影像分類技術

影像分類(Image classification)，主要目的在於將影像中所有像元，依程序將 相同特徵萃取出來，得到所需要的分類類別。普遍來說，影像分類主要有兩種方 式，一是監督式分類(Supervised classification)，另一是非監督式分類(Unsupervised classification) (柯如榕，2014)。

(1) 監督式分類

監督式分類方法，主要為研究者先針對研究地區劃定樣本，建立分類之標準 或規則，決定需要分類之類別後，依此標準進行光譜類型判釋。進行監督式分類 大致分為兩階段，先選取訓練區(training site)，訓練區的意義為依照研究者所選 取區域之光譜值，做為整張影像分類的標準，而後進行分類，比較非訓練區與訓 練區之光譜值差異，進而決定該像元之類別。監督式分類之優點為經由人工精細、

多區域的圈選訓練區，可提升分類結果的準確度，但也花費時間成本。

監督式分類之分類演算法，傳統上是以像元(pixel)為基礎去分類，如最短距 離分類法(Minimum-Distance-to-Means classifier)、平行六面體法(Parallelepiped classifier)或最大概似分類法(Maximum Likelihood classifier)等(黃俊偉，2001)。

而在將機器學習方法導入影像分類領域後，便衍生出更多變化的演算法，如 倒傳遞類神經網路(Back-propagation Neural Network，BPNN)(陳莉等，2004；林世 峻等，2008)、物件式導向分類(黃韋凱等，2010；顏啟峯與張國楨，2015)、或支 持向量機(Support Vector Machine, SVM)(李文琳，2016；Faridatul, 2017；Aboelnour

& Engel, 2018；林穎東等，2018)等。

(2) 非監督式分類

在監督式分類進行時，訓練區有時無法完全代表某種地物的光譜特性，若不 析(Post-classification analysis)方法可以提高分類的精確度(Harris, & Ventura, 1995、

黃俊偉，2001)。研究者可藉由人工觀察、地真資料等輔以對應檢核，進而調整分 類結果，如此呈現之整體分類結果會更加完整(Butt et al. 2015)。

總結本段落回顧之影像分類演算技術後發現，分類演算法多樣且用途不一，

研究者應選擇符合研究需求之分類方法；而本研究欲使用之分類演算法為支持向 量機(SVM)，在前人研究中也指出，此分類法有較佳的分類表現(陳承昌等，2007；

李文琳，2016；Aboelnour & Engel, 2018；林穎東等，2018)。

二、分類正確率檢核

為了檢驗影像分類結果的正確性，使用誤差矩陣進行分類結果檢核十分常見 (陳莉等，2004；林世峻等，2008；林承翰等，2013；林穎東等，2018)。由誤差 矩陣可計算幾項分類評估指標：

(1) 總體精度(Overall Accuracy)：

式(8) 一致性(observed agreement)，簡言之就是整體準確度；P(E)是期望一致性(chance agreement)，又可稱為期望準確度；Kappa 值介於 0 至 1 間，越接近 1 則代表分

類精度越高。

(3) 生產者精度(Producer’s Accuracy)

生產者精度 = 某類別正確分類之數量/分類之參考資料數量 式(10)

生產者精度之一體兩面為漏授誤差(Omission Error)，為應分類為該分類而未 分入之錯誤，其計算式為：1 – 生產者精度。

(4) 使用者精度(User’s Accuracy)：

使用者精度 = 某類別正確分類之數量/分類結果之數量 式(11)

使用者精度之一體兩面為誤授誤差(Commission Error)，為不該分類為該分 類卻分類進該分類之錯誤，其計算式為：1 – 使用者精度。

三、地物分類指標

常態化差異植生指標(Normalized Difference Vegetation Index, NDVI)，為遙測 研究中經常使用的一個指標，藉由近紅外光(Near-Infrared band, NIR)與紅光(Red Band)的計算，主要可用來衡來目標區域的植被生長情況、監測地表乾旱或沙漠 化的情形(Xiong et al., 2012；Aboelnou & Engel, 2018)。健康生長的綠色植物會吸 收大部分的可見光，並反射大部分的近紅外光，若是不健康或是稀疏的植被，相 比於健康植被，會反射較少的可見光與較少的近紅外光(Sobrino, et al., 2004)。其 計算公式如下：

式(12)

NDVI 所計算得到的數值，介於正 1 與 -1 之間。數值小於 0 代表水體，數值 介於 0 至 0.2 則可能是裸露地、建地、沙地等，數值介於 0.2 至 0.4 則有可能是 疏林或草地，越接近 1 者則代表植被茂密程度越高，屬於密林等植被類型(Sobrino, et al., 2004；Avdan & Jovanovska, 2016)。

常態化差異建物指標(Normalized Difference Building Index, NDBI)，最早由 Zha et al.(2003)提出，此指數藉由短波紅外光(Short-wave Infrared band, SWIR)與近紅

外光(NIR)的計算，可有效區辨影像中的不透水面與人工建物區域。其計算式如下：

式(13)

NDBI 所計算的數值，介於 1 與 -1 之間。越接近正 1 越可能為建物，而越接 近 -1 則是植被區域。此指數可做為影像分類判釋時，區別研究區建成區的參考，

在前人研究中證明了此指數辨識上的可信度(Zha et al., 2003)，因此廣為研究者採 用(Aboelnou & Engel, 2018；Alhawiti, 2016)。

在 Landsat-5 中，短波紅外光(SWIR)波長為 1.55 - 1.75μm，近紅外光(NIR)的波 長為 0.76 -0.9μm，紅光(Red)的波長為 0.63 - 0.69μm；在 Landsat-8 中短波紅外光 (SWIR)波長則是 1.57 - 1.65μm，近紅外光(NIR)波長為 0.85 - 0.88μm，紅光(Red)波 長為 0.64 - 0.67μm。

第四節 土地利用變遷理論與相關研究 塑的地球表面的物理特徵(Ioannis & Meliadis, 2011)。

邏輯上可以從土地使用得知土地覆蓋的情況，如此處為公園用地，因此可以 推斷土地覆蓋應以樹林植被等居多；但若此處的土地覆蓋為植被，並無法逆向推 理確認土地使用型態是公園、農田或森林遊樂區等(顏子揚，2006)。

土地利用變遷(Land use and land cover change, LULCC)為土地使用或土地覆蓋 動態變化的過程，關注空間與時序上的變化，土地利用變遷研究大致上可分為三 種不同的研究面向，分別是：型態 (pattern)、作用 (process)、預測 (prediction)。

型態分析可了解土地利用的分布特性與變化，作用分析則是探討利用型態變遷的 提供較準確的植被分布結果；邱仁德等(2018)使用 Landsat-8 影像對台中新社花 海節舉辦地區與台中地區高溫區域比較，研究結果顯示土地覆蓋物與人潮聚集足 以對新社地區造成溫度變化，其高溫甚至可與工業區相比。