沙丘性海岸環境資源保育與劣化土地復育研究---以宜蘭海岸為例---宜蘭海岸資源保育與土地利用適宜性分析之研究(II)

(1)

沙丘性海岸環境資源保育與劣化土地復育研究-以宜蘭海岸

為例--宜蘭海岸資源保育與土地利用適宜性分析之研究

(II)

研究成果報告(完整版)

計畫類別：整合型計畫編號： NSC 98-2621-M-004-003- 執行期間： 98 年 08 月 01 日至 99 年 12 月 31 日執行單位：國立政治大學地政學系計畫主持人：詹進發計畫參與人員：碩士班研究生-兼任助理人員：徐郁晴博士班研究生-兼任助理人員：吳治達報告附件：出席國際會議研究心得報告及發表論文處理方式：本計畫涉及專利或其他智慧財產權，1 年後可公開查詢

中華民國 100 年 04 月 08 日

(2)

1

行政院國家科學委員會補助專題研究計畫

█成果報告

□期中進度報告

沙丘性海岸環境資源保育與劣化土地復育研究‐以宜蘭海岸

為例－宜蘭海岸資源保育與土地利用適宜性分析之研究(II)

計畫類別：□ 個別型計畫 █ 整合型計畫

計畫編號：

NSC

98－2621－M－004－003－

執行期間：98 年 08 月 01 日至 99 年 12 月 31 日

計畫主持人：詹進發

共同主持人：

計畫參與人員：徐郁晴、吳治達

成果報告類型(依經費核定清單規定繳交)：□精簡報告 █完整報告

本成果報告包括以下應繳交之附件：

□赴國外出差或研習心得報告一份

□赴大陸地區出差或研習心得報告一份

█出席國際學術會議心得報告及發表之論文各一份

□國際合作研究計畫國外研究報告書一份

處理方式：除產學合作研究計畫、提升產業技術及人才培育研究計畫、

列管計畫及下列情形者外，得立即公開查詢

□涉及專利或其他智慧財產權，□一年□二年後可公開查詢

執行單位：國立政治大學地政學系

中華民國 100 年 03 月 31 日

(3)

摘要

衛星影像具有多時期與大尺度空間特性，可提供區域土地利用變遷分析所需之有效資訊，故本文以宜蘭平原沿海地區 2003 年、2006 年與 2009 年之 SPOT 5 影像為研究材料，探討宜蘭地區海岸變遷的趨勢。首先，以階層式分類程序進行監督式影像分類法，並比較三個時期之土地利用變遷；其次，以土地分類之結果為基礎，進一步參考前人宜蘭海岸變遷之研究，選擇可能影響宜蘭海岸變遷的自然與人為因子，以 logit 迴歸模式進行分析，利用 2003 年與 2006 影像分類成果建立解釋模式，以推估未來各種土地利用之空間分佈的情形；最後以 2009 年影像分類成果進行驗證，結果顯示模式推估的整體準確率可達 80%以上。關鍵字：SPOT 5 衛星影像、土地覆蓋變遷、二項式 Logit 迴歸

Abstract

Satellite image is characterized by multi-temporal and large spatial scale, and thereby can provide effective information for analyzing regional land-use changes. This paper utilized

SPOT5 images obtained in 2003, 2006, and 2009 as study materials for investigating the trend of land-cover changes in the Yilan coastal zone. First, a stratified supervised image classification method was applied, and the land-use changes among three time periods were compared. Secondly, based on the classification results and previous studies, possible natural and human factors that may affect coastal changes were analyzed by using logit regression model. Using the image classification results of 2003 and 2006 data as base model, we can estimate the spatial distribution of various land-uses in the future. Lastly, the classification results of 2009 data was used to evaluate the prediction accuracy. The results indicate that the overall accuracy of the model was over 80%.

Key words：SPOT5 satellite image、land-cover change、logit regression model

一、前言

台灣全島海岸線綿長約 1600 公里，隨著經濟發展所需，各地之部分海岸均有圍堤填地開發為港灣或工業區等各類新生用地，進而造成自然海灘之減少。人為開發的影響加上各地氣象條件之差異，海岸線亦呈現不同的變化，其中宜蘭地區沙丘性海岸抗蝕性較弱且具有動態性(dynamic)及地貌持續不斷變化特性，前人文獻均認為此區海岸有不同程度的後退與海岸線形狀變化大的現象(游慶豐，1993；許鵬，1995；許民陽、張政亮，2002；陳癸月，2003)，為有效的管理及制定海岸地區之土地規劃與管理政策，應持續觀察海岸變遷的情形。 90 年代以後土地利用/覆蓋變遷研究，均致力於模式的發展，特別對於空間明確 (spatially explicit)模式的建構更不遺餘力(丁志堅，1997)，期藉由空間關係模式進行推演與

