5-1 研究地區概況
新竹農田水利會竹東工作站灌溉區域包含新竹縣竹東鎮、芎林 鄉、橫山鄉,如圖 5-1 黃色部分所示。本研究選定研究區域為竹東鎮 附近約8公里×7公里區域,其座標分別為:左上 TM(250356.960,
2744071.20)及右下角 TM(258049.44,2737147.680)位置圖如圖 5-2 所示。研究試區是為頭前溪集水區,研究試內大型開發工程包含寶山 水庫、北二高、東西快速道路等。研究區內主要之地表覆蓋物為水田、
道路、建築物、水體、雜木林、裸露土壤、草地、森林,此為分類種 類參考之主要依據。
圖 5-1.新竹農田水利會灌溉區域(新竹水利會)
47
圖 5-2.新竹農田水利會竹東工作站衛星影像位置圖
5-2 訓練試區選取
本研究利用衛星影像判釋新竹農田水利會竹東工作站灌區的土地 覆蓋,依研究地區概況、現地調察資料(如圖 5-3)、地圖及衛星影像 上的資料,將訓練試區分為水田、道路、建築物、水體、雜木林、裸 露土壤、草地、森林等八大類,點數的選取如表 5-1,其位置圖如圖 5-4。
表 5-1. 研究區中訓練區的點數選取
類 別 水 田 道 路 建築物 水 體 雜木林 裸露土壤 草 地 森 林
點 數 530 3687 6895 8309 4575 1999 760 9928
顏 色 黃 色 灰 色 紅 色 藍 色 咖灰色 粉紅色 綠 色 深綠色
48
圖 5-3 現地調察資料圖
5-3 網路參數
影像處理軟體 TNT Mips6.1 發展的倒傳遞網路分類模組讓使用者不必自行研 發程式,TNT Mips6.1 影像處理軟體中類神經網路分類參數可調整最大疊代次數
(Maximum Iterations)、權重累績合(Maximum Cumulative)、學習速率(Learning rate)、容忍誤差(Error Threshold)四項參數。本研究中慣性量(Momentum)為 0.7 軟體內定值,其餘參數見表 5-2。
表 5-2 倒傳遞網路參數表 Maximum Iterations 10000 Maximum Cumulative 1 Learning rate 0.9 Error Threshold 0.01
49
圖 5-4. 研究區中訓練區的位置
5-4 訓練試區選取位置圖
5-3 分類成果
本研究試區總像元數共 25,704,640 個,以監督式分類法中倒傳遞 類神經網路及高斯最大似然分類法進行地表覆蓋物的判釋,以據現地 所調察之土地利用型態,分成八個訓練樣本對影像進行分類,其成果 以誤差距陣表示,最後將分類成果將採用 Z-test 檢驗,檢驗各分類方 法是否有顯著不同。
建築物 森 林
稻 米 草 地 裸露土壤
水 體 道
雜木林
50
5-3-1 類神經網路分類法
類神經網路分類法成果如圖 5-5、5-6、5-7 與表 5-3、5-4、5-5,圖 5-5 為近紅外光段(IR)、紅外光段(R)、綠光段(G)、藍光段(B)
的分類成果(方法一),圖 5-6 為原來四個光波加上正規化差分植被指標 (NDVI) 的分類成果(方法二),圖 5-7 為原來四個光波加上正規化差分 植被指標(NDVI) 及光波波段比值 Ratio Vegetation Index (RVI)的分類 成果(方法三)。表 5-3 為原來四個光波誤差距陣分析表,表 5-4 為原來 四個光波加上正規化差分植被指標(NDVI)的誤差距陣分析表,表 5-5 為原來四個光波加上正規化差分植被指標(NDVI) 及光波波段比值 (RVI)的誤差距陣分析表。
由圖 5-5、5-6、5-7 可觀察出,使用原來四個光波加上正規化差分 植被指標(NDVI) 及光波波段比值 Ratio Vegetation Index (RVI)分類 法,A 圓圈標記中寶山水庫大部分被判釋為水田,且其標記範圍判釋 為雜木林明顯增多,在 B 圓圈標記範圍中雜木林有明顯增多。
就整體精度而言,原始影像近紅外光段(IR)、紅外光段(R)、
綠光段(G)、藍光段(B)精度最高(65.6﹪);而為原來四個光波加上 正規化差分植被指標(NDVI) 及光波波段比值 (RVI)分類法最低(54.9
﹪)。
51
圖 5-5. 原來四個光波使用倒傳遞分類結果
