{(NIR - RED)}{(NIR + 6 \times RED - 7.5 \times BLUE + 1)}$	減少大氣與土壤影響、高密度植被分析	Liu and Huete, 1995
土壤調節植被指數 Soil Adjusted Vegetation Index(SAVI)	$SAVI = \frac{(NIR - R)}{(NIR + R + 0.5 \times (1.0 + 0.5))}$	降低裸土干擾、乾燥地區植被估測	Huete, 1988
簡易比植生指數 Simple Ratio(SR)	$SR = \frac{NIR}{Red}$	快速評估植被的健康、密度和覆蓋情況	Chen, 1996b
比值植被指數 Ratio Vegetation Index(RVI)	$RVI = \frac{RED}{NIR}$	最早植生指數、簡單反應物量	Pearson et al.,1972
綠度比值植被指數 Green Ratio Vegetation(GRVI)	$GRVI = \frac{(Green - RED)}{(Green + RED)}$	綠度變化敏感、早期植生變化偵測	Motohka et al., 2010
歸一化差異紅邊指數 Normalized Different Red Edge(NDRE)	$NDRE = \frac{(NIR - RedEdge)}{(NIR + RedEdge)}$	監測高密度作物、早期氮素與脅迫偵測	Thompson et al., 2019
種植管理因子指數 Cropping Management Factor Index(CMFI)	$CMFI = \frac{Red}{(NIR + Red)}$	農業管理或耕作狀況評估	Lin et al., 2010
葉面積指數 Leaf Area Index(LAI)	$LAI = \frac{(\frac{0.69 - SAVI}{0.59})}{(0.91)}$	反應植冠結構、生物量、產量估測	Sousa et al., 2019
核函數植被指數 Kernel NDVI (KNDVI)	$kNDVI = \frac{e^{- γ {(NIR - R)}^{2}} - e^{- γ {(NIR + R)}^{2}}}{e^{- γ {(NIR - R)}^{2}} + e^{- γ {(NIR + R)}^{2}}}$	減少 NDVI 飽和、適合高 LAI 作物、生物量監測	Camps-Valls et al., 2021
近紅外植被反射指數 Near-Infrared Reflectance of Vegetation (NIRv)	${NIR}_{v} = NIR \times NDVI$	與 GPP（光合作用）高度相關、產量估測強	Badgley et al., 2017

儘管開放資源衛星在大範圍、長期監測上具備高度價值，但受限於重訪週期、雲覆量多寡與影像可用率，在實務上仍難以即時反應作物快速變化或短期異常事件。因此，若能進一步結合具備高重訪率、彈性拍攝排程與較高空間解析度的商用衛星資料，將可在關鍵生長期或異常發生時即時補足觀測缺口，使農作物監測由「趨勢掌握」提升為「即時判釋與精準決策」。

專屬臺灣的智慧農業遙測解決方案

衛星遙測技術與臺灣精準農業的深度融合，正在重新定義農業生產模式。瑞竣科技農業智慧監測服務，提供從坵塊識別、作物生長週期監測到異常預警等的解決方案，協助農政單位與農民實現高效、永續的田間管理。

在臺灣地狹人稠、農地分布零碎的環境下，免費開放資源衛星的解析度（如Sentinel-2為10公尺解析度）往往難以完全滿足精準農業的需求。一片不到1公頃的農田，在低解析度影像上可能僅呈現為模糊的幾個像素，難以準確判別田塊邊界與田間差異。再加上梅雨季與颱風季的雲層遮蔽，使得影像供應時斷時續，容易錯失農作關鍵的生長週期。

▲ 圖5同一農田坵塊在不同空間解析度影像下的植生指標分布(左：3公尺解析度，右：10公尺解析度)

為解決此問題，我們針對臺灣小規模、分散式農田，採用3公尺中解析度之PlanetScope衛星影像，並結合每日重返的時序優勢，以達到精準監控。圖5呈現同一農田坵塊在不同空間解析度影像下的植生指標(NDVI)分布：左側3公尺解析度可辨識坵塊內的空間變異及局部生長差異特徵；右側10公尺解析度則因像元尺度較大，田間變異呈現較均質的分布。

掌握作物生長階段

以水稻為例，臺灣稻作品種多樣(如：臺稉9號、臺農71號、桃園7號等)，且一、二期稻作的生長週期各不相同。智慧監測方案透過整合多尺度遙測影像資料，有效補足不同感測器的時空限制，構建從秧苗期、分蘗期、孕穗期到成熟期的完整生長模型。我們以苗栗縣後龍鎮為示範區，專案導入高重返率之衛星影像建構亞週期(Sub-cycle)監測體系，透過一期水稻(約120天)生長週期內的PlanetScope衛星影像，以此時序資料集作為深度學習模型之訓練特徵空間，精確繪製出水稻生長指標軌跡。

