第四章 研究成果
二、 寫入屬性資訊
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第四章 研究成果
第一節 第一階段崩塌地向量圖層
一、 製作訓練資料
(一) 人工選取各類別的訓練物件集
樣本集的資訊描述如下：共選取崩塌地、陰影下的崩塌地、厚雲、薄 雲、與陰影下的植被等五類別的樣本，各類別樣本數均為 500，樣本型態 為影像物件─2500 個訓練物件來自於 20 張不同時間與地點的未糾正 2 公 尺空間解析度 DMC 航空影像，影像分割技術為多重解析度分割法。20 張 訓練用影像的曝光位置如圖 4-1 所示；產生各類別訓練物件的影像分割尺 度參數如表 4-1 所示，其餘分割參數一致：光譜異質性權重=0.9、各波段 等權、緊密度異質性權重=0.5，各數值由試誤法決定。訓練資料的製作流 程如圖 4-2 所示。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-1 20 張訓練用影像的曝光位置(綠色)
表 4- 1 產生各類別訓練物件的影像分割尺度參數
類別名稱 尺度參數 說明
崩塌地 100 由於同一尺度參數下，
陰影區物件的尺寸明顯 較大，故以較小的尺度 參數生成「陰影下的崩 塌地」與「陰影下的植 被」兩類別的訓練物 件。
陰影下的崩塌地 50
厚雲 100
薄雲 100
陰影下的植被 50
‧
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-4 歷史資料於訓練用影像的反投影成果(1)
圖 4-5 歷史資料於訓練用影像的反投影成果(2)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-6 以歷史資料反投影成果為「主題圖層」、參與訓練用影像之分割
圖 4-7 搜尋「與反投影成果交集程度大於自訂閾值」的物件
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-8 將「與反投影成果交集程度大於自訂閾值」的物件指派為崩塌地
表 4- 2 以歷史資料製作崩塌地訓練物件的優缺點 優
點
降低人工判釋影像的不確定性：
若歷史資料反投影成果近似於訓練用影像上崩塌地的位置，可以此為 參與訓練用影像之分割的「主題圖層」(圖 4-6)，並以「與反投影成 果交集程度大於自訂閾值」的物件為「崩塌地」訓練物件(圖 4-7、4-8)─並根據光譜特徵，由其中劃分出「陰影下的崩塌地」訓練物件。
缺 點
直接使用反投影成果的風險如下：
○1 反投影成果的品質受訓練用影像的外方位參數精度(POS 的定位定 向精度)、與歷史資料的位置精度(其來源影像的空間解析度)所影響。
○2 反投影成果落於訓練用影像的雲覆蓋區(圖 4-4)。
○3 歷史資料與訓練用影像時間不一致─此期間內的地形、地覆變化。
二、 訓練資料的統計分析
於分類規則集的人工訂定，對於難依常識設計辨別規則的類別組合 (一「目標類別」與一「易混淆類別」的組合)，若訓練資料的品質許可(近 似常態分布)，可由各類別樣本集的各項物件特徵值統計值，識別於各二
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
元分類具代表性的物件特徵；再由該項物件特徵值統計值─或計算二分門 檻值，或指定各類別的模糊區間。
本研究嘗試以 SEaTH 演算法輔助「崩塌地、厚雲」、「崩塌地、薄 雲」、「陰影下的崩塌地、薄雲」、與「陰影下的崩塌地、陰影下的植被」
等四類別組合的辨別規則設計。
以類別組合「崩塌地、厚雲」為例：
1. 表 4-3 為其 SEaTH 分析成果與訓練資料統計數據。「NIR 標準 差」、「R 標準差」與「多光譜影像的全方向 GLCM 相關性」為 分離度指標值(Jeffries-Matusita 距離)相對最大的三項物件特徵。
於第一 SEaTH 物件特徵「NIR 標準差」，其最適門檻值為 55.13
─特徵值小於此值之物件、可判定為厚雲；大於此值之物件、可 判定為崩塌地。然其分離度不過 1.0094，就「全域為 0 至 2，2 表完全分離」而言並不理想。觀兩類別樣本集特徵值分布曲線的 偏態係數與峰度，可知「崩塌地」樣本集的特徵值分布曲線、與 常態分布曲線的差異頗大(偏態係數與峰度值均偏離 0)。此違反 SEaTH 演算法的基本假設，門檻值 55.13、甚至此項物件特徵本 身的代表性地位均未必可靠；此時「某類別樣本集中，約 95%之 樣本─其於某項特徵之值落於該項特徵之樣本平均值加減二倍樣 本標準差的區間」亦不為真。
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
可知類別樣本集的多項物件特徵值分布曲線呈非常態分布，或雖近常態分 布，但該物件特徵於類別組合的二元分類仍未具足夠的分離度。是以本研 究放棄以類別樣本集的物件特徵值統計值輔助規則集之訂定，轉向機器學 習分類器之訓練。
表 4- 4 類別組合「崩塌地、薄雲」
特徵 分離度 門檻值 類別 Skew. Kurt. Mean Std.
