圖8 與圖 9 為使用 70 個訓練樣區之第一級及 第二級土地使用類別的判別函數成果，其中之第二 級分類結果誤差太大，故未進行後續的誤差分析。
而在第一級土地使用監督式分類成果的誤差評估，
分別使用平均機率及先驗機率計算；先驗機率是以 前述圖幅之各種土地利用佔面積比例為參考指定，
結果與前述非監督式分類雷同，如水利及森林類疊 的誤授率及漏授率都最低，但其他類別的誤授率較 漏授率高；遊憩、公共、礦鹽、交通、其他等類別 的誤授率都在0.8~0.9 之間，但漏授率則在 0.7~0.8 之間；而使用平均或先驗機率對誤差並無太大影響，
其至使用平均機率的平均誤差 0.4265 低於使用先 驗機率的0.4530，所以未來應用時，或不需計算各 圖幅之各類別的誤差。
兩種監督式分類成果與原始地真資料的吻合 度Kappa 值亦列於表 2，其中較佳的類別為森林與 水利用地類別(分類精度在 60~75%之間)，較差的 是建築與農業類別，最差的是遊憩、公共、礦鹽、
交通與其他等類別。基本上土地使用類別所包含的 土地覆蓋種類歧異度愈大，分類誤差愈大，如遊憩 與公共類別，因為其第二級以下類別包含建物、綠 地、空地…等覆蓋，在影像上較易混淆，所以判釋 分類誤差較大；對於森林及水利類的土地使用較為 均一，故分類誤差較低；另農業類別因包含農作、
畜牧、農業附帶設施…等具有不同光譜反應的地物，
所以分類精度亦不如預期的高。
另依據視為真值之外業調查成果，評估航空照片判 釋土地利用第三級分類之農地、林地、水利與交通 用地的全體精度在97~98%之間；人為建物及相關 設施等，在國土利用調查之第三級土地利用分類中，
仍需藉由外業調查輔助，才可以得到確切的類別歸 屬。
4.2 多時期影像貝氏機率分類 結果
多時期影像判釋水稻考慮因素包括 c影像對 應水稻生育期及其植冠光譜反射 d遙測影像對照 水稻全生育期(full-growth-period)的植冠光譜反射 (如圖 10) e多時影像與水稻光譜反射的時間曲線 關係 f影像與坵塊之套合等因素(吳啟南、等，
1999；劉治中、等，2002；蕭國鑫、等，2004)。
分類過程以貝氏機率分類法，統計各單一時段影像 的 NDVI 指數或其差值對應坵塊為水稻或非水稻 的機率，再綜合多時段影像貝氏機率統計結果，做
為判釋坵塊屬性為水稻或非水稻的條件機率分 布。
依劉治中、等(2002)之研究，在提高水稻分類 精度原則下，較可靠的方法是套疊最接近影像判釋 年份之同一期水稻耕地資料；且需參考種植屬性及 進行統計直方圖分析，以瞭解舊有水稻分佈在新影 像的NDVI 指數或其差值分佈範圍，並決定 NDVI 指數或其差值的判釋區間後進行判釋。如圖11 為 2006 年二期稻作期間，套疊航照判釋水稻資料後，
水稻與非水稻之NDVI 指數及其差值頻率分佈圖，
顯示單一時期影像 NDVI 指數不容易分離水稻與 非水稻類別，而NDVI 指數差值的分離度則相對較 佳(蕭國鑫、等；2005)。另最後之貝氏機率分類後 亦轉換為硬式二分類別(非彼即此的二分法)，並以 航照判釋水稻資料為真值，分別進行軟式分類(以 機率值代表分類結果)與硬式分類的分類精度評 估。
表1 非監督式分類影像與地真吻合度
使用類別 分類影像KIA 使用類別 分類影像KIA
1-農業 0.1993 6-公共 0.0200
2-森林 0.5487 7-遊憩 0.0016
3-交通 0.0589 8-礦鹽 0.0942
4-水利 0.6611 9-其他 0.1087
5-建築 0.3428 整體 Kappa 0.4032
表2 監督式分類影像與地真吻合度 kappa 分析
使用類別
使用平均機率 先用先驗機率使用類別
使用平均機率 使用先驗機率1-農業
0.3564 0.1614
6-公共 0.0290 0.02742-森林 0.6049 0.5132 7-遊憩 0.0042 0.0049
3-交通 0.0997 0.0998 8-礦鹽 0.0827 0.1128
4-水利 0.6876 0.7326 9-其他 0.1109 0.0984
5-建築 0.5341 0.2823 整體 Kappa
0.4299 0.3833
圖 7 第一級土地使用非監督式分