(4)

3 數理演算，探討土地利用/覆蓋變遷的空間特性(Baker，1989)，其中二項式 Logit 迴歸模式 (binomial logit model)，可用來分析空間特性或環境因子對土地利用變遷影響之程度，且可進一步計算與預測不同地點的變遷機率。數學模擬的方法係藉由影響某一研究對象的各種因素，建立數學推估模式，進而了解空間資料變化狀況及其未來可能的發展。近年來隨著遙感探測技術的發展，衛星影像分類已廣泛被應用在土地利用調查上，相較於傳統地面調查方法，遙測技術具有即時取得、節省經費、低人力、低時間成本等優點，故目前亦已成為大尺度土地使用分析之主要材料。基於此，本文以宜蘭平原沿海岸地區為研究試區，利用 2003 年、2006 年與 2009 年三時期之 SPOT 5 衛星影像進行土地覆蓋分類，並比較三時期土地覆蓋之變化情形，進一步針對沙丘性海岸，透過文獻回顧的方式蒐集可能影響沙丘海岸的自然環境因子及人為環境因子，並應用地理資訊系統之技術量化所選之環境因子(表 1 所示)，建立蘭陽平原沙丘性海岸變遷之 Logit 解釋模式，分析其沙丘海岸空間分佈的特性。表 1 沙丘性海岸變遷空間分析之自然與人為環境因子 自然環境因子 人為環境因子 可能影響變遷因子 1. 地殼張裂運動 2. 河流輸砂量 3. 降水量 4. 風(季風、海陸風) 5. 波浪 6. 潮汐 7. 沿岸流 1. 開採砂石 2. 地層下陷 3. 海岸保護人工結構物興建 4. 河川上游護岸工程及攔沙壩的建設 5. 海岸保安林栽植本研究選用因子 1. 坡度 2. 降水量 3. 風(包含風速、風向) 4. 海拔高 1. 距堤防遠近 2. 距道路遠近 3. 距海岸保安林遠近 4. 距河流遠近

二、研究範圍與材料

2.1 研究範圍 本研究以宜蘭平原沿海地區為試區，整體範圍涵蓋頭城鎮海水域場至仁澤工業區北緣，包括部分蘭陽平原內陸地區、竹安溪口以及與宜蘭河、冬山河匯流的蘭陽溪河口，總面積為 2037.82 公頃。此區之土地利用以農地與水產養殖為主，受到氣候及地形等因子的影響，使得沿海海岸沙丘地形甚為發達。由於本區地形平坦，強勁的冬季季風與夏季颱風所夾帶的海岸沙礫及鹽份，常造成內陸之農損，為減輕其害，本段海岸沿線均已栽種防風林。

(5)

2.2 研究材料 2.2.1 SPOT 5 衛星影像 本研究採用 2003 年 6 月 1 日、2006 年 4 月 11 日與 2009 年 5 月 29 日三幅經精密幾何改正之影像等級三(level 3) SPOT 5 多光譜衛星影像，經由中央大學太空遙測中心處理過後之 10×10 公尺空間解析度影像，總共四個波段影像，包含綠光(green)、紅光(red)、近紅外光(near infrared, NIR) 三個波段之 10×10 公尺空間解析度之原始影像，以及原空間解析度為 20×20 公尺之短波紅外光(short-wave infrared, SWIR)，研究試區與三時期之影像如圖 1 所示。圖 1 研究試區範圍與三時期 SPOT 5 衛星影像 2.2.2 2006 年第二次國土利用調查資料 本研究向國土測繪中心申請 2006 年第二次國土利用調查資料，作為衛星影像分類時，選取訓練樣區與分類檢核區之依據，故利用 ArGIS 地理資訊系統軟體將第二次國土利用調查空間資料重新分類(reclassification)為本研究欲分析之類別，並將其轉換成 10 公尺解析度之網格式資料(raster data)；除此之外，後續空間分析之距離堤防遠近因子即單獨匯出(export) 堤防之圖層，利用歐幾里德距離(Euclidean distance)計算每個網格點距離堤防之空間距離資料。 2.2.3 宜蘭縣道路與河流圖層 宜蘭縣之道路圖層與河流圖層，分別由宜蘭縣政府及內政部水利署取得，資料精度各為五千分之一與二萬五千分之一，為沙丘性海岸變遷空間分析因子中之度量道路與河流距離的基準圖層。 2.2.4 數值地形模型 海拔高度的變化影響區域之微氣候，而坡度、坡向及日照等因子亦受海拔高度的影響產生變化，因此對土地覆蓋型之分佈而言，海拔的高度以及坡度實為自然環境之考慮因子。本研究採用農林航空測量所產製之空間解析度為 20×20 公尺數值地形模型(digital terrain

