遙測分類結果之綜合評估

本研究採用非監督式分類法(K-Means)、監督式分類法(Maximum Likelihood) 與分層篩選分類法(Sifter)三種分類方法，總計進行二十二組分類實驗，所有分類 實驗之結果於本節進行綜合評估，選取最適合用於解析台南市ISA 之數據，以利 進行繪製台南市都市ISA 數值圖的工作。

一、

本研究的目的在於應用衛星遙測技術繪製台南市ISA 數值地圖，以更有效、

更細膩的方法解析台南市ISA。本節的目的為根據遙測分類結果，藉由各項評估 指標之綜合評估，選取最佳的分類結果，進行繪製台南市ISA 數值地圖的工作。

二、

在擬定綜合評估原則之前，需先釐清影響ISA 之因素。ISA 之結構關係主要 由不透水與透水地表類別之比例關係所構成，在遙測分類的項目中，本研究將不 透水地表分成建築物類與路面類，將透水地表分成裸露地類、植被類與水體類，

而無法被分類的地表則歸類為未分類，詳細內容請參閱第二章第二節之內容。關 於各種ISA 數值計算的方法與定義，亦請參閱第二章第二節之內容，其中遙測 ISA 之計算方式如下如示：

Š 遙測ISA(%)＝影像分類不透水面面積 / (影像面積－未分類面積) × 100%

由於無法判定未分類部分之透水性，因此，在計算ISA 時，並不將未分類部

Kmeans_C05 Kmeans_C10 Kmeans_C15 Kmeans_C20 Kmeans_C25 Kmeans_C30 Kmeans_C35 Kmeans_C40 Kmeans_C45 Kmeans_C50 Max_C01 Max_C02 Max_C03 Max_C04 Max_C05 Max_C06 Max_C07 Max_C08 Max_C09 Max_C10 Sifter_C01 Sifter_C02

分類實驗

第三章 遙測分類結果之解析

表 3-1 分類結果綜合評估表

分類實驗 適合度 (α) △ISA (%) 分類純度 (%) 整體精準度 (%) Kappa 值 未分類率 (%) 台南市ISA (%)

Kmeans_C05 0.00 4.76 18.30 18.30 -0.01 0.00 40.52

Kmeans_C10 0.00 25.20 50.47 50.47 0.38 0.00 42.95

Kmeans_C15 0.00 13.56 64.29 64.29 0.53 0.00 37.29

Kmeans_C20 0.04 -2.32 72.85 72.85 0.64 0.00 24.89

Kmeans_C25 0.16 1.26 56.66 56.66 0.43 0.00 30.37

Kmeans_C30 0.03 11.38 50.36 50.36 0.37 0.00 39.28

Kmeans_C35 0.00 13.55 56.56 56.56 0.44 0.00 32.21

Kmeans_C40 0.40 8.69 52.11 52.11 0.38 0.00 28.40

Kmeans_C45 0.35 1.42 52.90 52.90 0.39 0.00 23.02

Kmeans_C50 0.04 13.39 52.32 52.32 0.39 0.00 37.65

Max_C01 0.00 -4.83 67.11 67.11 0.53 0.00 23.92

Max_C02 0.00 -5.51 64.39 64.39 0.49 0.00 22.05

Max_C03 0.00 -2.92 61.32 61.32 0.45 0.00 21.68

Max_C04 0.00 0.88 67.86 67.86 0.55 0.00 26.02

Max_C05 0.00 0.69 65.79 65.79 0.53 0.00 25.61

Max_C06 0.00 1.58 65.85 65.85 0.53 0.00 26.75

Max_C07 0.00 0.69 66.17 66.17 0.53 0.00 25.34

Max_C08 0.00 3.25 66.02 66.02 0.54 0.00 30.32

Max_C09 0.00 1.87 65.93 65.93 0.53 0.00 28.57

Max_C10 0.01 3.28 66.98 66.98 0.55 0.00 29.70

Sifter_C01 0.22 -3.74 85.80 75.91 0.68 12.88 27.46

Sifter_C02 0.93 -2.04 80.69 69.35 0.61 15.40 30.80

平均數 0.10 5.76 61.40 60.43 0.48 1.29 29.76

標準差 0.22 6.16 13.29 11.95 0.14 4.18 6.19

最大值 0.93 25.20 85.80 75.91 0.68 15.40 42.95

最小值 0.00 0.69 50.36 50.36 0.37 0.00 21.68

最佳結果 Sifter_C02 Max_C05 Sifter_C01 Sifter_C01 Sifter_C01 - -說明： 關於△ISA (%)欄位之平均數、標準差與最小值之計算，計算值母數皆取△ISA之絕對值

Š 查閱監督式分類法(Maximum Likelihood)十次分類實驗結果可知，適合度(α) 呈現普遍偏低，最大值為0.01；ΔISA 值在訓練水準三至十的實驗(Max_C03~