建築物 森 林
稻 米 草 地 裸露土壤
水 體 道 路
雜木林
A
B
52
圖 5-6. 原來四個光波加 NDVI 使用倒傳遞分類結
建築物 森 林
稻 米 草 地 裸露土壤
水 體 道 路
雜木林
A
B
53
圖 5-7. 原來四個光波加 NDVI 及 RVI 使用倒傳遞分類結果
建築物 森 林
稻 米 草 地 裸露土壤
水 體 道 路
雜木林
A
B
54
5-3-2 最大概似法分類法
最大概似法分類法成果如圖 5-8、5-9、5-10 與表 5-6、5-7、5-8,
圖 5-8 為近紅外光段(IR)、紅外光段(R)、綠光段(G)、藍光段(B)
的分類成果(方法四),圖 5-9 為原來四個光波加上正規化差分植被指標 (NDVI) 的分類成果(方法五),圖 5-10 為原來四個光波加上正規化差 分植被指標(NDVI) 及光波波段比值 (RVI)的分類成果(方法六)。表 5-6 為原來四個光波誤差距陣分析表,表 5-7 為原來四個光波加上正規 化差分植被指標 (NDVI)的誤差距陣分析表,表 5-8 為原來四個光波加 上正規化差分植被指標(NDVI) 及光波波段比值(RVI)的誤差距陣分析 表。
經由圖 5-8、5-9、5-10 可觀察出,A 圓圈標記中寶山水庫大部分 可被判釋出為水體,在 B 圓圈標記範圍中判釋結果並無明顯變化。
就整體精度而言,原來四個光波加上正規化差分植被指標(NDVI) 及光波波段比值 (RVI)分類法,精度最高(84.7﹪) ;而原始影像近紅 外光段(IR)、紅外光段(R)、綠光段(G)、藍光段(B)為最低(81.4
﹪)。
55
圖 5-8. 原來四個光波使用最大概似法分類結果
建築物 森 林
稻 米 草 地 裸露土壤
水 體 道 路
雜木林
A
B
56
圖 5-9. 原來四個光波加 NDVI 使用最大概似法分類結果
建築物 森 林
稻 米 草 地 裸露土壤
水 體 道 路
雜木林
A
B
57
圖 5-10. 原來四個光波加 NDVI 及 RVI 使用最大概似法分類結果
建築物 森 林
稻 米 草 地 裸露土壤
水 體 道 路
雜木林
A
B
58
表 5-3 原始影像使用倒傳遞網路分類法誤差距陣分析表 分類成果(classification)
類別 水 稻田 樹木 道路 建築物 草地 裸露土壤 森林 合計 生產者精度
水 8309 0 0 0 0 0 0 0 8309 100%
稻田 48 333 117 20 0 0 12 0 530 62.8%
樹木 0 100 2027 0 0 485 0 1963 4575 44.3﹪
道路 732 814 368 636 59 210 868 0 3687 17.2﹪
建築物 449 68 51 751 3766 88 1721 1 6895 54﹪
草地 10 151 53 39 2 453 5 47 760 59.6﹪
裸露土壤 0 0 0 23 592 0 1384 0 1999 69.2﹪
森 林 0 331 1419 0 0 1631 0 6547 9228 65.9﹪
合計 9548 1797 4035 1469 4419 2867 3990 8558 36683
地面參考真值 (reference data)
使用者精度 87﹪ 18.5﹪ 50.2﹪ 43.3﹪ 84.9﹪ 15.8﹪ 34.7﹪ 76.5﹪
整體精度:63.6﹪ kappa 指標:56.4﹪ kappa 指標變異數:11.8726e-06
59
表 5-4 加入 NDVI 特徵值使用倒傳遞網路分類法誤差距陣分析表 分類成果(classification)
類別 水 稻田 樹木 道路 建築物 草地 裸露土壤 森林 合計 生產者精度
水 8309 0 0 0 0 0 0 0 8309 100%
稻田 2 305 211 12 0 0 0 0 530 57.5%
樹木 0 9 3110 0 0 543 0 913 4575 68.0﹪
道路 602 1241 202 1141 43 180 278 0 3687 30.9﹪
建築物 430 186 23 1399 3630 78 1159 0 6895 52.6﹪