(6)

5 model, DTM)，為配合分類主題圖之精度，利用 ERDAS IMAGINE 軟體重新取樣(resample) 至 10×10 公尺之空間解析度為後續分析因子之海拔高空間分佈圖；另外，透過 ArcMap 的空間分析(Spatial Analyst)模組中的地表分析(surface analysis)工具，求算本區之坡度圖亦供為後續分析之用。 2.2.5 氣象資料－月平均降水量、月平均風速與風向 本研究向中央氣象局購置 2003 年六月至 2006 年三月宜蘭縣周邊 11 個氣象站之月平均降水量、月平均風速及風向等三項資料，11 個氣象站包含蘇澳、龜山島、泰平、四堵、礁溪、宜蘭、羅東、福隆、三貂角、蘇澳及東澳，月平均氣象資料之單位降水量為毫米(mm)，風速為公尺/每秒(m/s)，而平均風向則為 360 度(°)。氣象資料預處理在降水量方面，先剔除有錯誤與遺漏之資料後，扣掉無資料之月數，加總每月降水量及算數平均求得 11 個測站兩段時期之月平均降水量資料；在風的資料方面，顧慮季節之盛行風的關係，故將月份資料依季節分為四季；春季為 3-5 月、夏季為 6-8 月、秋季為 9-11 月以及冬季為 12-2 月，整理出兩段時期間每個測站之平均降水量與四季之平均風速與風向，共九項因子供後續利用一般克利金法(ordinary kriging)推估此區域之降水量、四季之風速與四季之風向空間分佈圖。

本研究將氣象資料預處理後，參考前人之文獻(Inggs and Lord, 1996)，使用 ERSI ArcGIS 軟體的地理統計分析模組(Geostatistical Analyst)的一般克利金法，利用球狀模式 (spherical model)擬合本研究區域中氣象測站之降水量、風速與風向資料，其推估之成果即 2003 年至 2006 年之本研究區域之空間降水分佈圖、風速空間分佈圖與風向空間分佈圖，以供後續沙丘海岸變遷之空間分析使用。

三、研究方法

3.1 以階層式分類程序進行影像分類

本研究採取分類後比較法(post-classification comparison method)，由於此法能夠瞭解各土地覆蓋型在不同時期空間分佈的情形，並參考階層式影像分類(hierarchical classification) 的概念(Jensen, 2004; Heisele et al., 2003)，進行衛星影像之土地覆蓋型之監督式與非監督式分類。依據此概念，首先利用監督式影像分類法(supervised classification)，利用影像判釋及參考 2006 年度第二次國土利用調查資料，在影像上框選訓練樣區，藉由轉換分離度指數 (transformed divergence；TD)評估各樣區光譜被鑑別之能力，TD 值愈大，代表兩組類在光譜特徵(spectral signature)空間上愈容易被區分，若 TD 值小於 1700，則表示所選取之訓練樣本對於類別分辨之效果不彰(Jensen, 2004; Swain, 1973)，故將合併兩樣本，利用上述整合後的樣本光譜特徵統計資料，透過最大概似法(maximum likelihood)執行整張影像分類，由此得到為 2006 年之第一次土地覆蓋主題圖；藉由文獻回顧及土地利用調查等輔助資料，了解本區土地利用分佈之空間型態後，鑒於農作地與沿海之海岸保安林之光譜特徵相近，故將本研究區再劃分為沿海區及平原區，在兩區域中各別切割第一次分類之土地覆蓋圖類別影像，利用非監督式影像分類法(unsupervised classification)再行分類，分類完成將其併回欲分類之土地覆蓋型類別，得到 2006 年最後之土地覆蓋型主題圖。進一步，將 2006 年分類主題圖成果與 2006 年第二次國土利用調查資料所選之檢核區比較、計算影像分類成果之精度，由於本研究土地覆蓋之分類類型屬於美國地質調查所分類系統之第一級分類，當分類準確度達 85%以上時(Anderson et al., 1976)，則依上述分類之程序取得 2003 年與 2009 年兩年度之土地覆蓋主題圖。

(7)

