1 歸屬值
Feature 1 Feature 2 Samples of class
Samples of class
Samples of class orange Image
三個實驗區的檢核資料皆取自工研院能環所 於國土利用調查成果(工研院，2007)，其資料為經 外業調查後記錄於圖紙上，再經由使用相關資料輔 助進行人工判釋編修後，數化成向量檔案，通過審 查而得，第二級土地分類檢核資料如圖7 所示。本 研究檢核資料為依光譜性質將國土利用調查成果 之不同土地利用類別簡化，得久美及霧社實驗區為 五類、瑪谷溪為二類，如圖8 所示。
圖5 三實驗區之地理位置
4. 研究區域及檢核資料
分類成果檢核以逐像元方式進行，評估整幅影 像分類後之整體精度（Overall Accuracy,OA）及 Kappa 指數之滿意度；除了以各精度評估指標作為 探討各分類方法優劣主要依據外，並以Z-Test 方法 檢定各分類模式是否具有顯著差異。
分類成果如圖 9-11 及表 1-3 所示，顯示土地 覆蓋類型簡單，則所得之分類精度較高；於久美實 驗區，ECHO 及 Definiens Professional 所得精度相 較高斯最大似然法、支持向量機及倒傳遞神經網路 為佳，然於霧社實驗區，反而為支持向量機及倒傳 遞神經網路較ECHO 及 Definiens Professional 所得 精度佳；細究其中，因久美實驗區經濟活動繁盛，
故土地覆蓋類型繁雜，多為農地、林地、水體、建 物及裸露地所組成，具明顯紋理，物件導向分類法 便能發揮其效益所在；而支持向量機在求取最佳參 數組合時，因土地覆蓋類型過於複雜，故無法模擬 出最適超平面以區分類別，而使其分類成果不佳。
而霧社實驗區位置接近萬大水庫地區，地處地 屬郊區；因此，土地覆蓋類型多為林地、水體及些 許建物和裸露地所組成，故物件導向分類方法反而 不得其法；而Definiens Professional 所得成果，則 會依所設之分割參數值來決定成果優劣，故未能於 各案例中穩定保持其分類精度之優勢。
表1 不同分類理論於久美實驗區之分類成果
MLC ECHO SVM BPN D P
PA UA PA UA PA UA PA UA PA UA
農地 71.40 58.10 79.06 61.69 61.36 63.82 71.40 58.10 76.91 67.37 林地 71.75 87.83 73.84 92.63 83.66 82.99 71.75 87.83 84.16 87.94 建成及裸
露地 44.89 26.37 50.46 30.70 41.24 33.66 44.89 26.37 28.58 48.57 水體 51.17 28.89 53.23 32.46 45.91 33.49 51.17 28.89 46.95 31.33 灘地 62.26 88.23 61.75 89.43 69.37 83.31 62.26 88.23 81.01 79.79
OA 69.063 72.844 72.794 72.322 77.744
Kappa 值 0.50573 0.56772 0.54169 0.53844 0.62578
久美實驗區 霧社實驗區 瑪谷溪實驗區
圖6 不同土地覆蓋複雜度之實驗影像
(a) 久美實驗區 (b) 霧社實驗區 (c) 瑪谷溪實驗區
圖7 久美、霧社及瑪谷溪實驗區第二級土地分類圖 (外業調查日期:2006/09/5~8)
久美實驗區 霧社實驗區 瑪谷溪實驗區
圖8 各實驗區檢核資料
表2 不同分類理論於霧社實驗區之分類成果
MLC ECHO SVM BPN DP
PA UA PA UA PA UA PA UA PA UA
農地 73.06 15.54 81.92 18.44 43.64 26.08 55.55 29.92 66.17 25.12 林地 90.22 98.99 91.80 99.18 98.04 92.27 97.05 97.86 94.01 97.88 建成及裸露地 21.67 57.63 21.35 65.90 17.43 59.68 15.56 67.95 50.21 49.84 水體 88.57 98.41 89.06 98.27 94.13 97.46 95.73 96.77 95.12 97.78 灘地 44.75 25.09 26.61 20.01 32.36 43.63 38.99 38.26 30.54 61.74
OA 87.871 89.146 93.878 93.861 92.266
Kappa 值 0.74732 0.77034 0.8572 0.8591 0.8289
表3 不同分類理論於瑪谷溪實驗區之分類成果
MLC ECHO SVM BP DP
PA UA PA UA PA UA PA UA PA UA
無植被地 76.95 87.49 75.93 86.23 76.96 87.51 75.88 88.26 78.70 86.27 植被地 98.24 96.38 98.06 96.22 98.24 96.39 98.39 96.23 97.33 96.90 OA 95.306
% 95.31 % 95.01 % 95.284 % 94.759 %
Kappa 值 0.79199 0.79215 0.77896 0.78918 0.77799
MLC ECHO BPN
DP SVM
圖9 不同分類理論於久美實驗區之分類成果
MLC ECHO BPN
DP SVM
圖10 不同分類理論於霧社實驗區之分類成果
高斯最大似然法 ECHO 倒傳遞神經網路
Definiens Professional SVM
圖11 不同分類理論於瑪谷溪實驗區之分類成果 表4 各實驗區不同分類理論之 Z-test
久美實驗區 ECHO SVM BPN DP
MLC 64.291 36.262 33.064 125.229 ECHO 26.839 30.266 62.026
SVM 3.267 87.201
BP 90.801
霧社實驗區 ECHO SVM BP DP
MLC 25.816 132.460 135.550 96.103
ECHO 106.752 109.760 70.268
SVM 2.569 36.920
BP 39.673
瑪谷溪實驗區 ECHO SVM BP DP
MLC 0.128 10.287 2.238 11.174
ECHO 10.415 2.366 11.304
SVM 8.025 0.763
BP 8.882
