歷年變化

紅樹林的歷年擴張能力變化（時間尺度），可以透過不同年份的 航空照片判釋獲得，進而瞭解各灘地的紅樹林擴張情形。植群判釋可 以分為人工判釋與自動判釋兩種，然而人工判釋可能因為判釋人員本 身專業素養不足及人為操作錯誤，導致判釋結果的錯誤（黃凱易與張 偉顗, 1996），甚至同一張影像由不同人員進行判釋，都可能導致結果 不一致。長時間的植群變遷由於涉及大量的影像資料，倘若以人工判

釋將增加許多人力成本，且判釋誤差難以控制。自動判釋分為不需訓 練樣區的非監督式分類（unsupervised classification），抑或是需要人 為選取訓練樣區的監督式分類（supervised classification）兩種。非 監督式分類法雖然方便且迅速，但其分類成果需藉由人工進一步研判，

難以獲得令人滿意之判釋成果（施上粟, 2005）；監督式分類法需要充 分瞭解研究區域的地表覆蓋情形，藉由建立訓練樣區常能獲得品質較 優的分類成果（洪淑瑜與陳朝圳, 1995；楊龍士與周天穎, 2000）。

本研究使用ERDAS IMAGINE 8.1 搭配 ArcGIS 9，採用監督式分類 法進行植群的自動判釋。其中，影像資料為購自農林航測所之正射影 像圖，已經過幾何校正，不需額外校正。影像的自動判釋分為訓練與 分類兩個階段。訓練階段由使用者參考現場情形劃設不同地表覆蓋類 型的訓練樣區，作為影像分類時光譜資料的基礎，然後在分類階段根 據樣區的光譜特性，進行各像元的光譜形式判別（spectral pattern recognition），並決定該像元應歸屬的類別。一般常用的監督式分類 統計方法包含最短距離分類法（minimum distance classifier）、平行 管 分 類 法 （parallelepiped classifier ）、 最 大 概 似 法 （ maximum likelihood classifier）及種值搜尋法（seed-pixel searching）。

經過分類後的影像，部分像元由於解析度不佳或陰影遮蔽等因素，

可能被誤判為錯誤的屬性，本研究採用 ERDAS IMAGINE 8.1 中所提供

的群聚（clump）計算與排除（eliminate），輔以人工方式，修正這些

明顯誤判的區域。根據現地觀測的經驗，在一大片同屬性的區域內出 現少量其他屬性的地表覆蓋，這種情形的發生機率很低。實際上，一 大片泥灘地中不太可能突然出現一株或數株紅樹林。這些斑塊都可能 是誤判的結果，利用群聚計算與排除的功能可以重新定義這些斑塊的 屬性，先計算每一個像元相鄰同屬性的像元數（群聚計算），再將低 於門檻值的像元屬性更改為相鄰像元之屬性（排除）。最後，處理後 的影像再輔以人工方式修正明顯誤判的區域，提高影像判釋的精確度，

判釋流程如圖3.16 所示。

圖3.16 植群自動判釋流程圖

監督式分類 ^幾何校正

決定分類類別 航空照片

建立訓練樣區

以最大概似法 進行分類 初步分類影像

群聚計算 斑塊排除

人工修正明顯 判釋誤差 精確度評估

分類後影像 不佳

利用航照圖或現地調查 資料輔助判釋 利用航照圖或現地調查

資料輔助判釋