3.2 沙丘性海岸與環境因子之二項式 Logit 迴歸分析

由於本研究欲處理之土地覆蓋變遷模式，在本質上屬於間斷性的離散(discrete)模式，因此採用可以建構自變項對離散型應變項迴歸模型的邏輯迴歸分析(logistic regression，又稱為 logit model)統計方法。而二項式 Logit 廻歸分析即為用於推測此類應變數發生機率的分立迴歸方法(吳治達，2004；吳治達、鄭祈全，2005)。

所謂二項式 Logit 迴歸分析，是用來作為多變量模型參數估計的一種統計分析方式，可以用來建構自變項為連續或類別變項，而應變項為類別變項的離散模式。由於二項式 Logit 廻歸分析所處理之應變數屬於類別變數，因此常被應用於行為科學的研究上，而且也因其多變量的本質及容易操作解釋之特性，所以亦是在社會科學研究領域裡最常被採用的方法之一(Bents and Merunka, 2000)。這是因為 Logit 廻歸分析不僅能解決非線性相關之問題，而且當應變數為定性資料時亦能合理的加以解釋；例如 Schulman et al.(1994)以美國北卡羅來那州為研究試區，利用二項式 Logit 廻歸模式以探討當農業政策改變時，農地經營者是否依然願意繼續從事農作或是轉業。假設 X 為一組應變數的向量（vector），p 為二元應變數 Y 的機率，也就是



Y 1|X



ob Pr   p ，Y＝0 時，p 表示事件沒有出現的機率，Y＝1 時，p 表示事件出現的機率，則二項式 Logit 迴歸的線性表示式可寫為： n nX B X B X B B p p p it ... 1 log ) ( log  0  1 1 2 2         (1) 其中B 表示截距，0 B 表示各個解釋變數之係數值，亦即其對應變數的影響程度。經n 由數學轉換之後，可以得到事件機率的表示式為： n n n n X B X B X B B X B X B X B B e e P _... ... 2 2 1 1 0 2 2 1 1 0 1         (2)

當應變數只有兩類時，可將式(2)簡化成式(3)之二項式 Logit 模式（binomial logit model）： n nX B X B X B B ... Z ₀  ₁ ₁ ₂ ₂  (3)

而 Logit 迴歸模式的應變數為類別變數，因此使用最大概似法(maximum likelihood method)求算各參數之估值，也就是求取一組參數使得式(4)中的值為最大(丁志堅，2002)。



  



    n n i z n i z z e e e 1 1 ₁ 1 1 1 1 (4) 至於模型中之各個解釋變數對應變數所產生之影響，必須檢定其是來自於本質上的影響或純然只是樣本之機率誤差，此可透過統計值 Wald χ2_{進行檢定，而在 p 值法之估計時，} 一般在土地利用變遷研究上，都以 0.05 或 0.01 做為是否可拒絕解釋變數對應變數不具解釋能力之虛無假設的顯著水準(丁志堅，2002；王濟川、郭志剛，2008)。此外，為檢驗模式之整體適合度(goodness of fit)，可利用對數概似率(log-likelihood；-2 LogL)來探討模式中所有參數對應變數變異性的聯合解釋能力，利用對數概似率進行自由度等於 n-1 之卡方檢定，檢定結果如大於理論卡方值時，表示模式愈佳，可有效解釋應變數之變異情形，反之，若卡方檢定結果小於理論卡方值，表示模式對應變數之解釋能力不佳。

為推估宜蘭海岸地區各地點轉變為沙丘之空間變遷機率，以 2003 年至 2006 年間之土地覆蓋型是否轉變為沙地類別之比較結果做為應變數，以樣本點位的海拔高、坡度、距道

(8)

7 路、河流、堤防與海岸保安林之距離與降水量、四季之風速、四季之風向等十五項地形、環境及氣候因子等空間資訊做為解釋變數。取樣的方法採分層隨機取樣法，以 2003 年各土地覆蓋型面積 1%為樣本點大小，整理出 2003 年至 2006 年改變為沙地類別之有效樣點 800 點，與轉變為其他土地覆蓋型之有效樣點 800 點，共計 1,600 個有效樣本點，進行二項式 Logit 迴歸分析與推導本研究區之沙丘性海岸變遷空間機率模式，並求算本試區沙質海岸之空間機率分佈圖。

