確定性分
3. 圖資更新策略成果
本研究運用衛星影像萃取後期水稻強度反應 主題圖(如圖 13)，根據表 8 的規則並進一步套疊前 期水稻耕地坵塊圖進行圖資更新，實驗成果發現透 過此更新機制可有效減少人工檢核與現地調查面 積，並能夠延續過去調查成果，可大量減少圖資建 置成本(圖 14)。
整體來看透過本研究的設計程序，已經將水稻 分類問題轉換成「高、中水稻強度」與「非低度水 稻強度」兩類。基本上這兩類的處理程序並不相同，
前者只要簡單邏輯判釋就可獲得高信賴度與高精 度的水稻分類結果，而後者需要通過較為大量的人 工編修程序，方能獲得較佳的精度結果，不過此部 分所需要高度人工處理的數量已經大幅降低，此結 果已達成本研究另一個重要的研究目的。
圖14 水稻坵塊圖資檢視與更新策略成果
5. 結論
本研究成功的利用資料挖掘的概念，可將與水 稻與其他植生容易混淆之坵塊分別劃分出不同反 應訊息的坵塊形態，後續可利用明確之輔助資料進 行類別的歸屬，以達到半自動化萃取水稻田坵塊之 目的。而本研究之結論如下：
1. 目前經常使用之影像分類法屬於二值化之成果，
其分類皆以「若非即是」的方式呈現，但在真實情 況中二值化之分類方法並無法做出精確之分類，因 此本研究所提出以非絕對之影像辨識之方法，能夠 改善二值化分類的缺點，使得分類成果除以正確水 稻田與正確非水稻田呈現外，且能夠出分析出強度 反應相近之類別，以達到模糊化影像辨識之目的。
2. 過去以逐像元進行水稻田坵塊萃取，其所造成 分類成果破碎與不完整的缺點，在本研究中利用物
■ 明確性高水稻反應坵塊
■ 人工檢核(I)
■ 人工檢核(II)
■ 人工檢核(III)
件導向之概念就能解決。其研究成果顯示，透過物 件化的方式能夠保持水稻田坵塊之完整性，避免逐 像元影像分類所造成之分類成果破碎的現象。
3. 本研究為了使強度反應相近之地區能夠以更明 確之輔助資料歸屬為正確類別，因此利用Shannon 熵以及平均值方式進行訊息穩定度以及強度之度 量，使強度相近之區塊分類為高水稻反應坵塊與低 水稻反應坵塊，使得高水稻反應坵塊能夠明確以水 稻歷史耕作資料進行檢核，以轉作的頻率判斷該地 區是否仍為種植水稻；而在低水稻反應坵塊，仍需 要人工判讀的方式進行檢核，使之歸屬為正確類 別。
4. 目前利用全自動化方式判釋水稻田分佈之方式 仍有其挑戰，因此仍需要加入部分的人工判讀以達 到半自動化判釋水稻田面積之目的。而本研究為減 少人工的介入，且能夠以更客觀的方式以及提高耕 地坵塊圖產出之時效性，乃提出以非二值化的方式 進行影像辨識，並萃取出各類別強度反應相近之區 塊，同時加入Shannon 熵進行度量，使得強度反應 相近區塊能夠以更有效的輔助資料而歸屬至正確 類別，以達到半自動化萃取耕地坵塊圖之目的。
5. 透過本研究所建立之圖資更新機制，可延續既 有資料成果，對於需要人工檢核或現地調查之地區，
皆能夠給予明確調查位置，透過半自動化的圖資更 新可有效減少圖資建置成本與時間。
本研究之建議如下：
1. 本研究中對於歸屬度模型之選擇，乃採用三角 形歸屬度模型，由於此模型屬較為嚴謹之模型，因 此對於影像辨識中容易出現過多之漏判，後續研究 中可採用其他類型之歸屬度模型，使得辨識成果更 能夠符合地面真實覆蓋現狀。
2. 本研究中為使得水稻田坵塊萃取成果完整，乃 運用物件導向式概念進行區塊化的方式進行影像 辨識，研究中透過關連規則的技巧賦予各物件屬性，
並透過該屬性作為後續影像辨識與訊息量之度量，
對於後續的研究建議可利用其他資料挖掘技術，計 算更能夠代表各植生類別之屬性並賦予物件中，使 得影像辨識成果更能夠符合現狀。
致謝
本研究承蒙行政院農業委員會農糧署農業生 產科黃淑娟技正提供資料，始得完成，謹此致謝。
此外，兩位匿名審查委員也對本文提出許多具體建 議，本文作者也在此一併致謝。
參考文獻
王曉玲、杜培軍、譚琨、曹文，2010。一種高光譜 遙感影像端元自動提取方法，遙感信息，第 8-12 頁。
史文中、藍榮欽、楊曉梅，2004。模糊空間關聯規 則挖掘及其在遙感影像分類中的應用，2004 兩岸四第地理信息系統研討會論文集。
林俊吉，2005，應用灰聚類進行台股指數期貨程式 交易設計，國立台灣科技大學資訊工程學系碩 士論文。
周義、阮仁宗，2009。多元信息複合的遙感影像水 稻田信息提取方法研究，遙感信息，第 30-33 頁。
張鈞凱，2007。高光譜影像立方體紋理特徵三維計 算，國立中央大學土木工程研究所碩士論文。
