內陸水體汙染已成為人類公共健康與環境永續的全球關注議題，為了幫助水源管理者大範圍且完整監測內陸水體水質的穩定度，國立成功大學研究團隊開發了自動水質監測系統WaterNet。WaterNet結合了地球資源衛星及類神經網路技術，以遙感探測方式使用光學衛星影像評估水體表面水質。WaterNet推估的水質參數為葉綠素a濃度，葉綠素a濃度是判斷水質優養化的重要生物參數。研究團隊與菲律賓大學合作，在菲律賓拉古納湖中收集了257個水質樣本，使用這些樣本與Sentinel-3衛星影像訓練出一個類神經網路為基礎的水質模型，相較於現有模型，此模型具有較高的學習容量、以及較好的水質推估正確度。這項研究在技術上的突破點為在有限的水質資料樣本下獲得良好的類神經網路推估模型，此模型不僅可使用於單一水體，更可有效率的透過光學衛星，大範圍且有效率的監控國家區域內的水體水質。

　　城市化伴隨農業與工業的快速發展，農業與工業的排放、都市下水道污水的排放等人類活動產生的污染，增加了湖泊、水庫與河流中的優養化，優養化肇因於植物營養素的過量供給，導致植物及藻類急遽大量成長，這些有機體死亡後大量消耗水體中的溶氧，形成大量缺氧的狀態，導致水質惡化。目前水質監測方法為現地水體樣本採集與分析以直接獲取水質資訊，這方法可獲得精確的水質資訊，但費時耗力、成本高，而且水質資訊僅局限於採樣點，無法獲取整體且大範圍水體水質資訊。隨著衛星科技與機器學習技術的發展，研究團隊以衛星遙感探測技術輔以類神經網路技術建立了WaterNet內陸表面水體水質監測系統，此系統使用光學衛星影像估算水體內葉綠素a濃度。國立成功大學空間資訊人工智慧研究團隊與菲律賓大學遙感探測研究團隊合作，2018年至2020年間在菲律賓拉古納湖進行了多次實地水質收集與量測，目前共收集了257有效水質樣本。

圖1：國立成功大學與菲律賓大學團隊進行拉古納湖水體樣本採集，採集時間需與Sentinel-3衛星通過時段一致。

圖2：拉古納湖Sentinel-3衛星影像。拉古納湖位於馬尼拉東方，是菲律賓最大的湖泊。衛星影像拍攝於2019年與2020年，部分水域被雲層覆蓋。

　　為了完整獲得拉古納湖葉綠素a濃度的空間分佈，研究團隊使用300公尺空間解析度的Sentinel-3光學衛星影像，以遙感探測技術從影像獲取水體葉綠素a濃度，衛星影像先經大氣輻射校正處理，接著將衛星影像所推演的地表輻射反射率輸入WaterNet，系統輸出的資料為類神經網路模型所推估的葉綠素a濃度。類神經網路模型包含了多個卷積網路層和全連接網路層，輸入資料為7(長)x7(寬)x16(頻譜波段)的影像區塊，因此，水體影像的頻譜波段與局部空間資訊都會用來評估葉綠素a濃度。

圖3：推估葉綠素a濃度的類神經網路結構。類神經網路由三部分組成: 頻譜波段延展、頻譜與空間特徵擷取、葉綠素a濃度推估。

　　許多東南亞國家因為內陸水質優養化造成數百萬美元經濟損失，長期的水質監測除了可保護水資源與生態環境，也可減少經濟損失。WaterNet已經在菲律賓拉古納湖證明其大範圍水體監測的實用性，依循國家新南向政策，未來還會與越南研究院、越南科技部與印尼空間資訊政府部門合作，將WaterNet應用於越南及印尼內陸水體監測。

圖4：菲律賓拉古納湖葉綠素-a的時空間濃度（由於雲層覆蓋，白色區域代表衛星影像上沒有資訊）。