▲ 圖6水稻生長模型與實際觀測曲線比對

圖6展示單一水稻坵塊之植生指標在生長期中的變化曲線，藍色實線為實際觀測平均值，藍色陰影區間代表觀測值的標準差範圍，各坵塊生長曲線會因不同坵塊間因品種、插秧時間及管理方式差異而有差異；黑色虛線則為標準水稻模型預測值，可作為判斷水稻從抽苗期至收割期完整生長階段的依據，能敏銳捕捉水稻指標變化趨勢，並推算出該坵塊之收割時間點。此亞週期級別的監測頻率特別適合臺灣農業的季節性與區域差異，提供對作物週期的精細掌握與管理。以下為幾種應用方向：

即時生長監測與早期異常偵測

藉由多時期衛星影像監測生長異常，可即時辨識偏離正常生長軌跡的坵塊，尤其在病害好發的分蘗期(插秧後30-60天)為稻熱病高風險階段，若能提早發現問題，就能及時清除感染源、調整氮肥用量等預防措施，有效控制病害擴散。

▲ 圖7多時期水稻生長指標動態監測(秧苗期至孕穗期)

圖7呈現一期水稻從秧苗期(DOY 81)到孕穗期(DOY 139)的生長指標變化(*DOY為一年中的第幾天，如DOY 95為4月5日)。透過高頻率影像監測，可觀察不同坵塊的生長差異：部分在分蘗期(DOY95、120)已呈現深綠色，生長旺盛；有些坵塊則呈淺黃色、生長較慢，反應生長遲緩或田間管理差異。透過整合衛星資料、歷史模型與氣象資訊，建構具時序性與空間敏感度的預警系統，可及早發現異常並精準鎖定高風險區域進行介入處理。

種植面積估算

利用3公尺解析度的衛星影像，我們能夠自動識別稻作坵塊的邊界，進而準確了解農作物的種植面積。在秧苗期後兩週內，即可辨識不同坵塊的生長時相差異，並結合深度學習模型來統計實際耕作面積，此方法整體識別準確率超過95% (Wei et al., 2023)。根據影像的量化推估，後龍地區2025年第一期稻作種植面積達825.38公頃。隨著時間序列特徵累積，坵塊識別效能將持續提升，如此可長期協助農政單位掌握作物種植分布與面積變化，支援農業管理與決策。

▲ 圖8 2025後龍區域一期稻作面積約825.38公頃

挑戰極限：超高解析度的「智慧農業偵探」

▲ 圖9 Vantor 15公分HD超高解析度衛星影像(影像來源：WV03 2025/11/21)

在精準農業中，影像解析度直接決定了管理的精細程度。美國Vantor公司的WorldView / Legion系列光學衛星，是市面上最高解析度的衛星群，可提供15公分HD超高解析度、8波段的衛星影像。此超高解析度影像特別適用於芒果、荔枝、釋迦等高經濟作物，能清晰呈現每株果樹的樹冠大小與行距疏密。藉由每月 1-2 次的週期性監測，農友能在問題擴大前鎖定特定區域進行施肥或病蟲害防治，將資源精準投入關鍵時期，在節省巡視成本的同時有效避免產量損失。

▲ 圖10 屏東內獅鄉芒果果園智慧監測—果樹自動辨識(影像來源：WV02 2023/03/01)

瑞竣科技將智慧監測服務應用於屏東獅子鄉芒果果園，透過物件偵測模型(Object Detection)將影像轉化為量化資訊，自動識別出11,897株果樹，並精確標定每株果樹的中心點坐標(圖10右)，藉此分析果園的空間結構與植株疏密程度。

▲ 圖11 屏東內獅鄉芒果果園智慧監測—花期物候分析(影像來源：左.WV02 2023/03/01；右. google街景)

針對3月關鍵芒果花期，系統結合光譜分析技術，能有效區分開花果樹的空間分布，找出開花不良區域。如圖11(左)局部放大影像所示，綠色十字標記為盛開的芒果花序，而紅色十字標記為未開花的果樹。這些資訊能再進一步整合田間物聯網(IoT)的溫濕度與土壤參數，進而強化氣象災害預警能力，更能協助農友精確安排修枝、灌溉或設置防風網等農事作業。此一整合性架構提升了產量推估的信度，也為精準農業的自動化發展提供關鍵的技術。

