第二章 相關理論介紹

2.1
2.1 GPR簡介
GPR簡介

透地雷達（Ground Penetrating Radar，簡稱 GPR），探測方法

原理與反射震測（Reflection seismicmethod)原理頗為相似，在反

射震測的施測中，會在地表面製造一人工震源，產生震波向地下傳

撥，當震波經過聲波阻抗的不連續面(通常是岩性的不同，或可能是

岩層的分界面)，震波的能量會有部分反射回來，再由地面的震波接

受器(Geophone)接收其訊號，透地雷達的施測原理與震測相類似，在

震測所用的人工震源，透地雷達則是用電壓為幾百伏特的發射線，發

射高頻(通常為10 -1000MHz)電磁波代替，所產生的的脈波（歷時為

幾十億分之一秒(ns)的高頻脈衝電磁波，或稱為雷達波）射入地下或

建築結構體內，當電磁波遇有介電常數的變化時(通常是不連續介

面，或者是地下掩埋物)部份電磁波能量反射。反射的電磁波能量，

由接收天線接收，將所的之信號分析處理後可推測目標物之形貌。

簡單來說震測是利用物質的彈性模（elastic modulus）差異所

造成的反射現象為探勘基礎，透地雷達則利用物質的介電常數差異得

到的反射能量。經由透地雷達的反射波形記錄（圖2-1），可以用來

推測地下地層的起伏、描繪地下的形貌及檢測地下人為的構造體。

5
 ㄧ般透地雷達，天線分為發射及接收天線固定距離（monostatic）

的等支距，及發射天線與接收天線分離(bistatic)，以相同中點

（common middle point）不同支距進行測勘。前者在測勘施測上較

為快速，而後者則有可利用信號疊加的方式，提高信號雜訊比。(圖

2-1)

圖 2-1. （A）為支距固定，在施測上較為快速 （B）為同中點，有可

利用信號疊加的方式，提高信號雜訊比的優點。

透地雷達在施測時，具有非破壞性的優點，雷達的天線不需插入

地下，儀器本身輕巧易攜帶，於野外施測線時也易於展開，故較於其

他地球物理探勘法迅速，而透地雷達的相關應用上極為廣泛，大致上

可分為：

6
 （1） 土木工程：地下管線和孔洞調查、樓板鋼筋探測、橋面及

混凝土及道路鋪面品質調查、水壩及隧道裂隙檢查等。

（2） 環境工程：化學沉積物調查、地下掩埋場探測、及地下儲

存槽滲漏檢測等。

（3） 地質環境：地下水位面、地層結構調查等。

（4） 軍事用途：地雷偵搜等。

（5）考古調查：地下陵墓、遺蹟、古建築及古文物等探勘

（唐周宜，2005）

2.2
2.2 電磁理論

2.2.1電
2.2.1電磁波原理

電磁波是電磁振盪(electrical Oscillation)時，部分能量以輻

射的方式傳播於空間所形成的電波與磁波的反應。雷達波與光波同屬

電磁波，只是頻域不同，其反射、折射的現象皆可用光學理論計算、

解釋。

7
 表 2-1. Maxwell 方程式

在時變電磁場中克斯威爾四個方程式

微分式 積分式 說明

v v v Q
∇⋅D = ρf ∫ ⋅ dS =
E
s ε
高斯定律
v
v v ∂D v v v v d v v
∇× H = Jf +
∂t ∫
C
H ⋅ dl = ∫ J ⋅ dS + ∫ D ⋅ dS
s dt s
安培定律
v
v ∂B v v d v v
∇× E = −
∂t ∫
C
E ⋅ dl = − ∫ B ⋅ dS
dt s
法拉第定律