郭恆成，2007。具 Fuzzy 修正能力之影像檢索系統，
國立東華大學企業管理學系碩士論文。
陳美秀，2003。有效的空間關連規則探勘方法之設 計，朝陽科技大學資訊管理學系碩士論文。
陳哲俊，1989。研究計畫綜合報告，國立中央大學 太空及遙測研究中心研究計畫報告。
陳益凰，1997。應用多時段衛星影像辨識水稻田之 研究，國立成功大學測量工程研究所碩士論 文。
黃世奇、劉代志，2007。星載 SAR 成像與 SAR 圖 像中一些不確定性因素分析，測繪學報，第三 十六卷，第二期，第152-157 頁。
黃恩興，2010。遙感影像分類結果的不確定性研究，
中 國 農 學 通 報 ， 第 二 十 六 卷 ， 第 五 期 ， 第 322-325 頁。
鄧敏松，1997。結合多時段遙測影像、耕地坵塊與
雷祖強、萬絢、周天穎、歐陽志豪、曾國欣：遙測影像製作水稻坵塊主題圖資訊 275 不確定性問題之研究-以QuickBird 影像為例
領域知識之區域式影像辨識法於水稻田耕作 調查之應用，國立成功大學測量工程研究所碩 士論文。
雷祖強、周天穎、鄭丁元，2006。運用 QuickBird 衛星影像於水稻田坵塊萃取之研究，航測與遙 測學刊，第十一卷，第三期，第297-310 頁。
雷祖強、周天穎、鄭丁元，2007。應用半變異元模 式於 Quickbird 影像中植生類別分類特性之研 究，航空測量與遙感探測學刊，第十二卷，第 一期，第1-16 頁。
劉艷芳、蘭澤英、劉洋、唐祥雲，2009。基於混合 熵模型的遙感分類不確定性的多尺度評價方 法研究，測繪學報，第三十八卷，第一期，第 82-87 頁。
鄧淑萍，2010。假設檢定及衛星遙測影像應用於地 表覆蓋變遷偵測，國立台灣大學生物資源暨農 學院森林環境暨資源學系博士論文。
蔣小偉、萬力、杜強、Hu, B. X., 2008。基於地質 統計學的NDVI 圖像估值技術，地學前緣，第 十五卷，第四期，第71-80 頁。
Agrawal, R., Srikant, R., 1994, Fast Algorithms for Mining Association Rules in Large Database, Conference for Very Large Data Bases, Santiago, Chile, pp. 487-499.
Bastin, L., Fisher, P. F., Wood, J., 2002, Visualizing uncertainty in multi-spectral remotely sensed imagery, Computers & Geosciences, 28:
337-350.
Balaguer, A., Ruiz, L.A., Hermosilla, T., Recio, J.A., 2010, Definition of a comprehensive set of texture semivariogram features and their evaluation for object-oriented image classification, Computers & Geosciences, 36:
231–240.
Chica-Olmo, M., Abarca-Hernández, F., 2000, Computing geostatistical image texture for remotely sensed data classification, Computers
& Geosciences, 26(4): 373-383.
Conners, R. W. and Harlow, C. A., 1980, Toward a structural texture analyzer based on statistical method, Computer Graphic and Image Processing, 12: 224-256.
Coppi, R., and D’Urso, P., 2006, Fuzzy Unsupervised Classification of Multivariate Time Trajectories with the Shannon Entropy Regularization, Compuational Statistic and Data Analysis. 50(6):
1452-1477.
