第一章 前言
1-1 研究動機與目的
水稻是台灣地區的重要作物，其種植面積及產量之預估除可提供政府擬定糧 食政策之參考，並可作為農民受災後補助之依據。因此稻作之統計作業方式自 1980 年起，即由台灣省糧食處（行政組織改隸為農委會農糧署）依行政院核定
「台灣地區稻米生產調查改進要點」，逐年分區施行航照稻作面積調查。農糧署 依各地區稻作生產資料，規劃出最佳判釋水稻的航照拍攝日期，並委託林務局農 林航空測量所拍攝航照，以人工判釋方式製作50 公尺地面解析度資料，據此計 算水稻種植面積及估算產量。航照辨識水稻田雖可得到較佳的判釋精度，但目前 國內大部份地區一年可有兩期稻作，拍攝面積約為 180 萬公頃，每期稻作約需 5000 張航空照片，判釋工作每年約需 30 人力，為一種需大量人力、物力及時間 投入的作業方式（工研院，2005）。
隨著遙測技術的提升與分類理論的精進，應用衛星影像進行土地覆蓋分類作 業技術已越趨成熟，而以此型式進行水稻田辨識作業，國內已有多項研究，如鄧 敏松（1997）、陳益凰（1998）、蕭國鑫（1998）及邵泰璋（1999）等。因此若 能以適當的衛星影像配合適當的分類理論，以此建立自動化的辨識系統，將能有 效減少成本的支出及人為辨識上的主觀差異。本研究即以近年來在分類理論上較 受矚目的支持向量機（Vapnik, 1995）及新提出的 Plausible Neural Network（Chen, 2002）作為主要的水稻田辨識方法，並和高斯最大似然分類法、倒傳遞類神經網 路、學習向量量化類神經網路、輻狀基底函數類神經網路及粗糙集方法作比較。
1-2 文獻回顧
藉由遙測影像及分類理論判釋土地覆蓋或土地利用，至今在國內外仍是一重 要的研究方向，亦有諸多參考文獻可供參考。且隨著衛星影像解析度的提升及分
2
類理論的創新，將有助於提升分類成果的準確性。
水稻田辨識之研究，國內已有諸多成果。鄧敏松（1997）應用多時段 SPOT 衛星影像及耕地坵塊圖，結合水稻生長、時間與空間等領域知識，作為判釋水稻 田區塊之依據，並針對不同期別的影像進行差分以凸顯水稻和非水稻之差異，並 以萃取出的相關知識建立自動化辨識系統。陳益凰（1998）採用多時段 SPOT 衛 星影像及耕地坵塊圖，以標準化互相關方法（Normalized Cross Correlation，NCC）
計算耕地坵塊與標準水稻時間剖面曲線的相關性，以判別是否為水稻田坵塊，並 採波峰偵測法（Peak Detecting）比較各坵塊時間剖面曲線波峰與標準水稻時間剖 面曲線波峰之特徵，並依約制條件進行辨識作業。
蕭國鑫（1998）以 SPOT 多時段影像、雷達回波強度資料及耕地坵塊圖，分 別採逐像元及區塊式分類法辨識水稻田，以探討何種生長期的攝像組合，可求得 最佳分類成果。邵泰璋（1999）使用 SPOT 多時段影像，採倒傳遞及學習向量量 化類神經網路進行水稻田之辨識作業，文中並增加紋理特徵輔助水稻田辨識。
許晉嘉等（2005）採 Quick Bird 衛星影像，以高斯最大似然分類法及支持向 量機進行水稻田辨識之研究，文中並加入方向半變異元（Semivariogram）及主 成分分析法之紋理影像輔助辨識作業，其中支持向量機的各分類成果皆較高斯最 大似然分類法為佳。施亦良等（2005）應用 Quick Bird 衛星影像，以高斯最大似 然分類法及粗糙集方法進行水稻田之辨識作業，其中以粗糙集方法所得之成果為 較佳。
分類理論的創新與精進將有助於遙測影像分類時之精度提升，遙測影像所採 的分類理論最初是以統計分析方法為主，如高斯最大似然分類法及判別分析方法 等。而隨電腦科技的進步及類神經網路理論的復甦，使類神經網路應用於影像分 類之研究於現今已非常普遍且有諸多成果。如Bishof et al.（1992）以三層式倒 傳遞類神經網路進行Landsat 影像分類之研究，文中並增加紋理影像輔助分類，