v v v
∇⋅B = 0 ∫ ⋅ dS = 0
C
B 磁單極不存在

H：磁場強度（magnetic field intensiity，A/m）

E：電場強度（electric field intensiity，V/m）

D：電位移（electric displacement，C/m2）

J：位移電流密度及傳導電流密度（current density，A/m2）

B：磁通密度（magnetic flux density，T）

ρ：自由電荷體密度（charge volume density，C/m3）

8
 電磁波在地層中傳播可將之簡化為平面波（phase waves）在均

質、均向的介電質中傳播，其Maxwell 方程式如下：

∂D
∇× H = σΕ + （2.1）
∂t
∂H
∇× E = − µ （2.2）
∂t
∇⋅E =0 （2.3）

∇⋅H =0 （2.4）

對上（2.2）式兩邊求旋度，並將（2.1）式代入，得

∂ ∂D 
∇ × ∇ × E = −µ  σE +  （2.5）
∂t  ∂t 

利用向量恆等式：∇ × ∇ × Ε = ∇(∇ ⋅ Ε ) − ∇ 2 Ε ，因 ∇ ⋅ E = 0 ，故其可改

寫為： ∇ × ∇ × Ε = −∇ 2 Ε ，可得電磁波波動方程式如下：

∂E ∂2E ∂E ∂2E
∇ Ε = µσ
2
+ µε 2 ≅ µ 0σ + µ 0ε 2 （2.6）
∂t ∂t ∂t ∂t

同理可得：

∂H ∂2H ∂H ∂2H
∇ 2 H = µσ + µε 2 ≅ µ 0σ + µ 0ε 2 （2.7）
∂t ∂t ∂t ∂t

9
 （2.6）、（2.7）式為電、磁場傳導方程式。其中之磁導率對一

般材料而言皆極接近真空的磁導率 µ 0 = 4π × 10 −7 H ( m)，故μ可以 µ 0

取代而視為常數，可簡化計算。

2.2.2 導電率
導電率（electrical conductivity
conductivity）
uctivity）

導電率為介質傳導電流之能力，與電阻率成倒數關係；地層中導

電率主要受含水量及礦化作用影響。導電率的公式為：

1
σ = （2.8）
ρ

ρ：電阻（Resistivity；歐姆-公尺；Ω-m）

σ：導電度（S/m）

由介質衰減常數之式子當中，可得知導電度與衰減常數成正比。

若天線之頻率為固定時，則所探測之介質導電度愈高，則電磁波衰減

愈快，將不利於施測。而導電性與介質中黏土含量、含水量有成正比

的趨勢，一般透地雷達施測環境，可依導電率分為三類:

（1）高導電度（ σ ≥ 10 −2 S / m ）：為較差之探測條件，會使激發

出來的雷達波，一下就發散，使接收端接收之訊號非常不清楚，

因此在潮濕的環境下不宜施作。(如濕黏土、濕頁岩、海水)。

10
 （2）中導電度（ 10 −7 ≤ σ ≤ 10 −2 S / m ）：透地雷達之一般施測介

質。（純水、乾黏土、砂）

（3）低導電度（ σ ≤ 10 −7 S / m ）：透地雷達之較佳施測介質，因

為電磁波較不易發散掉，使得接收波型清晰。(如空氣、花崗岩、

瀝青。)