攝像日: 2007/09/27 - 07/29
0
攝像日: 2007/10/11 - 07/29
0
表3 桃園地區 2006 年二期稻作之影像分類統計結果
檢 核 資 料
種 類 水 稻 其它農作 合計(像元) 生產者精度
(未統計雲及雲影區面積) 全體精度：96.47 % 平均精度：85.76 %
kˆ
指標 : 0.7191 水 稻8
8110077338811 292
94411336677 111
1004488774488 737
3..3388%%
其它農作 28
2
81144113333 141
4991155000000001
15511996644113333 989
8..1155%%
合 計 101
0992211551144 151
5220099113366771
16633001122888811使用者精度 74
7
4..2233%%
989
8..0077%%
圖 12 桃園地區 2006 年二期稻軟式分類後轉換為 二分類別分類圖
圖 13 桃園地區 2006 年二期稻軟式分類後轉換為 二分類別成果評估圖
2006 年桃園地區多時期影像經由貝氏機率分 類後，經轉換為硬式二分類別，探討全體精度與 k 指標分別為96.47%與 0.72 (參表 3)；另影像分類成 果如圖 12，對照航照判釋水稻資料後之分類成果 如圖13 所示。
若討論水稻分類別的生產者精度(Producer’s Accuracy, PA)與使用者精度(User’s Accuracy, UA)，
分 別 為 73.38%與 74.23%，均低於平均精度之 85.76%；即辨識水稻類別的精度仍低於其他農作分 類結果，故水稻類別的辨識能力應有再提昇的空間。
另再探討同時考慮生產者與使用者精度，以表示分 類成果與檢核資料相似程度的 k指標為 0.72，顯示 生產者與使用者分類結果頗為均衡，且與檢核資料 有高的相似程度。
5. 分類結果
本研究嘗試以正射照片研判適合國土利用調 查的第三級土地利用分類，並利用SPOT5 之融合 影像，以監督式及非監督式分類方法測試自動化分 類之適用性。初步結果顯示：
(一) 以圖號 95204096 為例，高解析的正射照片判 釋國土利用調查之土地利用第三級分類結果，
評估農地、林地、水利與交通用地分類的全 體精度在97~98%之間；人為建物及提供特定 用途的相關設施，在第三級土地利用分類中 仍需藉由外業輔助，才可以得到正確的類 別。
(二) SPOT5 融合影像之非監督式分類法，測試分 辨農地、林地、水利與交通類別之第一或第 二級分類，分類精度在70~85%之間；但綜合 國土利用調查第一級分類之 9 種類別，評估 的全體精度為 56.42%，kappa 滿意度分析為 0.40。以監督式分類法測試成果，使用平均機 率式分類之全體精度為 57.35%，kappa 分析 為 0.43；而先驗機率式分類之全體精度為 54.705%，kappa 分析為 0.38，均遠低於國土 利用調查所需得精度成果；另針對林業、水 利及農業等分類評估其分類結果，亦無法達
到90%之精度需求。
(三) 應 用 SPOT5 融 合 影 像 ， 光 譜 資 訊 經 過 RGBÆISHÆRGB 轉換後，與原始的光譜資 料已有明顯差異；所以融合資料應用於影像 自動分類，將會因光譜資料的轉換而影響分 類成果。
(四) 結合多時影像與 GIS 資料應用於水稻作物分 析，藉由全生育期的光譜資訊與 GIS 資料輔 助，對於水稻全體分類精度可達96.47 %以上，
若探討生產者與使用者精度，分別為73.38%
與74.23%，仍低於平均精度之 85.76%，顯示 水稻類別的辨識能力應有再提昇的空間；因 此，若可再結合特定作物之種植頻率，則分 類精度應可提高，對於特定農作物的土地利 用調查亦可提供重要之規劃。
(五) 國土利用調查之各分級類別，其定義除了土 地覆蓋外，亦包含土地利用因子，例如:水利 用地別除了河道外，尚包括溝渠、蓄水池、
水道沙洲與灘地、水利構造物、防汛路面…
等類別，明顯與遙測定義分類之河流不同；
因此，若遙測影像欲有高的分類精度，則各 類別的歸屬需以土地覆蓋為主，且定義類別 的內容需要相同，如此遙測影像方可發揮較 大的效用。