四、成果與分析

4.1 宜蘭沿海地區土地覆蓋分類結果

本文參考美國國家地質調查所(United States Geological Survey)之土地利用/覆蓋分類系統的第一級分類(Anderson et al., 1976)並搭配上述本區土地利用型及土地覆蓋之特性，以及考量後續為分析不同時期海岸之變化的需要，故本研究共將衛星影像分為水體、建成與交通用地、沙地、農地與林地等五大類別，其中水體包含了河川及漁塭養殖用地，而建成與交通用地則涵蓋建築用地、道路、墳墓用地及裸露地等項目。在農業用地方面，雖然本研究採用之三期影像均拍攝於春季，季節差異並不大，但部份地區仍有無耕作農地與耕作農地之別，又因作物之有無確實會造成地表光譜反應之差異，故本研究參考第二次國土利用調查資料之分類系統，先將農業用地細分為無耕作農地與耕作農地兩個子類別，待影像分類完成後，再將其合併回農業用地；此外因沙丘地形為宜蘭當地頗為獨特之地貌特徵，故在分類時亦將其獨立為一類。本研究利用階層式分類法進行衛星影像分類，首先利用最大概似法 (maximum likelihood)，透過監督式分類進行影像分類後，依據該地區土地覆蓋型之空間分佈特性，以海岸保安林為界線將試區分為海岸區與平原區後，針對其中較易混淆的區域再進行非監督分類，以提高結果之準確度。在分類準確度之評估方面，表 2 為 2006 年檢核區之分類混淆表，該結果顯示，沙地及農地兩類別較易發生混淆之情況，但其使用者精度(user’s accuracy) 仍在 82%以上，影像分類之整體準確率(overall accuracy)仍高達 93％，且其 Kappa 值亦達 91%，結果尚稱滿意，故進一步利用相同之方法完成 2003 年與 2009 年之影像分類，三時期之成果如圖 2。表 2 2006 年檢核區之分類混淆表 95 年度第二次國土利用調查資料 水體 建成與 交通用地沙地農地林地總計使用者精度水體 533 5 0 0 0 538 99.07% 建成與交通用地 0 519 0 30 0 549 94.54% 沙地 13 26 181 0 0 220 82.27% 農地 0 50 0 530 11 591 89.68% 林地 0 1 0 6 314 321 97.82% 總計 546 601 181 566 325 2219 生產者精度 97.62% 86.36% 100% 93.64% 96.62% 整體準確度 93.60% Kappa 值 91.75%

(9)

圖 2 三時期影像分類成果進一步統計三個時期之土地覆蓋型面積百分比如下表 3，由結果可知，沙地與農地面積呈逐期遞減的情形，其中以沙地之減少幅度較小，每時期面積約減少 1%；而建成與交通用地則呈現逐期遞增的趨勢，尤以 2006 年至 2009 年間面積增加最多達 3%；在水體變化方面，在 2003 年至 2006 年其面積減少約 3%，但至 2009 年時則增加約 5%；而林地之面積在 2003 年至 2006 年之三年間增加約 4%，至 2009 年時則減少約 1%。表 3 三時期土地覆蓋百分比 土地覆蓋類型 2003 年 2006 年 2009 年 水體 27.46% 24.01% 29.17% 建成與交通用地 24.34% 25.59% 28.29% 沙地 8.15% 7.23% 6.64% 農地 27.40% 26.76% 23.41% 林地 12.65% 16.41% 15.22% 總計 100% 100% 100% 4.2 沙丘性海岸之 Logit 空間分佈機率模式 2003 年至 2006 年之二項式 Logit 迴歸分析結果如下：首先，在整體模式檢驗方面，本研究利用對數可能率進行卡方檢定結果如表 4，在顯著水準 5%時，模式對於應變數之解釋能力可達極顯著之效力。模式挑選之解釋變數由表 5 結果可知，海拔高、距堤防距離、距河流距離、距保安林距離、秋季風速、冬季風速、冬季風向與坡度等八項解釋變數之 Wald χ2_{值對應之 p 值均小於 0.001，因此此八項解釋變數對於 2006 年土地覆蓋型是否改變為沙} 地均有極顯著之影響，故均納入模式中。表 4 模式整體適合度檢定 卡方值 自由度 p 值 632.896 8 0.0001**

(10)