R 標準差
1.0464 47.23 薄雲
1.29 3.85
26.90 10.32 崩塌地1.78 4.09
79.42 63.05 G標準差
0.8925 52.82 薄雲
1.39 4.57
31.10 12.03 崩塌地1.63 3.40
74.36 57.10 NIR標準差
0.8839 63.99 薄雲
1.00 1.33
37.10 15.48 崩塌地1.39 2.39
95.12 61.57圖 4-10 「崩塌地、薄雲」樣本於前兩大 SEaTH 物件特徵的特徵值分布
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 4- 5 類別組合「陰影下的崩塌地、薄雲」
特徵 分離度 門檻值 類別 Skew. Kurt. Mean Std.
B 標準差
1.0339 25.06 暗崩塌
1.48 3.20
14.26 6.58 薄雲1.21 3.41
40.32 16.41 G標準差
0.8076 21.50 暗崩塌
1.82 4.87
12.22 7.19 薄雲1.39 4.57
31.10 12.03 NIR均值
0.7575 453.92 暗崩塌
0.31 0.12
312.91 103.84 薄雲0.30 -0.42
593.72 208.54圖 4-11 「陰影下的崩塌地、薄雲」的 SEaTH 特徵值分布
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 4- 6 類別組合「陰影下的崩塌地、陰影下的植被」
特徵 分離度 門檻值 類別 Skew. Kurt. Mean Std.
stdNIR /stdB
0.7940 2.74 暗崩塌
2.17 7.38
1.55 0.75暗植被
1.67 3.40
3.94 2.31stdNIR /stdR
0.7710 3.75 暗崩塌
2.82 12.35
2.05 1.17暗植被
1.11 1.09
5.47 2.78stdNIR /stdG
0.6263 3.12 暗崩塌
2.65 10.34
1.91 1.01暗植被
0.80 0.22
1.15 1.77圖 4-12 「陰影下的崩塌地、陰影下的植被」的 SEaTH 特徵值分布
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
三、 建立基於訓練資料的分類器
(一) 待分類影像分割：多重解析度分割法的參數設定
式 4-1 為詹鈞評(2012)建立的尺度參數初始值的經驗式，GSD 為待分 割影像的地面取樣距離(Ground Sample Distance)，單位為公尺。
Scale parameter = GSD50 --- (4- 1) 依據式 4-1，設定 2 公尺空間解析度影像的尺度參數初始值為 25 (其 餘分割參數由試誤法決定：光譜異質性權重=0.9、各波段等權、緊密度異 質性權重=0.5)，初步分割成果如圖 4-13 所示。由圖 4-13 可以發現：由於 陰影區一致偏暗，光譜異質性權重大(0.9)時，該區的合併成本較不易超過 尺度參數，故合併次數較多、物件尺寸較大，且此時陰影下不同類別的分 離情形頗佳；非陰影區則有過度分割之虞。
圖 4-13 初步分割成果(尺度參數=25)
‧
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-14 製作非植被向量圖層
(二) 特徵選擇演算法
首先以 KNN 為例，探討特徵選擇於非參數式機器學習分類器分類精 度的影響。以 KNN 為代表的原因為：此分類器於「各特徵等權」的設定 下，計算待分類物件與樣本的特徵空間距離─無代表性特徵之摻雜將降低 此特徵空間距離的可信度。
依據收集自 20 張訓練用影像的訓練資料，本研究分別測試隨機森林 與 CFS 兩特徵選擇演算法，比較特徵選擇前後、10 張測試用影像的 KNN 輸出資料於「非雲與植被區」的辨識精度(Kappa)，如表 4-9。其中 CFS 的 整體表現較佳，故以 CFS 提取的特徵子集、為各非參數式機器學習分類
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 4- 9 特徵選擇與 KNN 輸出資料之 Kappa 值(%)
單張測試用影像 整體表現
1 2 3 4 5 6 7 8 9 10 Mean Std.