2.2.3 相對介電常數（
相對介電常數（relative dielectric constant）
constant）

相對介電常數之定義為材料電容率與真空中電容率之比值，其關

係式如下：

ε
εr = （2.9）
ε0

式中

εr：相對介電常數

ε：材料之電容率

ε0：真空中之電容率

11
 若電磁波頻率一定時，εr愈大則位移電流越強，電磁波天線的

輻射波束（antenna radiation patterns）主波束愈窄，電磁波之能

量較能往地下集中而將更易於施測（Annan et al.，1975；Smith，

1984）。影響地層相對介電常數的因素包括：土壤或岩石種類、土壤

含水量及孔隙率，一般常見介質之電性；如表2-2 所示。

12
介質名稱 電阻率ρ (Ohm-m) 介電常數 K 速度 (m/ns)
3 7
乾沙 10 ~10 3 - 6 0.1 ~ 0.122
2 4
飽合含水沙 10 ~10 20 - 30 0.067 ~ 0.055
粉砂 102~103 5 - 30 0.134 ~ 0.055
3
頁岩 10~10 5 - 15 0.134 ~ 0.077
飽合含水黏土 1 ~ 10 5 - 40 0.134 ~ 0.047
溼土 50 ~ 100 30 0.055
墾殖土 200 15 0.077
岩質土 1000 7 0.113
乾砂質土 7100 3 0.173
濕砂質土 150 25 0.06
乾壤質土 9100 3 0.173
濕壤質土 500 19 0.069
乾黏土質土 3700 2 0.021
濕黏土質土 20 15 0.077
溼砂岩 25 6 0.122
乾石灰岩 109 7 0.113
濕石灰岩 40 4 - 8 0.15 ~ 0.106
濕玄武岩 100 8 0.106
花崗岩 103~105 4 - 6 0.15 ~ 0.122
淡水 30~104 81 0.033
冰凍層 102~105 4 - 8 0.15 ~ 0.106
乾雪 105~106 1 0.3
冰 103~105 3 - 4 0.173 ~ 0.15
瀝青 0.1 ~ 1 4 - 7 0.11 ~ 0.148
水泥混凝土 0.1 ~ 1 6 - 11 0.09 ~ 0.12
空氣 無限大 1 0.3

表 2-2. 在頻率 1 至 100 MHz 範圍內，地體物質之孔隙水為淡水時，

其典型的電阻率及相對介電常數。（改自 Epp et al.，1988；Davis
and Annan，1989；Ulriksen，1982）

13
2.2.4 反射係數

當透地雷達入射電磁波遇介質A 與介質B 介面時，其反射係數 R

（Reflection Coefficient），定義為：

ε r1 − ε r 2
R= （2.10）
ε r1 + ε r 2

式中，ε1：上地層的相對介電常數

ε2：下地層的相對介電常數

由此可知電磁波經過不同介質時，會將能量反射，反射能量之大

小受上下地層之介電常數之差異影響。

ε1

ε2

圖 2-2. 反射係數示意圖

14
2.2.5 衰減常數（
衰減常數（attenuation）
attenuation）

衰減度為電磁波於介質中的衰減程度，與介質之介電常數、導電

率有關。其公式為：

1635σ
A= （2.10）
εr

公式中，A=衰減常數（db/m），與導電度成正比

電磁波衰減耗損的原因大致包括下列三項（Beres and Haeni，1991）：

（1） 電磁波能量穿越導電介質時部分轉換為熱能。

（2） 水中的介電衰減。

（3） 黏土礦物化學離子擴散。

2.2.6 電磁波之解析能力與穿透深度

透地雷達的解析能力與發射天線之頻率有很大的關係，其頻率越

高，相對的波長愈短，故其解析能力就愈高，但探測深度減少；相對

的使用低頻率天線探測，相對波長較長，解析能力降低，但探測深度

增加。

15
2.3 小波簡介

2.3.1 傅利葉轉換

說明小波轉換 (wavelet transform) 之前，先來看看眾所皆知

的傅利葉轉換 (Fourier transform)。在時間序列的分析方法中，廣

泛使用的方法係利用傅利葉分析，傅利葉分析主要是從時間域轉換成

頻率域，

圖 2-3.傅利葉轉換示意圖(WaveletToolbox User’s Guide，The

MathWorks, Inc.，2000)

傅利葉轉換數學表示式:

∞
fˆ (ω ) = ∫ f (t ) ⋅ e iωt dt = lim∑ f (t i ) ⋅ [cos(ωt i ) − i sin (ωt i )] ⋅ ∆t
−∞
∆t →0 ti

