水利署(以下簡稱本署)電子報632期曾刊登「無人機測繪水深：以CNN模型探討水深辨識技術」(註1)，文內分享Qianyao Shen於2022年發表《Estimation of Water Depth from Multispectral Drone Imagery》的閱讀心得。然而，當面對混濁河水時，此技術應用存在顯著挑戰——混濁水體嚴重限制光線穿透深度，使多光譜影像可能僅能提供極淺層資訊。雖然卷積神經網路（Convolutional Neural Network, CNN）理論上能處理複雜光學效應，但仍受限於基本物理限制，故續作本篇進行探討更多的可行作為。

問題與挑戰

想像一條混濁的河流，水下地形對防洪規劃和生態評估至關重要，但我們卻「看不見」水底。此外，UAV(Unmanned Aerial Vehicle，無人航空載具)成果的正射影像(ortho-photo)中，流動河水產生的水躍區域將於正射影像中生成白色斑點，此將干擾以影像技術演算水底地形。幸運的是，UAV的正射影像擁有高精度的乾河床數據，輔以少量以人工於淺水區測量的座標值，這些都是解決問題的關鍵資源。

正射影像每個像素均由RGB(Red紅, Green綠, Blue藍)三個顏色組成，可以用數字表示，而人工於風險可控的淺水區所測得的NEZ(North北向、East東向和Zenith高程)座標點亦是數字，兩者做為已知條件，結合機器學習及河川特性，我們可望推算出水底DEM(Digital Elevation Model，數值高程模型)數值。

Soft Systems Methodology 分析法使用原則

Soft Systems Methodology (SSM，軟系統方法論，註2) 主要由 Peter Checkland 通過與他的同事（如 Brian Wilson）一起進行 10 年的研究而開發，特別適合處理結構不明確、涉及多方利益的複雜問題。其使用原則包括：

整體性思考：不將問題簡化為單一技術挑戰，而是考慮整個系統
利益相關者視角：從不同角度（工程師、生態學家、管理者）理解問題
概念模型建構：建立理想系統的概念模型，作為對比和改進的基礎
可行性與理想性平衡：尋求既理想又可行的改變
學習過程：將問題解決視為一個學習循環，而非線性過程
豐富圖景構建：使用「豐富圖景」捕捉問題的所有維度
比較與調整：持續比較概念模型與現實情況，進行調整

應用SSM時，我們依序經歷問題探索、結構化描述、根定義、概念模型建立、比較、變革識別和行動計劃七個步驟，全面系統地解決複雜問題。

混合地貌分析法

經過SSM的全面分析後，本文提出混合地貌分析法，此法結合了河床地貌學原理、空間統計學和機器學習技術，包含以下關鍵步驟：

河道特徵分析與地貌規律識別
首先，分析河道特徵，識別主流向、可能的深潭和淺灘位置。這些特徵往往遵循可預測的規律：彎道外側深、內側淺，窄處沖刷、寬處堆積。通過分析DEM和水文數據，可以建立河道地貌的基礎模型。
河床連續性假設與數學模型
建立河床連續性假設。河床不會無故斷裂或突變，水底等高線應與乾河床平滑連接，符合自然地貌特徵。這可透過數學上的連續函數和邊界條件來表達，為後續分析奠定理論基礎。
參考點插值與空間統計分析
利用有限的參考點進行初步插值，可採用克里金法等地統計學方法。這些方法擅長處理稀疏數據，生成連續表面。在此階段，人工測得的NEZ座標點起到關鍵作用，為模型提供真實參考值。
水動力學約束與物理模型整合
應用水動力學約束修正初步結果。水流在河床上形成特定模式，這些物理規律可幫助我們校正異常區域。結合流體動力學模型，可以進一步優化河床預測。
機器學習應用與RGB關聯分析
正射影像中的RGB頻道數據與水深存在複雜關聯。通過機器學習算法，可以建立RGB值與已知水深點之間的模型。這一步驟將光學特性與地貌特徵結合，提高預測準確性。
多源數據融合與模型反饋機制
整合UAV影像、地貌分析結果和機器學習模型輸出，建立反饋機制。當出現明顯異常時，模型可自動調整參數或提示需要額外測量點。
精度驗證與模型優化
最後，進行精度驗證，透過交叉驗證法評估預測可靠性，調整模型參數。建立精度評估指標，明確量化預測結果的可信度，為工程應用提供參考。