草地 1 196 65 9 2 461 0 26 760 60.7﹪
裸露土壤 0 0 0 260 493 0 1246 0 1999 62.3﹪
森 林 0 15 3120 0 0 1677 0 5116 9228 51.5﹪
合計 9344 1952 6731 2811 4168 2939 2683 6055 36683
地面參考真值 (reference data)
使用者精度 88.9﹪ 15.6﹪ 46.2﹪ 40.6﹪ 87.1﹪ 15.7﹪ 46.4﹪ 84.5﹪
整體精度:63.5﹪ kappa 指標:56.6﹪ kappa 指標變異數:11.5011 e-06
60
表 5-5 原始影像加入 NDVI 及 RVI 特徵值使用倒傳遞網路分類法誤差距陣分析表 分類成果(classification)
類別 水 稻田 樹木 道路 建築物 草地 裸露土壤 森林 合計 生產者精度
水 5570 2739 0 0 0 0 0 0 8309 67.0%
稻田 0 297 212 12 0 0 9 0 530 56.0%
樹木 0 5 3454 0 0 386 0 730 4575 75.5﹪
道路 127 1426 425 701 40 75 893 0 3687 19.0﹪
建築物 228 214 49 751 3651 40 1962 0 6895 53.0﹪
草地 0 195 101 8 2 403 3 48 760 53.0﹪
裸露土壤 0 0 0 16 538 0 1445 0 1999 72.3﹪
森 林 0 6 3925 0 0 136 0 4630 9228 46.6﹪
合計 5929 4882 8166 1488 4231 2271 4312 5408
地面參考真值 (reference data)
使用者精度 94.01﹪ 6.1﹪ 42.3﹪ 47.1﹪ 86.3﹪ 17.7﹪ 33.5﹪ 85.6﹪
整體精度:54.9﹪ kappa 指標:47.6﹪ kappa 指標變異數:10.7570e-06
61
表 5-6 原始影像使用最大概似法分類法誤差距陣分析 分類成果(classification)
類別 水 稻田 樹木 道路 建築物 草地 裸露土壤 森林 合計 生產者精度
水 8279 0 0 6 24 0 0 0 8309 99.6%
稻田 0 489 1 32 0 4 4 0 530 92.3%
樹木 0 13 4029 7 0 122 0 404 4575 65.3﹪
道路 0 766 0 2105 71 437 308 0 3687 57.1﹪
建築物 0 97 0 1476 3919 68 1335 0 6895 56.8﹪
草地 0 139 59 60 2 482 1 17 760 63.4﹪
裸露土壤 0 0 0 95 50 0 1853 0 1999 92.7﹪
森 林 0 3 508 10 2 134 0 9271 9228 93.4﹪
合計 8279 1507 4597 3971 4068 1248 3501 9692
地面參考真值 (reference data)
使用者精度 100﹪ 32.4﹪ 64.4﹪ 55.5﹪ 96.3﹪ 38.6﹪ 52.9﹪ 95.7﹪
整體精度:81.4﹪ kappa 指標:77.0﹪ kappa 指標變異數:9.6772e-06
62
表 5-7 原始影像加入 NDVI 特徵值使用最大概似法分類法誤差距陣分析表 分類成果(classification)
類別 水 稻田 樹木 道路 建築物 草地 裸露土壤 森林 合計 生產者精度
水 8277 0 0 9 23 0 0 0 8309 99.6%
稻田 0 502 2 19 0 1 6 0 530 94.7%
樹木 0 24 4093 8 0 74 0 376 4575 89.5﹪
道路 0 876 0 2330 63 162 256 0 3687 63.2﹪
建築物 0 110 4 1516 3567 32 1366 0 6895 56.1﹪
草地 0 173 74 35 2 448 2 29 760 58.6﹪
裸露土壤 0 0 0 87 35 1 1876 0 1999 93.8﹪