KNN 70 68 71 92 72 86 73 68 76 92 76.6 9.6 RF+KNN 75 57 70 96 71 96 75 55 84 93 77.17 14.78
CFS+KNN
73 60 77 95 74 93 79 72 77 93 79.34 11.1610 張測試用影像的曝光位置、影像外觀與光譜資訊，分別如圖 4-15、圖 4-16 至 4-20、與表 4-10 所示；兩特徵選擇方法提取的特徵子集列 舉於表 4-11。其中，隨機森林由於其隨機之特性，提取的特徵子集次次不 同─即各測試用影像執行分類器 RF+KNN 時，特徵空間的各維度不盡相 同(特徵子集大小約為 11~14 個)─表中所列僅為一例。
圖 4-15 10 張測試用影像的曝光位置(藍色)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-16 測試用影像 1 (左)、2 (右)
圖 4-17 測試用影像 3 (左)、4 (右)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-18 測試用影像 5 (左)、6 (右)
圖 4-19 測試用影像 7 (左)、8 (右)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-20 測試用影像 9 (左)、10 (右)
表 4- 10 10 張測試用影像的光譜資訊 影
像
Blue Green Red Near Infrared Mean Std. Mean Std. Mean Std. Mean Std.
1 606.58 271.84 632.12 215.16 601.37 204.43 1065.39 350.75
2 599.58 509.63 416.22 366.70 313.93 299.38 671.99 419.26
3 587.99 313.08 449.41 239.46 344.88 306.47 682.70 229.73
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
4 578.76 296.18 600.09 261.84 592.47 267.95 989.82 385.96
5 527.19 205.70 543.37 219.34 496.33 219.79 1341.86 749.51
6 604.61 165.17 419.16 142.84 297.97 137.98 754.44 270.04
7 477.66 256.47 370.08 275.28 301.80 226.21 476.22 286.57
8 519.90 452.47 416.99 372.60 345.99 311.39 523.46 314.57
9 669.53 194.85 472.51 163.68 344.99 148.41 620.51 190.36
10 616.92 240.57 433.82 234.82 292.43 217.55 1139.41 588.54
‧
‧
CFS +SVM-RBF 核函數 (CFS+SVMRBF)
(C, σ)=(2, 0.25)
多元分類策略：一對一
L1-penalized SVM-線性核函數 (L1-SVML)
‧
精度(Kappa)。其中，分類器「CFS+SVML」與「CFS+SVMRBF」的整體表 現較佳。本研究以「CFS+SVML」為輸出第一階段崩塌地向量圖層的物件‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-22 測試用影像 1 的 CFS+SVML輸出資料
圖 4-23 測試用影像 2 的 CFS+SVML輸出資料
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-24 測試用影像 3 的 CFS+SVML輸出資料
圖 4-25 測試用影像 4 的 CFS+SVML輸出資料
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-26 測試用影像 5 的 CFS+SVML輸出資料
圖 4-27 測試用影像 6 的 CFS+SVML輸出資料