9 ** : 於 5%顯著水準下，極為顯著。表 5 2003~006 年沙丘性海岸變遷之二項式 Logit 迴歸分析結果 解釋變數 係數估值 Wald χ2 Pr.＞χ2 常數項 11.1725 45.1913 0.0001 海拔高 -0.4305 97.2758 0.0001 堤防距離 0.0009 52.8008 0.0001 河流距離 -0.0049 70.0173 0.0001 保安林距離 0.0018 6.1519 0.0001 秋季風速 55.0056 79.8379 0.0001 冬季風速 -25.2362 65.9785 0.0001 冬季風向 -9.0171 88.2118 0.0001 坡度 0.2379 52.5402 0.0001 由表 5 中各因子係數之正負可知，當海拔愈低、坡度愈陡、距離已存在的堤防與保安林愈遠、距河流愈近時，本研究區之土地覆蓋型轉變為沙地的機率愈高；此外，模式共挑選出秋季風速、冬季風速與冬季風向三項氣象因子，其中秋季風速之係數符號為正向，且其係數估值為所有變數中最高者，可說對於形成沙地相當程度的正面幫助，而冬季風速與冬季風向因子對土地覆蓋型轉變為沙地為負面程度的影響。進一步統計試區風速、風向因子之值域，並將結果整理如表 6。雖然本研究在季節上之區分與前人文獻(張政亮，1992；張長義等，1991)有些差異，但由統計結果顯示，試區在秋、冬兩季之風向約介於南風至西南風間，而夏季風向亦介於東北至東風之間，此與前人文獻(張長義等，1991；張政亮，1992)之說明相符。此外如與其它季節相比，冬季之風速不僅較強，且其值域之變異亦較大，而秋季之風速雖較冬季為低，但在本模式中已具顯著之 影響力。 表 6 本區風速風向推估之結果春季( 3~5 月) 夏季( 6~8 月) 秋季( 9~11 月) 冬季( 12~2 月) 風速(m/s) 0.691~1.152 1.205~1.659 0.529~1.302 0.523~1.887 風向(°) 215~269 75~127 167~265 175~240 將上述迴歸分析的結果建立沙丘性海岸之環境變遷模式，結果如式(5)；進一步將該式進行數學轉換，可得本研究區之沙質海岸空間分佈機率模式，結果如式(6)所示。 (5) B . B . B . B . B . B . B . B 0.4305 -11.1725 ) p ( it log ₁ 8 7 6 5 4 3 2 2379 0 0171 9 2362 25 0056 55 0018 0 0049 0 0009 0                 上式中 B1至 B8分別為迴歸分析之解釋變數代表： B1：海拔高 B2：堤防距離 B3：河流距離 B4：保安林距離 B5：秋季風速 B6：冬季風速 B7：冬季風向 B8：坡度。 ( ) e e P _11.1725_-_0.4305 _B _. _B _. _B _. _B _. _B _. _B _. _B _. _B B . B . B . B . B . B . B . B 0.4305 -11.1725 1 6 1 8 7 6 5 4 3 2 1 8 7 6 5 4 3 2 2379 0 0171 9 2362 25 0056 55 0018 0 0049 0 0009 0 2379 0 0171 9 2362 25 0056 55 0018 0 0049 0 0009 0                                

(11)

進一步利用 ArcGIS 空間分析模組裡的圖層計算器(raster calculator)功能，根據式(5)與式(6)進行模式運算，即可獲得沙丘性海岸之預測機率分佈圖，結果如圖 3 所示。圖 3 沙丘海岸預測機率圖圖中每一像元轉變為沙地之機率介於 0 至 1 之間，愈接近 0 代表土地覆蓋轉變為沙地之機率愈低，愈接近 1 則代表轉變為沙地之機率愈高。觀察圖 3 可知，模式預測高度轉變機率的地區(機率值 0.5 以上)，與本研究沙質海岸的空間分佈位置甚為相符。最後，將 2006 年與 2009 年沙地分類之結果與預測機率圖進行套疊以評估模式預測之正確率，結果如表 7。就 2006 年圖面檢核之結果如圖 4 顯示，除了研究區上半部之竹安溪河口處的預測機率略低於 0.7、以及蘭陽溪沿岸部份地區之預測有所誤差外，蘭陽溪出海口以及海岸邊緣之預測機率值均高於 0.7；如以轉變機率 0.5 作為可能轉變為沙丘之門檻值， 2006 年整體預測準確率可達 80%以上而 2009 年之沙地仍有 75%以上落於機率值 0.5 以上的區域，整體而言，推估結果相當不錯。

(12)

11 圖 4 預測機率與 2006 年沙地套疊結果表 7 沙地預測驗證結果 預測機率 0.0-0.5 0.5-0.994 2006 年沙地百分比 19.9% 80.1% 2009 年沙地百分比 25.1% 74.9%