森 林 0 0 665 44 0 105 0 9114 9228 91.8﹪
合計 8279 1507 4597 3971 4068 1248 3501 9692
地面參考真值 (reference data)
使用者精度 100﹪ 29.8﹪ 84.6﹪ 57.6﹪ 96.9﹪ 54.3﹪ 53.5﹪ 95.7﹪
整體精度:83.2﹪ kappa 指標:79.6﹪ kappa 指標變異數:7.9978e-06
63
表 5-8 原始影像加入 NDVI 及 RVI 特徵值使用最大概似法分類誤差距陣分析表 分類成果(classification)
類別 水 稻田 樹木 道路 建築物 草地 裸露土壤 森林 合計 生產者精度
水 8286 0 0 9 14 0 0 0 8309 99.7%
稻田 0 489 12 18 0 0 11 0 530 92.3%
樹木 0 23 4094 2 0 23 0 433 4575 89.5﹪
道路 1 676 3 2490 103 80 334 0 3687 67.5﹪
建築物 0 63 9 1317 4061 17 1428 0 6895 58.90﹪
草地 0 172 95 29 2 370 2 90 760 48.7﹪
裸露土壤 0 0 0 47 26 0 1926 0 1999 96.3﹪
森 林 0 1 506 23 0 29 0 9369 9228 94.4﹪
合計 8287 1424 4719 3935 4206 519 3701 9892
地面參考真值 (reference data)
使用者精度 99.99﹪ 34.3﹪ 86.8﹪ 63.3﹪ 96.6﹪ 71.3﹪ 52.0﹪ 94.7﹪
整體精度:84.7﹪ kappa 指標:81.4﹪ kappa 指標變異數:7.5010e-06
64
5-4 Z-test
以本試區不同分類方法所得之 kappa 值做 Z-test,比較不同分類方 法之差異性,表 5-9 為不同分類方法之 kappa 指標及其 kappa 指標變 異數,表 5-9 顯示在本研究影像中,原始光波加入 NDVI 及 RVI 應用 最大概似分類法表現最好,而原始光波加入 NDVI 及 RVI 應用倒傳遞 網路分類法是六種不同方法中精度表現最差的分類方法。
表 5-9 為不同分類方法之 kappa 指標及其 kappa 指標變異數表 分類方法 kappa 指標 kappa 指標變異數
方法一 0.564 1.18726E-05 方法二 0.566 1.15011E-05 方法三 0.476 1.0757E-05 方法四 0.77 9.6772E-06 方法五 0.796 7.9978E-06 方法六 0.814 7.5010E-06
表 5-10 為不同分類方法比較顯著性測驗的結果。其中若 Z 值小於 1.96 時,其差異不具有顯著性,可將兩種方法視為同一種方法;Z 值介於 1.96~2.63 時,則其差異具有顯著性;若 Z 值大於 2.63 時,則差異為 極顯著。由表 5-10 的結果顯示方法一與方法二的 Z 值檢定未超過門檻 值 1.96(95﹪信賴區間),表示兩者沒顯著的差異,似乎意味著採用倒 傳遞網路分類法時有無加入 NDVI 值來對影像分類並無顯著差異;其 餘方法對中,皆表現出有顯著差異,而方法三與方法五為差異性最大,
若對照表 5-10,則就本研究實驗數據來說,應用最大概似分類法,可 以得到較佳的成果。
65
表 5-10 為不同分類方法比較顯著性測驗的結果
Z-test 方法一 方法二 方法三 方法四 方法五 方法六 方法一 0.414 18.499 44.376 52.046 56.798 方法二 19.076 44.329 52.086 56.892 方法三 65.038 73.891 79.102
方法四 6.184 10.616
方法五 4.572
方法六
方法一:倒傳遞網路分類法(原始光波)
方法二:倒傳遞網路分類法(原始光波+NDVI) 方法三:倒傳遞網路分類法(原始光波+NDVI+RVI)
方法四:最大概似法(原始光波) 方法五: 最大概似法(原始光波+NDVI)
方法六:最大概似法(原始光波+NDVI+RVI)
66