Hajj, M. E., Bégué , A., Guillaume, S., Martiné, J., 2009, Integrating SPOT-5 time series, crop growth modeling and expert knowledge for monitoring agricultural practices — The case of sugarcane harvest on Reunion Island, Remote Sensing of Environment, 113: 2052–
2061.
Liao, C.W., Perng, Y.H., Chiang, T.L., 2009, Discovery of unapparent association rules based on extracted probability, Decision Support Systems, 47: 354–363.
Liu, L., Wang, B., Zhang, L., 2010, An approach based on self-organizing map and fuzzy membership for decomposition of mixed pixels in hyper-spectral imagery, Pattern Recognition Letters, 31: 1388–1395.
Marceau, D. J., Howarth, P. J., Dubois, J. M. and Gratton, D. J., 1990, Evaluation of the grey-elvel co-occurrence matrix method for land-cover classification using SPOT image, IEEE Transactions on geoscience and remote sensing, 28(4): 513-519.
Meyer, G. E., Neto, J. C., Jones, D. D., Hindman, T.
W., 2004, Intensified fuzzy clusters for classifying plant, soil, and residue regions of interest from color images, Computers and Electronics in Agriculture, 42: 161–180.
Patwardhan, S. V., Dai, S., Dhawan, A. P., 2005, Multi-spectral image analysis and classification of melanoma using fuzzy membership based partitions, Computerized Medical Imaging and Graphics, 29: 287–296.
Saeedi, J., Moradi, M.H., Faez, K., 2010, A new wavelet-based fuzzy single and multi-channel image denoising, Image and Vision Computing, 28: 1611–1623.
Stephens, E. M., Bates, P. D., Freer, J. E., Mason, D.
C., 2012, The impact of uncertainty in satellite data on the assessment of flood inundation models, Journal of Hydrology, 414–415: 162–
173.
Straatsma, M., Huthoff, F., 2011, Uncertainty in 2D hydrodynamic models from errors in roughness parameterization based on aerial images, Physics and Chemistry of the Earth, 36:
324-334.
Sousa, F. M., Nascimento, S., Casimiro, H., Boutov, D., 2008, Identification of upwelling areas on sea surface temperature images using fuzzy clustering, Remote Sensing of Environment, 112: 2817–2823.
Tsay, Y.J., Chiang, J.Y., 2005, CBAR: an efficient method for mining association rules, Knowledge-Based Systems, 18: 99–105.
Tesfamichael, S.G., Ahmed, F., Aardt, J.A.N.V., Blakeway, F., 2009, A semi-variogram approach for estimating stems per hectare in Eucalyptus grandees plantations using discrete-return Lidar height data, Forest Ecology and Management, 258: 1188–1199.
Tuia, D., Pasolli, E., Emery, W.J. , 2011, Using active learning to adapt remote sensing image classifiers, Remote Sensing of Environment, 115:2232–2242.
Weszka, J. S., Dyer, C. R. and Rosenfeld, A., 1976, A comparative study of texture measures for terrain classification, IEEE Trans. on Syst., Man, and Cybern., Vol. SMC-6, No. 4, pp.
269-285.
Xu, Y., Li, Y., Shaw, G., 2011, Reliable representations for association rules, Data &
Knowledge Engineering, 70: 555–575.
You, J., Zhang, J., 2011, Uncertainty Comparison for Area-class Maps concerning Different Reference Data, Procedia Environmental Sciences, 10: 2075–2082.
Zhou, Z., Zanga, Y., Li, Y., Zhang, Y., Wang, P., Luo , X., 2011, Rice plant-hopper infestation detection and classification algorithms based on fractal dimension values and fuzzy C-means, Mathematical and Computer Modeling.
Journal of Photogrammetry and Remote Sensing Volume 16, No.4, January 2013 277
1 Associate Professor, Department of Urban Planning and Spatial Information, Received Date: Fer. 09, 2012 2 Feng Chia University Revised Date: Oct. 27, 2012 2 Professor, Department of Information Management and, Ling Tung University Accepted Date: Nov. 07, 2012 3 Professor and Director, Department of Land Management and GIS Research Center, Feng Chia University
4 Project Management, Geoforce Techniques Co. Ltd.
5 Master Student, Department of Urban Planning and Spatial Information, Feng Chia University
*.Corresponding Author, Phone: 886-4-24517250 ext.3357, E-mail: [email protected]