五、結論與建議

本研究使用階層式影像分類程序，其中之監督式分類方法，係透過選取之訓練樣本以建立分類判別規則，再經由逐像元分類的概念將整幅影像分成目標類別，由於訓練樣本的選取過程較為主觀，故本研究參考第二次國土利用調查之成果以進行樣本取樣，分類的成果經檢核後雖尚稱滿意，但第二次國土利用調查主要係利用 2005 年拍攝的航空照片，進行影像判釋後所完成，此與本研究所採用的 2006 年衛星影像仍有一年的時間差異，未來若能取得時間更為相近的參考資料，將有助於提高影像分類的正確率。此外，進行沙丘性海岸環境特性之分析時，受限於社會、經濟及政策面等資料蒐集及取得上的困難，故僅選取十五項地形、環境及氣候有關的變數進行分析，然事實上諸如人口分佈、旅遊人口數量、工業區的開發、海岸保安林種植之植物種類、管理單位之處理策略等社會面向之因子亦可能影響沙丘的變遷，基於此，建議後續在從事相關研究時，可將上述之社會、經濟因素納入考量。

致謝

本研究承蒙行政院國家科學委員會專題研究計畫(NSC 98-2621-M-004-003-)經費補助，特予致謝。

參考文獻

(13)

丁志堅，1997，「運用馬可夫鏈模式度量土地利用變遷之研究」，國立臺灣大學地理環境資源研究所碩士論文，臺北。王濟川、郭志剛，「Logistic 迴歸模型－方法及應用」二版，臺北：五南圖書出版股份有限公司。吳治達，2004，「民墾地之地景變遷監測研究」，國立臺灣大學森林學研究所碩士論文，臺北。吳治達、鄭祈全，2005，「應用航測資料與數學模式監測民墾地變遷之研究」，航測及遙測學刊，10(4):373-384。許民陽、張政亮，2002，「蘭陽平原海岸後退之研究」，『中國地理學會會刊』，30：57-76。許鵬，1995，「宜蘭海岸海灘斷面變化特性之研究」，國立成功大學水利及海洋工程學系碩士論文，臺南。張政亮，1992，「蘭陽平原海岸沙丘之地形學研究」，國立師範大學的理研究所碩士論文，臺北。張長義、楊雲龍、劉英毓，1991，『台灣海岸地區環境資源保育考察研究報告』，臺北：國立台灣大學地理學研究所。陳癸月，2003，「蘭陽平原土地利用與海岸變遷關係之研究」，私立中國文化大學地學研究所地理組碩士論文，臺北。游慶峰，1993，「宜蘭海岸變遷之研究」，國立成功大學水利及海洋工程研究所碩士論文，臺南。

Anderson, J. R., Hardy, E. E., Roach, J. T., and Witmer, R. E., 1976, “A land use and land cover classification system for use with remote sensor data”, U.S. Geological Survey, Washington, 8-10.

Baker, W. L., 1989, “A Review of Models of Landscape Change”, Landscape Ecology, 2(2):111-133.

Bentz, Y., and Merunka, D., 2000, “Neural Networks and the Multinomial Logit for Brand Choice Modeling: A Hybrid Approach”, Jounal of Forecasting, 19(3):177- 200.

Heisele, B., Serre, T., Prentice, S., and Poggio, T., 2003, “Hierarchical Classification and Feature Reduction for Fast Face Detection with Support Vector Machines”, Pattern Recognition, 36(9):2007-2017.

Inggs, M. R. and Lord, R. T., 1996, “Interpolation Satellite derived Wind Field Data using Ordinary Kriging, with application to Nadir Gap,” IEEE Trans. On Geosciences and Remote Sensing, 34(1):250-256.

Jensen, J. R., 2004, Introductory Digital Image Processing, 3rd ed., Pearson Education, Inc.

Schulman, M. D., Zimmer, C., Danaher, W. F., 1994, “Survival in agriculture: Linking macro- and micro-level analysis”, Sociologia Ruralis, 34: 229- 251.

Swain, P. H., 1973, “A Result from Studies of Transformed Divergence”, Laboratory for Applications of Remote Sensing Technical Report.