= f (t ), e iwt

16
 以上為其時序資料 f ( t ) 的傅利葉轉換數學表示式，其中
∧

f (ω ) 為 f ( t )的傅利葉轉換， f ( t ) 為連續且可積分函數，

ω為頻率，t 為實數變數， , 表示為內積。

但是在轉換成頻率域後會失去時間域的資訊，而且傅利葉分析有

條件限制，所以我們手邊若只有經過轉換的頻率域圖形，那麼將完全

無法得知在時間域中，哪一個時刻發生了什麼事件，也就是說傅立葉

轉換只是一種純時間-頻率域轉換的分析方法，而且若它在頻率域裡

的定位完全準確，則在時間域裡無辨識能力，再者，在解析的基礎理

論設定上，傅氏分析使用振幅不隨時間變化的弦波函數，因此分析的

資料必須為振幅不會隨時間而變化的”不變信號” (stationary

signal)，如此傅利葉轉換的缺失所造成的時間缺失，就不會造成什

麼影響，否則解析出來之成分波，僅具數學之意義，未必有真實的物

理意義。

而在實際的自然界狀況下，大多數的信號都含有大量的非穩定成

份 (例如信號的偏移、趨勢 (trend)、驟變(abrupt changes)、以

及起始與結束時所發生的特別事件)，而這些情況通常是相當重要

的，反應了信號的重要特徵，而這些信號的頻率域特性都會隨著時間

17
變化，對這些時變的信號分析，通常需要提取某一段的時間或瞬間的

頻率域訊息，或某一段頻率段所對應的時間訊息，因此處理可變信號

(non-stationary signal)，成為了一個重要的課題。

2.3.2 小波轉換（
小波轉換（wavelet transform）
transform）

小波轉換(wavelet transform)是來自於小波分析(wavelet

analysis)的結果，小波分析的方法可以追朔到 Haar(1910)提出的小

波規範正交基，之後法國地球物理學家Morlet et al.（1982），在

分析地震波的局部特性時，發現傳統的傅利葉轉換，不能達到他的要

求，而首先提出小波之論點，可用來分析不規則波。之後Grossmann

and Morlet（1984）發表小波轉換之理論， Mallat（1987）將多解

析度分析(multiresolution analysis)引入小波分析中，建構了小波

函數的構造及轉換方法，把信號家以分解與重構，Daubechies（1988）

等人亦相繼對小波理論的研究提出貢獻，使小波理論更加完整。

而小波轉換的長處正好克服了短時間傅利葉轉換的缺點，小波轉

換不但繼承了短時間傅利葉轉換的局部化想法，而且克服了視窗大小

不隨頻率變化的缺點。

18
圖2-4.傅立葉轉換與小波轉換之比較（WaveletToolbox User’s
Guide，The MathWorks, Inc.，2000）

小波(wavelet)，是一種特殊的長度有限，平均值為零的波形，

它 有 兩 個 特 點 ， 一 個 是 小 ， 即 在 時 域 都 具 有 緊 支 集 (compactly

supported)或近似緊支集； 二是正負交替的 ”波動性”，也就是直

流 分 量 為 零 。 (WaveletToolbox User’s Guide ， The MathWorks,

Inc.，2000)

19
 小波轉換的定義是把某一個稱為基本小波（或稱母小波 mother

wavelet）的函數 Ψ（t），做位移τ後，在不同的尺度 a 下，與帶

分析的信號做內積，而基本小波的函數 Ψ（t）須符合下列 2 項特性:

(1)母波函數之無限域積分值為 0，就是 Ψ（t）對時間軸的平均值為

零，且具有正負交替的波動性。

∞
∫ ψ (t )dt = 0
−∞

(2）母波函數之絕對值平方積分為為有限能量，Ψ（t）在時域具有

緊支集或近似緊支集，即|Ψ（t）|所佔面積不大且衰減迅速。

∞
∫
−∞
ψ (t )2 dx = 1

性質（1）代表此函數為具振盪性猶如上下起伏之波浪形狀；性

質（2）代表此函數是被限制在有限區域內，「小波」名稱就由此而

來。

20
時序函數 f( t ) 的小波轉換數學表示式:

1 t −b ∞
CWT f (a, b) = ∫ ⋅ f (t ) ⋅ψ ∗ ( )dt = ∫ f (t ) ⋅ψ a∗,b (t )dt
a a −∞

= f (t ),ψ a ,b (t )