攜手迎向永續未來

透過結合不同衛星，如Vantor公司旗下之超高解析度衛星群、高頻率的PlanetScope衛星、開源衛星資源等的互補優勢，遙測技術與臺灣精準農業的深度融合，正在重新定義您的生產模式。影像AI智慧分析成果搭配直覺式網頁平台，讓農地監測不受時間與地點限制，隨時隨地皆可輕鬆掌握關鍵數據！

▲ 圖12 衛星影像+AI運算+平台展示=農業分析新利器

從現在開始，讓我們一起將監測結果轉化為實用的農業管理工具，您的農作物將不再沉默，在氣候越來越不穩定的現在，每一季的收成都更顯得珍貴。我們能協助您：更早看見作物的生長壓力與病蟲害風險、更精準安排灌溉、施肥與防治作業，有效支援農業田間精準管理與收穫產量決策！

歡迎聯繫瑞竣科技，和我們聊聊您的農地與想法，我們可以為您規劃一套最適合的導入路徑。了解更多請洽瑞竣團隊(02)8228-0790分機111，一同實現更高效、更永續的農業未來。

參考資料：

Badgley, G., Field, C. B., & Berry, J. A. (2017). Canopy near-infrared reflectance and terrestrial photosynthesis. Science advances, 3(3), e1602244.
Camps-Valls, G., Campos-Taberner, M., Moreno-Martínez, Á., Walther, S., Duveiller, G., Cescatti, A., … & Running, S. W. (2021). A unified vegetation index for quantifying the terrestrial biosphere. Science Advances, 7(9), eabc7447.
Chen, J. (1996b). Evaluation of Vegetation Indices and a Modified Simple Ratio for Boreal Applications. https://doi.org/10.1080/07038992.1996.10855178
Faqe Ibrahim, G. R., Rasul, A., & Abdullah, H. (2022). Sentinel‐2 accurately estimated wheat yield in a semi-arid region compared with Landsat 8. International Journal of Remote Sensing, 44(13), 4115-4136.
Huete, A. (1988). Huete, A. R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment. Remote Sensing of Environment, 25, 295–309. https://doi.org/10.1016/0034-4257(88)90106-X
Lin, C.-Y., Chuang, C.-W., Lin, W.-T., & Chou, W.-C. (2010). Vegetation recovery and landscape change assessment at Chiufenershan landslide area caused by Chichi earthquake in central Taiwan. Natural Hazards, 53(1), 175–194. https://doi.org/10.1007/s11069-009-9421-0
Liu, H. Q., & Huete, A. (1995). A feedback based modification of the NDVI to minimize canopy background and atmospheric noise. IEEE Transactions on Geoscience and Remote Sensing, 33(2), 457–465. https://doi.org/10.1109/TGRS.1995.8746027
McFEETERS, S. K. (1996). The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features. International Journal of Remote Sensing, 17(7), 1425–1432. https://doi.org/10.1080/01431169608948714
Motohka, T., Nasahara, K. N., Oguma, H., & Tsuchida, S. (2010). Applicability of Green-Red Vegetation Index for Remote Sensing of Vegetation Phenology. Remote Sensing, 2(10), 2369–2387. https://doi.org/10.3390/rs2102369
Pearson, R. L., Miller, L. D., U.S. International Biological Program, & International Symposium on Remote Sensing of Environment. (1972). Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie, Pawnee National Grasslands, Colorado. Dept. of Watershed Sciences, College of Forestry and Natural Resources, Colorado State University.
Sousa, V., Salami, G., Silva, M., Silva, E., Júnior, J., & Alba, E. (2019). Methodological evaluation of vegetation indexes in land use and land cover (LULC) classification Methodological evaluation of vegetation indexes in land use and land cover (LULC) classification. Geology, Ecology, and Landscapes, 4. https://doi.org/10.1080/24749508.2019.1608409
Thompson, C. N., Guo, W., Sharma, B., & Ritchie, G. L. (2019). Using Normalized Difference Red Edge Index to Assess Maturity in Cotton. Crop Science, 59(5), 2167–2177. https://doi.org/10.2135/cropsci2019.04.0227
TOWNSHEND, J. R. G., & JUSTICE, C. O. (1986). Analysis of the dynamics of African vegetation using the normalized difference vegetation index. International Journal of Remote Sensing, 7(11), 1435–1445.https://doi.org/10.1080/01431168608948946
Tunca, E., Köksal, E. S., & Taner, S. Ç. (2023). Silage maize yield estimation by using planetscope, sentinel-2A and landsat 8 OLI satellite images. Smart Agricultural Technology, 4, 100165.
Sofia Cerasoli, Manuel Campagnolo, Joana Faria, Carla Nogueira, and Maria da Conceição Caldeira (2018). On estimating the gross primary productivity of Mediterranean grasslands under different fertilization regimes using vegetation indices and hyperspectral reflectance