第三章 研究材料與方法
第二節 研究方法
一、 第一階段崩塌地向量圖層
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
一、 第一階段崩塌地向量圖層
(一) 製作訓練資料
物件式分類為此階段的核心，本研究期望建立可適用於多影像的物件 式分類器，故以拍攝時間、地點各異的多影像為各類別樣本的來源─除類 別「崩塌地」外，亦收集易與之混淆的其他類別的樣本，以訓練分類器辨 別之能力。訓練類別如表 3-4。
表 3- 4 訓練類別
類別名稱 選擇原因
崩塌地 研究標的。
陰影下的崩塌地 影像中陰影下崩塌地的明亮度低，
不易辨識。
厚雲 影像中雲的明亮度高、NDVI 值
低，於此方面與崩塌地不易分辨。
薄雲
陰影下的植被 影像中陰影下植被的 NDVI 值低，
於此方面與(陰影下的)崩塌地不易 分辨。
目標為建立物件式分類器，可知訓練教材為「特定類別」物件的「物 件特徵」─備齊上述五類別的訓練物件集後，本研究計算各訓練物件於 32 項物件特徵(表 3-5)的特徵值，整合為訓練資料。
‧
光譜特徵(19 個) {B/G/R/NIR}均值、{B/G/R/NIR}標準差、明亮 度、最大差異、B/G、G/R、R/NIR、GRVI、 稱性(Asymmetry)，負值表左偏、正值表右偏，如式 3-1， 𝑛為特定類別樣
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
本數、𝑥𝑖𝐹為特定類別樣本𝑖於特徵𝐹的特徵值，𝜇𝐹、𝑠𝐹分別為特定類別樣 本集於特徵𝐹的特徵值平均值與標準差；峰度(Kurtosis)評估分布曲線的陡 峭程度，負值表平緩、正值表尖銳，如式 3-2。已知標準常態分布曲線的 偏態係數與峰度值皆為 0。
𝑠𝑘𝑒𝑤𝑛𝑒𝑠𝑠 = ∑ (
𝑥𝑖𝐹−𝜇𝐹 𝑠𝐹 )3 𝑛𝑖=1
𝑛 --- (3- 1) 𝑘𝑢𝑟𝑡𝑜𝑠𝑖𝑠 =∑ (
𝑥𝑖𝐹−𝜇𝐹 𝑠𝐹 )4 𝑛𝑖=1
𝑛 − 3 --- (3- 2) (三) 建立基於訓練資料的分類器
1. 策略一：若類別樣本集的特徵值分布曲線呈現常態分布
於規則集之建立，特徵值統計數據可為「分類規則」設計的依據
─可基於機率密度函數(圖 3-11)，以「平均值加減二倍標準差」
為 所 定 義 類 別 歸 屬 函 數 的 邊 界 值 ， 如 圖 3-12 ； 或 執 行 SEaTH(SEparability and THreshold algorithm)演算法。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-12 由類別特徵值統計值定義類別歸屬函數(詹鈞評，2012)
SEaTH 演算法的目標為：於任一「二元分類」，識別其代表性物 件特徵─即分離度(SEparability)最大之物件特徵，並計算該項物 件特徵的最適門檻值(THreshold)。其基本假設為：各類別訓練物 件集於各項物件特徵的特徵值分布曲線皆呈現常態分布。各項物 件特徵於「特定類別組合之二元分類」的分離度─由兩類別訓練 物件集於該項物件特徵的特徵值常態分布曲線的交集程度推斷而 得，如圖 3-13，量化指標為 Jeffries-Matusita 距離，全域為 0 至 2，2 表示完全分離，如式 3-3，以 J 值最大的物件特徵為該二元 分類的代表性物件特徵。兩常態分布曲線交於兩點，如圖 3-14，
以位於兩類別特徵值平均值之間者為最適門檻值，如式 3-4。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 3-13 分離度─兩常態分布曲線的交集程度(S. Nussbaum et al., 2006)
J𝐹12= 2 (1 − 𝑒−
1
8(𝑚1𝐹−𝑚2𝐹)2 2
𝜎1𝐹2 +𝜎2𝐹2 +12𝑙𝑛[𝜎1𝐹2 +𝜎2𝐹2
2𝜎1𝐹𝜎2𝐹]
) = 2(1 − 𝑒−𝐵𝐷𝐹12) -- (3- 3)
圖 3-14 門檻值─兩常態分布曲線的交點(S. Nussbaum et al., 2006)
Threshold=(𝑚2𝐹∗𝜎1𝐹2 )−(𝑚1𝐹∗𝜎2𝐹2 )±(𝜎1𝐹∗𝜎2𝐹∗A) 𝜎1𝐹2 −𝜎2𝐹2
--- (3- 4)
‧
的 特 徵選擇 (Correlation-based Feature Selection, CFS)」兩演算 法，於 32 項物件特徵中，提取於分類較重要的特徵子集，以降 低特徵空間之維度。隨機森林以名為「變數重要性(Variable Importance, VI)」的指標 衡量各項描述特徵於分類的重要程度。計算方式如下：於任一單
‧
性不確定性(Symmetrical uncertainty)」，如式 3-6 (Hall, 1999)，由 式可知，訓練資料須經離散化(Discretisation)(將連續的實數資料 轉化為名目資料)的前處理，方得以此指標衡量各項特徵與類 別、與兩兩特徵間的相關性。𝑀𝑒𝑟𝑖𝑡𝑆 = 𝑘𝛾̅̅̅̅̅𝑐𝑓
√𝑘+𝑘(𝑘−1)𝛾̅̅̅̅̅𝑓𝑓 --- (3- 5)
symmetrical uncertainty coefficient = 2.0 × [H(Y)+H(X)gain ] H(Y) = − ∑y∈Yp(y) log2(p(y))
‧
形，於 eCognition 環境執行；若為機器學習分類器，則執行環境與程序如 圖 3-16 所示。
將第一階段崩塌地向量圖層的資料精度以誤差矩陣(Error matrix)的形 式描述。誤差矩陣的概念說明如下。
‧
accuracy)如式 3-7 所示─分類地圖生產者的目標為於遙測影像「辨識」目 標類別，即「棄真」誤差 D 之最小化；使用者精度(User’s accuracy)如式 3-9。其中，𝑃𝑜稱為「整體精度(Overall accuracy)」或「觀察一致性(Observed agreement)」，如式 3-10；𝑃𝑐稱為「期望一致性(Chance agreement)」，如式 3-11。可看出：整體精度僅考量了位於誤差矩陣對角線上的正確分類的像 元數；而 Kappa 則額外考量了不在對角線上的誤判(Commission)與漏判 (Omission)的像元數，可較精確地評價分類器的預測精度。Kappa 值大於 0.8 表分類結果具高度的正確性，介於 0.4 至 0.8 表中等的信賴度，小於 0.4 則為相當低的分類精度(Landis and Koch, 1977)。Kappa =𝑃1−𝑃𝑜−𝑃𝑐
𝑐 --- (3- 9)
‧
X=XL+(Z−ZL)×m11x+m21y+m31(−f) m13x+m23y+m33(−f) Y=YL+(Z−ZL)×m12x+m22y+m32(−f) m13x+m23y+m33(−f)
--- (3- 12)