上式中， a ,b ∈ R , a ≠ 0

1 t −b
ψ a ,b (t ) = ψ ∗( )
a a 為小波函數

a 為尺度參數（scale factor），用以擴張、壓縮小波函數

b 為平移係數（shift factor），用以移動小波函數

*為共軛複數， f ( t ) 為時序函數

圖2-5. wavelet的尺度參數示意圖 a 用以擴張、壓縮小波函數

21
 小波轉換是以時序函數 f ( t ) 與小波函數, ψ a ,b (t ) 做內積

（ innerproduct），轉換後所得之 CWT f ( a, b ) 為小波係數。進行

小波轉換時可調整尺度參數與平移係數，用以移動小波函數涵蓋觀察

之時間位置與頻率位置，當尺度愈大時，意味著小波函數在時間軸上

愈長，即被分析的信號區間也愈長。因此尺度愈大意味著頻率的分辨

率愈低，主要獲得為信號的低頻特性；反之，尺度愈小時，小波函數

只與很小的局部信號進行比較，因此主要獲得為信號的高頻特性。尺

度與頻率的關係可歸納如下：

小尺度 a 壓縮的小波 快速變換的細節 高頻部分

大尺度 a 拉伸的小波 緩慢變換的細節 低頻部分

圖 2-6. 不 同 尺 度 之 小 波 函 數 示 意 圖 （ WaveletToolbox User’s

Guide，The MathWorks, Inc.，2000)

22
2.3.3 一維小波轉換

一信號 f (x ) ，其連續小波轉換的定義為：在一平方可積分的

Hilbert 空間 L2 (R ) 中之內積過程（Miao et al.，1998）：

1  x − b
CWa ,b = ψ a ,b ( x ), f ( x ) = ∫ψ a ,b  f ( x )dx
a  a 

1 t −b
其中， ψ a ,b ( x ) = ψ  ， a, b ∈ R × R ， a ≠ 0
a  a 

而小波的逆轉換式為（Leblanc et al.，2001）：

∞ ∞
1 dadb
f (x ) = ∫ ∫ CW ψ a ,b a ,b
Cψ − ∞− ∞ a2

而若要使用電腦計算小波轉換時，使用離散小波轉換是較為容易的。

進行離散小波轉換時首先對參數 a、b 進行離散取（Daubechies，

1992）：

m
a = a0 ，一般取 a0 = 2, m ∈ Z

m
b = nb0 a0 ，一般取 b0 = 1, n ∈ Z

其中，m、n 為代表解析度之整數；a0b0 分別為代表波數範圍的指

數與位置移動變化的間隔指數。依此，可將 Ψa,b（x）改寫成為二進
−m

制小波（dyadic wavelet）：ψ m ,n ( x ) = 2 ψ (2 −m x − n ) 。因此可將離散 2

小波轉換定義為（Kumar et al.，1994）

23
圖 2-7. 小 波 轉 換 示 意 圖 （ WaveletToolbox User’s Guide ， The
MathWorks, Inc.，2000)

2.3.4
.3.4 多層次分析（
多層次分析（multiple-
ultiple-level
evel decomposition）
ecomposition）:

而原始信號經由小波轉換(圖 2-10)，原始信號 f（x）可表式為：

+∞
f ( x ) = Am f ( x ) + ∑ Dm f ( x ) 。即可將原始信號的近似信號進行多次分
m

解，結果可得到多層的近似信號及細節信號，以此即可對原始信號作

多層次的分析（圖 2-11）。而信號分解的層數限制為 log 2 N 層，N 為

原始信號長度。

圖2-8. 小波轉換示意圖，小波轉換可視為一濾波器。原始信號通過兩互補
的濾波器後得到一組代表低頻的近似信號與代表高頻的細節信號
（WaveletToolbox User’s Guide，The MathWorks, Inc.，2000)
24
圖2-9. 多層次分析示意圖（WaveletToolbox User’s Guide，The
MathWorks, Inc.，2000)