Max_C10)，ΔISA 之絕對值皆可低於 3.28%以下。上述情形，說明了監督式 分類法(Maximum Likelihood)對於掌握適合度(α)之成效不佳，但當實驗訓 練水準在水準三以上時，ΔISA 之絕對值有明顯偏低(≦3.24%)的情況。

Š 查閱分層篩選分類法(Sifter)兩次實驗結果可知，雖然第一次實驗之適合度 (α)僅達到 0.22，經「查核結果再訓練」的程序，本研究將適合度(α)之目 標設定在0.85，第二次實驗結果之適合度(α)可立即提升至 0.93；而第一次 實驗ΔISA 之絕對值為 3.72%，在第二次實驗時，亦可有效降低至 2.04%。

上述情形說明了分層篩選分類法(Sifter)在透過「查核結果再訓練」的程序之 後，可有效提升適合度(α)與降低ΔISA 之絕對值。

Š 原則一之綜合評估：

分層篩選分類法(Sifter)，透過「查核結果再訓練」程序的實驗結果，較非監 督式分類法(K-Means)與監督式分類法(Maximum Likelihood)，可有效控制各遙測 分類別之比例關係近似於調查歸類別之比例關係，亦有效降低ΔISA 之絕對值。

(二) 分類純度、整體精準度與 Kappa 值

Š 查閱非監督式分類法(K-Means)十次分類實驗結果可知，由於未分類比值為 零，因此分類純度等於整體精準度。而分類純度、整體精準度與Kappa 值三 者之變化趨勢相似，皆呈現不規則的變化，分類純度與整體精準之最大值皆 為72.86%，Kappa 值之最大值為 0.64。

Š 查閱監督式分類法(Maximum Likelihood)十次分類實驗結果可知，由於未分 類比例為零，因此分類純度等於整體精準度。而分類純度、整體精準度與 Kappa 值三者之變化趨勢相似，皆呈現平緩的趨勢，分類純度與整體精準之 最大值皆為67.86%，Kappa 值之最大值為 0.55。

Š 查閱分層篩選分類法(Sifter)兩次實驗結果可知，第一次實驗之分類純度為 85.80%，整體精準度為 75.91%，Kappa 值為 0.68，三項皆高於非監督式分 類法(K-Means)與監督式分類法(Maximum Likelihood)的同項目的極大值；經 過「查核結果再訓練」的程序之後，第二次實驗結果之分類純度為80.69%，

整體精準度為69.35%，Kappa 值為 0.61，皆低於第一次實驗之結果，分類 純度仍高於非監督式分類法(K-Means)與監督式分類法(Maximum Likelihood) 的結果，由於受到未分類比例的增加的影響，整體精準度與Kappa 值皆略低 於其他兩類分類法。

Š 原則二之綜合評估：

分層篩選分類法(Sifter)較非監督式分類法(K-Means)與監督式分類法

(Maximum Likelihood)，可有效達到高分類純度；而分層篩選分類法之結果因受 到未分類比例增加的影響，整體精準度與Kappa 值皆略低於其他兩種分類方法。

第三章 遙測分類結果之解析

(三) 未分類率

Š 非監督式分類法(K-Means)與監督式分類法(Maximum Likelihood)之實驗操 作變因為分類別數，由於分類數過多，如Kmeans_C10 之細分類達到 50 類 之多，設定各分類門檻值將造成實驗過於複雜，因此皆採用預設狀態值，導 致分類結果中之未分類率皆為零。

Š 分層篩選分類法(Sifter)第一次實驗結果之未分類率為 12.88%，符合本研究 假設之合理上限值20%；在進行查核結果再訓練的程序時，則將未分類率設 定在15% ，而第二次實驗結果之未分類率為 15.40%，亦符合本研究假設合 理上限值。

Š 原則三之綜合評估：

分層篩選分類法(Sifter)可透過「查核結果再訓練」的程序，將未分類率壓制 在假設之預設的上限值20%以下。

(四) 小結

分層篩選分類法(Sifter)透過「查核結果再訓練」的程序，可較非監督式分類 法(K-Means)與監督式分類法(Maximum Likelihood)，有效控制各遙測分類別之比 例關係近似於調查歸類別之比例關係，同時達到高分類純度之原則。而留設適當 的未分類率，亦可有效提升適合度與分類純度，同時降低ΔISA 之絕對值。根據 以上綜合評估，決定採用分層篩選分類法(Sifter)之分類實驗結果。

分層篩選分類法(Sifter)可藉由適合度(α)、ΔISA、分類純度、整體精準度、

Kappa 值與未分類率等評估指標，利用「查核結果再訓練」的程序，使分類資料 符合遙測分類三原則。

根據遙測三原則之綜合評估結果，決定採用Sifter_C02 分類實驗之結果，繪 製台南市ISA 數值圖。