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-28 測試用影像 7 的 CFS+SVML輸出資料
圖 4-29 測試用影像 8 的 CFS+SVML輸出資料
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-30 測試用影像 9 的 CFS+SVML輸出資料
圖 4-31 測試用影像 10 的 CFS+SVML輸出資料
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二節 第二階段崩塌地向量圖層
一、 地理對位：光線追蹤法
如圖 4-32，對位後第一階段崩塌地向量圖層中的大部分物徵、與崩塌 地歷史資料大致吻合，推定以現存資料執行光線追蹤法為合理、可行的作 法。
圖 4-32 地理對位成果(紅框)與歷史資料(粉紅底)
二、 以地形條件過濾誤判的物件
由於河道、建物、道路等類別未經訓練，分類器將誤判此等類別之物 徵為崩塌地。是以第一階段崩塌地向量圖層經地理對位後，由現存地形資
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-33 崩塌地「崩塌方向」的不合理區間(鄭智仁，2010)
本研究承襲此經驗，視「崩塌方向位於不合理區間、且長寬比>3」且 坡度>17∘的物徵為陡坡處的道路，予以濾除。其中，對位後物徵為向量 式資料，然「主軸方向」(崩塌方向的自變數)與「長寬比」為影像物件的 物件特徵，由物件內像元的空間分布所定義；是故，「向量式資料網格 化」應為特徵值計算的前置程序。為加速地形篩選的作業流程，本研究使 用商用軟體 ArcGIS 所提供的、產出「向量式資料中各物徵之最小寬邊包 圍矩形」的功能(圖 4-34)，分別以各物徵最小寬邊包圍矩形的「長邊方向 角」與「長寬邊比值」替代主軸方向與長寬比。
圖 4-34 物徵的「最小寬邊包圍矩形」
‧
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
1、6、7、9、10 的執行成效。各影像的「影像坐標版」第二階段崩塌地向 量圖層如圖 4-37 至 4-41 所示(左為待分類影像；右為準則濾除之物徵(黃 色)、與通過篩選之物徵(紅色))，各項精度如表 4-16 所示。各影像的第一 階段崩塌地向量圖層經準則過濾後，生產者精度略降、而使用者精度上 升，且除影像 10 外 Kappa 值均上升。其中，影像 1、7、9 的使用者精度 雖上升，然仍未達水準(43.84%、45.74%、45.32)，於影像 1、7 應為第一 階段「雲層邊緣」的誤判、而於影像 9 應為「陡坡處建物」與「河道淤 積」的誤判所致。
圖 4-37 測試用影像 1「影像坐標版」第二階段崩塌地向量圖層(紅色)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-38 測試用影像 6「影像坐標版」第二階段崩塌地向量圖層(紅色)
圖 4-39 測試用影像 7「影像坐標版」第二階段崩塌地向量圖層(紅色)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖 4-40 測試用影像 9「影像坐標版」第二階段崩塌地向量圖層(紅色)
圖 4-41 測試用影像 10「影像坐標版」第二階段崩塌地向量圖層(紅色)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
表 4- 16 地形特徵過濾前後、資料的崩塌地辨識精度(%) 生產者精度 使用者精度 Kappa
影像 1
第一階段 96.57 21.98 27.95 第二階段
89.87 43.84 54.86
影像 6
第一階段 94.45 22.43 30.56 第二階段
90.53 85.04 87.02
影像 7
第一階段 89.27 23.98 32.05 第二階段
85.64 45.74 56.59
影像 9
第一階段 98.97 1.78 1.98 第二階段
98.97 45.32 61.76
影像 10
第一階段 93.96 95.03 93.97 第二階段
85.12 96.24 89.48
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第三節 航拍任務崩塌地向量圖層
一、 依「未糾正航空影像的拍攝日期」合併
一、 依「未糾正航空影像的拍攝日期」合併