1-1 研究動機與目的
隨著社會經濟的發展，人口數的增加，如何使作永續且有效的土地利用，對 於地小人稠，高度開發的台灣而言，是十分重要的課題，為此，首先必須要瞭解 當前國土利用的現狀與問題，以進行未來規劃與監控的土地利用，作有效的土地 管理。而依目前發展最方便的方式便是採用航遙測技術，航遙測技術為運用儀 器，不需和目標物作直接接觸，便可獲取目標資料的技術，加上航遙測的影像解 析度日益提升，故可普遍執行土地利用調查作業，解決國土普查作業進度遲緩與 資料更新困難等問題。
土地覆蓋為地表自然及人為影像所形成的覆蓋物，如農地、林地、水體等。
而土地利用則是描述人類因經濟等目的，對土地的利用和管理，如水利用地、農 業用地等，因此，土地利用為自然、經濟等諸多因素下所形成，故高空間解析度 衛星影像無法對國土利用現況進行影像判釋，但仍可利用土地覆蓋類別所對應不 同土地利用型式來進行調查。
然而以往利用多光譜影像進行土地覆蓋分類，受限於影像空間解析度低，混 合像元情況十分嚴重，故未加以考量相鄰像元彼此間的相關性，大多採用頻譜方 式分類，影像空間相關性的加入，對於分類的成果而言，助益並不高，而今高解 析度多光譜影像的產生，能提供豐富的空間資訊，因此若能充份利用此優勢，應 可提昇分類成果的精度。
本研究採三幅不同土地覆蓋複雜度高空解析度衛星影像作為實驗區，除了針 對不同分類演算法進行成果比較外，並分析加入紋理統計量之前後成果，以加入 空間相關性之不同分類模式，探討影像的高空間解析度對於影像土地覆蓋分類精 度是否具有提升效益。
1-2 文獻回顧
利用航遙測影像來進行土地利用／土地覆蓋分類的研究，一直以來都是國內 外的研究重點所在，尤其近年來，衛星影像的解析度更是日益提升，在高解析度 影像中，具有意義的地物大多由非單一像元組成，相鄰像元間相關性高，因此許 多研究嘗試萃取影像特徵的方式，藉以得到影像的空間資訊，來提昇分類成果。
而萃取影像特徵的方法包含紋理影像、影像分割等，紋理為影像中像元灰階值變 化的頻率（林榮章，1999），影像分割則為基於影像像元特性上的相似性，將像 元與其鄰近相似像元群組化成一共軛區塊，即將影像中具有高相關性的相鄰像元 合併成一個區塊，形成影像區塊圖。而國內外對萃取影像特徵對影像分類之助益 研究有：
Huang et al.（2007）採用一些新的統計量來萃取紋理特徵，包含 length、
width、weighted mean、PSI、length-width ratio 及 standard deviation ，這些統計 量統稱為SFS（Structural Feature Set），為 LWEA 及 PSI 的改良，研究成果 SFS 相較於GLCM、LWEA、PSI 而言精度為佳，且於不同分類方法：高斯最大似 然法（Gaussian Maximum Likelihood Classifier）、倒傳遞神經網路（Error Back-propagation Network）及支持向量機（Support Vector Machine），SFS 的加 入皆有相當助益。
李瑞陽、莊佳文（2006）採用 QuickBird 衛星影像，利用影像分割方式進行 土地利用類別的判釋，採用區域合併（region-merging）方法進行影像分割，透 過灰階值的異質性指標和標準化法、適合度法兩種門檻值公式決定區塊合併與 否，得到完整的影像區塊圖後，便進行影像分類。而洪蜜琪（2007）則是利用高 斯最大似然法進行影像分類，並計求影像的多重影像梯度，以進行分水嶺影像分 割計算，利用所求得的分割區塊修正分類結果，因而解決誤判的孤立點，提高混 合像元的判釋率。實證後，皆可得出影像分割技術對於衛星影像判釋的確有正面 助益。
分類演算法除了利用統計分析方式進行影像分類，目前以影像區塊為基礎的 物件導向分類演算法，是現今研究的一大方向，其演算法主要優點在於影像區塊 可以提供形狀因子，如區塊周長、面積等，相較於單一像元僅能提供光譜上的資 訊，更有利於地物的辨識與分類，同時，利用區塊整體的形狀來幫助識別地物，
也較接近人類辨識的過程（莊雲翰，2002）。Kressler et al.（2003）便是單純利用 衛星影像的高空間解析度來進行判釋，採用物件導向方法，僅對相同區域的 KOMPSAT-1 和 SPOT-5 的全色態衛星影像，進行土地覆蓋類別的判釋並進行比 較，而所得到之成果皆有86%以上的精度，但在農地和林地之間存有相當大的誤 判，主要原因在於農林地之全色態光譜資訊難以區分，但由此可得利用區塊整體 的形狀來幫助識別地物足以得到不錯的成果。
而與逐像元分類法比較，Oruc et al. （2004）採用 LANDSAT-7 ETM 影像，
針對逐像元分類和物件導向分類進行比較分析，在逐像元分類上，先以ISODATA 作群聚分析後，再進行parallelepiped、minimum-distance 及 maximum-likelihood 分類，所得成果與物件導向分類方法作比較，顯示物件導向分類成果精度優於逐 像元分類成果。
1-3 研究方法
本研究主要針對波譜型式分類與結合空間相關性分類方法進行成果比對，波 譜型式分類所採用高斯最大似然法、倒傳遞神經網路及支持向量機，而結合空間 相關性，除了加入紋理資訊進行分類外，還利用物件導向分類法作為主要分類理 論，以驗證空間資訊的加入於土地覆蓋分類上，優於單用波譜資訊進行分類之成 果。
在遙測影像方面，本研究採用三幅不同土地覆蓋複雜度高空解析度衛星影像 作為實驗區，衛星影像採用SPOT 5 融合影像，地理位置皆位於南投地區，以工 研院能環所於國土利用調查成果作為本研究之檢核資料，除了針對不同分類演算
有效提昇不同分類演算法之分類精度，並以Z-Test 方法檢定各分類模式是否具有 顯著差異。
各分類實驗成果以誤差矩陣作展示，並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。透過上述精度評估，作為探討各分 類方法優劣主要依據。
1-4 論文架構
論文架構共分為四章，說明如下：
第一章「前言」：說明本研究動機與目的，並回顧國內外相關研究之文獻及 本研究流程與方法。
第二章「影像分類理論」：針對目前影像分類理論分為兩大類：波譜型態及