（1） 具有多尺度的特點，可以由粗至細地逐度觀察信號。

（2） 可以看成基本頻率特性為小波函數的帶通濾波器在不同

尺度下對信號作濾波。

（3） 適當的選擇小波，使小波函數在時域上為有限支撐，在頻

域上也比較集中，可以使小波轉換在時、頻域具有表徵信號局部

特性的能力，有利於檢測信號的瞬態或奇異點。
（WaveletToolbox

User’s Guide，The MathWorks, Inc.，2000）

25
2.3.5 2D 小波分析

根據 Matlab 的手冊及師大地球物理實驗室的講義，本論文將 2D

小波分析常用的名詞概念整理說明如下：在對一個 2D 的平面圖形，

進行 2D 小波分析，可分為主要兩個步驟，分別為進行橫向小波轉換

與縱向小波轉換，而所謂的橫向小波轉換，是把影像看為一個陣列，

對陣列上橫向的每一列，看做是互相獨立的一系列原始數列，然後對

每一個獨立的原始數列，進行個別的小波轉換。經過橫向的小波轉換

後，一張原始的圖片資料，會分為低頻資料區與高頻資料區(圖 2-10A)

縱向小波轉換如圖橫向轉換，也可分為低頻資料區與高頻資料區

(圖 2-10B)

圖 2-10A. 橫向小波轉換

圖 2-10B. 縱向小波轉換

26
 在進行 2D 小波拆解，第一層拆解除了一個低頻的近似信號 A1

外，細節信號還會分成 3 個方向，分別為水平的細節信號 H1，垂直

的細節信號 V1，及對角的細節信號 D1，第二層信號再由第一層的 A1

拆解出來。（圖 2-11）

圖 2-11. 2D 小波分解示意圖

近似訊號組成(Approximation component):

近似信號（A），是將輸入數據的列（rows），做橫向的低通濾波

後，將行（columns）降低取樣，然後再將行（columns）做低通濾波

後，再降低取樣列（rows）之後輸出。即列和行都做低通濾波(圖 2-12)

27
 圖 2-12. 近似信號（A）採樣示意圖

水平細節信號組成(Detail horizontal component):

水平細節信號(H)，是將輸入數據的列（rows）
，做橫向的低通濾

波後，將行（columns）降低取樣，然後再將行（columns）做高通濾

波後，再降低取樣列（rows）之後輸出。即列做低通濾波，行做高通

濾波。(圖 2-13)

圖 2-13. 水平細節信號（H）採樣示意圖

28
垂直細節信號組成(Detail vertical component):

垂直細節信號（V），是將輸入數據的列（rows），做橫向的高通

濾波後，將行（columns）降低取樣，然後再將行（columns）做低通

濾波後，再降低取樣列（rows）之後輸出。即列做高通濾波，行做低

通濾波。(圖 2-14)

圖 2-14. 垂直細節信號（V）採樣示意圖

對角細節信號組成(Detail diagonal component):

對角細節信號（D），是將輸入數據的列（rows），做橫向的高通

濾波後，將行（columns）降低取樣，然後再將行（columns）做高通

濾波後，再降低取樣列（rows）之後輸出。及列和行都做高通濾波。

(圖 2-15)

29
 圖 2-15. 對角細節信號（D）採樣示意圖

2.2.6
2.2.6 小波包分析

小波包分析是從小波分析延伸出來的，是一種可以對信號進行更

加細緻的分析與重構的方法，由一般的小波分析中可知道，是將信號

分解成低頻的近似信號與高頻的細節信號，然後再對低頻的近似信

號，做第二次的分解，而不對高頻部分做第二次的分解。（圖 2-16）

圖 2-16. 小波分析，僅對低頻部分做進一步的分解
30
 小波包分析不但對低頻部分進行分解，而且也對高頻部分做了第

二次的分解動作（圖 2-17）
，小波包分析的優點是，可以對信號作更

加細緻的分解，對信號的分析能力更強，當然相對的分析的計算量也

會上升。

圖 2-17. 小波包分析，除了低頻部分做進一步的分解，也
會對高頻部分做第二次的分解

31