久美實驗區 霧社實驗區
高斯最大似然法 ECHO 高斯最大似然法 ECHO
圖12 不同分類理論於瑪谷溪實驗區之分類成果 利用Z-test 檢定各分類理論所建立的分類模式
是否具有顯著差異性，以95%為信心水準，若兩模 式間Z 值大於 1.96，即表兩分類模式具有顯著性。
各模式間的 Z 值如表 4 所示，顯示各實驗區各分 類模式皆具有顯著差異。唯在土地覆蓋簡單的影像，
如瑪谷溪實驗區，ECHO 與高斯最大似然法之分類 模式不具顯著差異。
另一方面，從分類成果圖觀之，物件導向分類 所分類之類別區域較為合理，少有歸屬為其他類別 的零碎像元參雜其中；如圖12 所示，就高斯最大 似然法與 ECHO 分類法於久美實驗區和霧社實驗 區之分類成果，與檢核資料進行比對所得，紅色區 域表示分類錯誤像元，ECHO 所得之分類成果，類 別區塊完整，不似高斯最大似然法所得類別破碎；
另外，由圖12 中也可以明顯看出在類別邊緣部分 多分類錯誤，在類別繁雜區域，分類錯誤也就更明 顯，尤其是建成及裸露地類別區域，混合像元情形 嚴重，故分類法成效皆不佳。
5. 結論
不同分類演算法分類成果，得出物件導向分類 法於土地覆蓋複雜具紋理的地區，相較於逐像元分 類法為佳，但於土地覆蓋簡單的地區，其成果有限；
然物件導向法分類之類別區域較為合理，少有歸屬 為其他類別的零碎像元參雜其中。
研究中之支持向量機在久美實驗區的分類成 果非為最佳，主要是在求取最佳參數組合時，土地 覆蓋類型及訓練樣本光譜過於複雜，故無法模擬出
最適超平面以區分類別。但對於土地覆蓋簡單之分 類成果，支持向量機及倒傳遞神經網路高斯皆能得 到良好成果；而最大似然法和 ECHO 之分類模式 則成果相近，可能原因在於 ECHO 主要是將影像 分割成許多不相交的方形區域，再以二階最大似然 法進行分類，本質上與高斯最大似然法分類模式十 分相似；故於瑪谷溪實驗區進行分類，因實驗區土 地覆蓋類別僅分兩類，類別光譜值分佈可能接近常 態分佈，使得兩者分類成果不具顯著差異。
致謝
本文承蒙兩位匿名評審之指正，謹此致謝。受 限於客觀時間之限制，多有未能滿足評審指正者，
亦謹此致歉。
參考文獻
洪蜜琪，2007。整合光譜與空間資訊於影像分類－
應用於覆蓋與管理因子（值）之研究。國立中 興大學土木工程學系碩士論文。
莊雲翰，2002。結合影像區塊及知識庫分類之研究
－以 IKONOS 衛星影像為例。國立中央大學 土木工程學系碩士論文。
蕭國鑫、劉治中及徐偉城，2004。不同影像分類方 法應用於水稻辨識之探討。航測及遙測學刊，
9 (1): 13-26。
工研院，2007。內政部土地測量局 95 年度國土利 用調查作業(第 2 作業區)工作總報告書。財團 法人工業技術研究院。
陳承昌，2006。支持向量機及 Plausible Neural Network 於水稻田辨識之研究，國立交通大學 土木工程學系碩士論文。
Carleer, A., Debeir, O., and Wolff, E., 2004.
Comparison of very high spatial resolution satellite image segmentations, Proceedings of SPIE Image and Signal Processing for Remote Sensing IX, Vol. 5238, ed. Lorenzo Buzzone, pp. 532-542.
Kettig, R. L. and Landgrebe, D. A., 1976.
Classification of Multispectral Image Data by Extraction and Classification of Homogeneous Objects, IEEE Transactions on geoscience electronics, vol. GE-14, No.
1, pp. 19-26, Jan 1976
Landgrebe, D. and Biehl, L., 2001. An
Introduction to MultiSpec, http://cobweb.ecn.purdue.edu/~biehl/MultiS
pec/documentation.html, 2008-11-13。
Oruc, M., Marangoz, A. M., and Buyuksalih, G., 2004. Comparison of pixel-based and object-oriented classification approaches using LANDSAT-7 ETM spectral bands, Proceeding of the ISPRS 2004 Annual Conference, Istanbul, Turkey, July 19-23.
Robertson, T. V., 1973. Extraction and classification of objects in multispectral images, Proceedings of the Conference on Machine Processing of Remotely Sensed Data, Purdue University, West Lafayette, pp.
3B-27 to 3B-34.
Wei, W., Chen, X. and Ma, A., 2005.
Object-oriented information extraction and application in high-resolution remote sensing image, Proceedings of IGARSS 2005, Seoul, Korea, July 25-29.
1National Land Surveying and Mapping Center Received Date: Nov. 20, 2008 2 Department of Civil Engineering, National Chiao-Tung University Revised Date: Dec. 25, 2008 3Energy and Environment Laboratories, Industrial Technology Research Institute Accepted Date: Mar. 06, 2009