3
其所得的分類成果相較高斯最大似然分類法為佳。
近年來，較受關注的分類理論為支持向量機，該理論應用於光譜影像分類之 研究也日益廣泛。Zhu & Blumberg（2002）分別以多項式及輻狀基底函數為核心 的支持向量機，應用於 15 及 30 公尺解析力的 ASTER 影像分類之研究，在 15 公尺影像解析力以 5 階多項式之分類成果較佳；30 公尺影像解析力則以輻狀基 底函數之分類成果較佳。
Foody & Mathur（2004）分別使用判別分析、決策樹、前饋式類神經網路及 支持向量機於 ATM 影像分類之研究，其中以支持向量機所得之分類精度為最 佳。Melgani & Bruzzone（2004）分別以 KNN（K-nearest neighbors）、輻狀基底 函數類神經網路、支持向量機（分別採線性、多項式及輻狀基底函數之三種核函 數）於AVIRIS 影像分類之研究，其中以輻狀基底函數為核函數之支持向量機所 得之分類精度為最佳。
Camps-Valls & Bruzzone（2005）分別以線性判別分析、正規化輻狀基底函 數類神經網路、輻狀基底函數與多項式為核函數之支持向量機、輻狀基底函數之 線性判別分析（Kernel Fisher Discriminant，KFD）及 Regularized Adaboost 於 AVIRIS 影像分類之研究，其中以多項式為核心的支持向量機所獲得的分類成果 為最佳，輻狀基底函數之分類成果次之。黃明哲與李良輝（2005）使用 LiDAR 及同步拍攝的光學影像資料，以最小距離分類法、最大似然分類法及支持向量機 進行地物分類之研究，其中以支持向量機所獲得的成果為最佳。
1-3 研究方法
本研究以支持向量機及Plausible Neural Network 於水稻田辨識之研究，並與 高斯最大似然分類法、倒傳遞類神經網路、學習向量量化類神經網路、輻狀基底 函數類神經網路及粗糙集方法作成果比對，以驗證支持向量機及Plausible Neural Network 在水稻田辨識上是否優於其它的分類方法。支持向量機若採不同核函
4
數，其分類所得成果也將有所差異，故於本研究中也將探討不同核函數對支持向 量機分類之影響。
在遙測影像方面，分為兩組實驗區，且每組實驗區包含五幅不同時段影像，
第一組實驗區為93 年嘉義地區二期稻作，採用 Level 3 Formosat-2 影像；第二組 實驗區為89 年新竹地區一期稻作，採用 Level 10 SPOT 影像。檢核資料則以農 糧署所提供相同年份和相同稻作期的 1/5000 耕地地籍圖為比對依據。研究中，
並以嘉義實驗區資料，探討高斯最大似然分類法及支持向量機於不同群聚類別數 及訓練樣本集合之穩定性；並以該區多時段影像生成紋理影像輔助支持向量機分 類，以探討紋理特徵的加入是否能有效提升支持向量機的分類精度。
各分類實驗所得之分類成果，以誤差矩陣作展示，並以誤差矩陣元素計算各 精度評估指標，包括使用者精度、生產者精度、整體精度及 Kappa 指標，並以 Z-Test 方法檢定各分類方法所得之分類成果是否具有顯著性。透過上述精度評估 方式，可作為探討各分類方法優劣之依據。
1-4 論文架構
本論文為採用多時段衛星影像並以支持向量機與 Plausible Neural Network 進行水稻田辨識作業，目的是評估及探討上述兩種分類理論於水稻田辨識所得之 成果，是否優於研究中所採用的其它分類理論。論文架構共分為六章，說明如下：
第一章「前言」：說明研究動機與目的，並回顧國內外相關研究及敘述本 論文之研究方法。
第二章「分類理論基礎」：對水稻生長作概述，並對影像紋理及精度評估