結果與分析討論

為探究模型自我測試階段與導入實證區其它 區塊之影像進行實際應用之間的關聯性，本研究在 將實證區其他區域之影像導入模型進行影像物件 分類後，回頭觀察模型自我測試的評估階段，在誤 差矩陣圖當中很明顯的可以觀察到有三個類別分 類錯誤狀況較為顯著：

(1) 實際地貌：漂流木及垃圾 分類結果：石頭

(2) 實際地貌：石頭

分類結果：漂流木及垃圾 (3) 實際地貌：石頭

分類結果：海水及其他被濕潤表面

本研究的所有資料皆為原始資料，為實證隨機 森林分類器及極限樹分類器之間對於原始圖資的 分類成效，並無事先進行資料分析以篩除雜訊。第 一類分類錯誤的情況多出現在漂流木及垃圾物件 主體的中心紋理區塊；第二類分類錯誤的情況多出 現在石頭邊緣色差及陰影的部分，以上這兩類分類 錯誤的情況都可以透過資料分析進行雜訊篩除來 改善。而第三類分類錯誤的情況在海岸地形上多為 常見，由於濕潤表面及乾燥表面的石頭的影像資料 極為相似，在轉換為向量資料後數值也相當接近，

因此在石頭及岩石的分類訴求上主要為可以明確 判斷該物件是否為石頭或是海水為主，邊緣的界定 上較為模糊。

劉奕洋、萬絢: 基於整體學習演算法於航攝正射影像之物件分類探索-以海岸廢棄物為例 189

圖 5 使用極限樹分類器建構出的模型實證區其它區塊之影像物件分類的主題圖 在本研究將模型套用到實證區其它區塊之影

像的分類上產出主題圖後，分類錯誤的情況更被凸 顯出來，在模型自我測試階段產出之誤差矩陣表當 中兩者差距較不明顯，在這階段則可以體現出極限 樹分類器所建構出模型之優勢所在。可以很明顯的 看出使用極限樹分類器所建構出之模型對於實證 區其它區塊之影像的分類上，第一類及第二類的分 類錯誤狀況較使用隨機森林分類器所建構出之模 型少。而比較值得關注的是隨機森林分類器所建構 出之模型在石頭邊緣的處理上出現部分誤判為草 地的狀況，這點在使用極限樹分類器所建構出之模 型上並沒有出現，故極限樹演算法的設計邏輯更適 合應用在未去除雜訊的原始資料中。

而本研究也對兩種演算法進行較底層原理之 研究，隨機森林演算法在設計上，是藉由 Bagging 裝袋算法從訓練樣本中隨機取出 N 個樣本，再將這 N 個樣本導入至決策樹中訓練出 N 個分類器，換句 話說即是有可能在多次的隨機取出樣本過程當中，

幾乎都是雜訊偏多的狀況，導致最終匯總所有決策 樹的結果進行投票時，因雜訊佔比高而有多數的物 件被錯誤分類。在導入同個實證區當中測試資料組 的準確度評估時，由於區域影像及地貌雷同，故無 法及時明顯的反應出錯誤分類的情況。

而極限樹演算法本身就較無這種困擾，因為該 演算法在訓練其每一棵決策樹時都是使用完整的 資料集進行訓練，只是自上而下的分裂點是隨機的，

190 航測及遙測學刊 第二十六卷 第三期 民國 110 年 9 月 hyperspectral data and random forest classifier for flower mapping, Remote Sensing, 7(10): 13298–

13318.

Ballanti, L., Blesius, L., Hines, E., and Kruse, B., 2016.

Tree species classification using hyperspectral imagery: A comparison of two classifiers, Remote Sensing, 8(6): 445, DOI:10.3390/rs8060445.

Breiman, L., 1996. Bagging predictors, Machine Learning, 24(2): 123–140.

Cutler, A., Cutler, D.R., and Stevens, J.R., 2012.

Random forests, In: Ensemble Machine Learning:

Methods and Applications, Zhang, C., and Ma, Y.

(Eds.), Springer, Boston, MA, USA, pp. 157–175.

Feng, Q.L., Liu, J.T., and Gong, J.H., 2015. UAV remote sensing for urban vegetation mapping using random forest and texture analysis, Remote Sensing, 7(1): 1074–1094.

Guo, C.H., Liu, M.C., and Lu, M.L., 2021. A Dynamic Ensemble Learning Algorithm based on K-means for ICU mortality prediction, Applied Soft Computing, 103: 107166, DOI:

10.1016/j.asoc.2021.107166.

Luo, Y.Y., Alvarez, T.L., Halperin, J.M., and Li, X.B., 2020. Multimodal neuroimaging-based prediction of adult outcomes in childhood-onset ADHD using ensemble learning techniques, NeuroImage:

Clinical, 26: 102238, DOI:

10.1016/j.nicl.2020.102238.

Nero., 2018. Hello world machine learning [Web blog message], Available at:

https://nerocube.github.io/2018/11/16/hello-world-ml/, Accessed November 1, 2020.

Peng, T., Chen, X.Y., Wan, M., Jin, L.Z., Wang, X.F., Du, X.J., Ge, H., and Yang, X., 2021. The prediction of hepatitis E through ensemble learning, International Journal of Environmental Research and Public Health, 18(1): 159, DOI:

10.3390/ijerph18010159.

劉奕洋、萬絢: 基於整體學習演算法於航攝正射影像之物件分類探索-以海岸廢棄物為例 191

Tripepi, G., Heinze, G., Jager, K.J., Stel, V.S., Dekker, F.W., and Zoccali, C., 2013. Risk prediction models, Nephrology Dialysis Transplantation, 28(8): 1975-1980.

Wan, S., Lei, T. C., and Chou, T. Y., 2010. A novel data mining technique of analysis and classification for landslide problems, Natural Hazards, 52(1): 211–

230.

Wan, S., Lei, T.C., and Chou, T.Y., 2012. A landslide expert system: Image classification through integration of data mining approaches for multi-category analysis, International Journal of Geographical Information Science, 26(4): 747–

770.

Wang, Z., Chen, L.L., Zhang, J., Yin, Y.C., and Li, D.D., 2020. Multi-view ensemble learning with empirical kernel for heart failure mortality

prediction, International Journal for Numerical Methods in Biomedical Engineering, 36(1): e3273, DOI: 10.1002/cnm.3273.

Wu, H.H., Zhang, H.Y., Karwath, A., Ibrahim, Z., Shi, T., Zhang, X., Wang, K., Sun, J.X., Dhaliwal, K., Bean, D., Cardoso, V.R., Li, K.Z., Teo, J.T., Banerjee, A., Gao-Smith, F., Whitehouse, T., Veenith, T., Gkoutos, G.V., Wu, X.D., Dobson, R., and Guthrie, B., 2021. Ensemble learning for poor prognosis predictions: A case study on SARS-CoV-2, Journal of the American Medical Informatics Association : JAMIA, 28(4): 791–800.

Zhang, J., Liu, W., and Gruenwald, L., 2008. A successive decision tree approach to mining remotely sensed image data, In: Data Warehousing and Mining, Wang, J. (Ed.), IGI Global, Hersey, PA, USA, pp. 2978–2992.

192 航測及遙測學刊 第二十六卷 第三期 民國 110 年 9 月

1 Undergraduate Student, Department of Information Technology, Ling Tung University Received Date: Jul. 05, 2021

2 Professor, Department of Information Technology, Ling Tung University Revised Date: Sep. 01, 2021

3 Corresponding Author, E-mail: [email protected] Accepted Date: Sep. 10, 2021

The Study of Orthophoto Image Classification through Ensemble