(14)

計畫編號 NSC 98－2621－M－004－003－計畫名稱沙丘性海岸環境資源保育與劣化土地復育研究-以宜蘭海岸為例－宜蘭海_{岸資源保育與土地利用適宜性分析之研究(II)} 出國人員姓名服務機關及職稱詹進發國立政治大學地政學系副教授會議時間地點 1-5 November 2010

the National Convention Center, Hanoi, Vietnam 會議名稱 (中文)第 31 屆亞洲遙測研討會

(英文) The 31st_{Asian Conference on Remote Sensing}

發表論文題目

(中文) 利用多時期福衛二號衛星影像監測宜蘭海岸之研究

(英文) MONITORING LANDSCAPE CHANGES OF COASTAL ZONE USING MULTI-TEMPORAL REMOTE SENSING IMAGES

此次亞洲遙測研討會在越南河內舉行，會議為期五天，總共與會人數約五百餘人，發表論文共 348 篇，其中 275 篇論文為口頭報告，73 篇以海報的形式發表。主要參加國家為亞洲地區的國家，亦有澳洲和其他歐美國家(如：美國、英國、德國、加拿大、荷蘭、土耳其等)的專家學者與會，台灣參加人數約 60 人，來自國內各大專院校與研究單位、行政部門。會議主題涵蓋空間資訊領域的各種研究，如表1 所示：表1. 研討會主題

New Generation Sensors

• Satellite Remote Sensing System • Airborne Remote Sensing System • UAV/UAS Remote Sensing System • Hyperspectral Sensing

• Microwave Sensors/SAR / InSAR/ D-InSAR • Laser Sensors/LIDAR

• Digital Camera • Others

Remote Sensing Applications

• Global Change

•

Coastal Zone / Fisheries

(15)

•

Vegetation & Crops

•

Forest Resources

•

Ecology / Environment Change

•

Land Use / Land Cover

•

Geology / Geography / Geomorphology

•

Geo-hazards / Disasters

•

Mountain Environment and Mapping

•

Coastal Zone Monitoring

•

Atmosphere / Oceanography

•

Archaeology

•

Hydrology

•

Urban Change / Monitoring

•

High Resolution Satellite Mapping

•

Nighttime lights of Asia

•

Remote Sensing For the Coral Triangle Initiative

Data Processing

•

Algorithm and Modeling

•

DEM/3D Generation

•

Change Detection

•

Feature Extraction

•

Automatic / Intelligent Classification

•

Hyperspectral / High resolution / SAR Data Processing

•

High Resolution Data Processing

•

Data Fusion and Data Mining

GIS

•

Spatial Database

•

Remote Sensing & GIS Integration

•

GIS Decision Support and Models

•

Visualization / VR

•

GIS Application in Resource Management

•

Web GIS / Mobile Mapping

GPS & Photogrammetry

•

GPS Application

(16)

Others

• RS/ GIS/ GPS Integrated and Applications • Digital Photogrammetry

• Geospatial Technology for Energy, Health, Pollution, etc • Digital Earth

• Space Environment / Deep Space Exploration • Capacity Building / Education / Training

本次研討會之主辦單位為亞洲遙測學會(Asian Association on Remote Sensing, AARS) 與越南大地測量、製圖暨遙測學會(Vietnam Association of Geodesy, Cartography and Remote Sensing, VGCR)，會議地點在河內國家會議中心(National Convention Centre, Hanoi)，坐落在河內城東南方約10 km 處，佔地面積約 600 畝，為東南亞地區三大會議中心之一，建築物相當宏偉，地上五層、地下一層，興建方式反映越南傳統形式的精華，會議室共有73 間，可同時容納數千人。會場之硬體設施相當不錯，大會服務人員也十分熱心協助各國與會者，對於各項需求多能迅速處理，但是會場空間實在太大，開會期間只有本次會議的參加者在使用，因此顯得有些冷清。一、與會心得 1. 河內是越南的首都，1010 越南李朝的李太祖 Ly Cong Uan 在此地建城，從此以後河內在越南的歷史中一直扮演著政治、文化中心的角色，至2010 年正好滿 1000 年，因此越南政府與民眾規劃了許多慶祝的活動。越南曾受中國統治，1428 年脫離中國而獨立，在第二次世界大戰前為法國的殖民地，二次世界大戰時則被日本入侵，1945 年胡志明宣布越南獨立，其後又經歷了與法國殖民者的戰爭以及越南戰爭，直到南北越於1976 年統一，河內成為越南的首都。河內從早期的 36 條街道，發展成如今 381 條街道的都市，2009 年官方統計人口已經達 644 萬人，在從旅館前往國家會議中心的途中，可以感受到交通十分擁擠，在眾多機車、汽車中，可以看到腳踏車和行人穿梭其中，交通號誌的功能似乎並未發揮，對於已經習慣台北交通擁擠狀況的我，仍對於路上民眾從容不迫的態度感到十分的佩服。越南近年來經濟成長迅速，人民的生活水準已經有所改善，此次在會議期間於河內的所見所聞，我覺得越南人很和善，已經感受不到當年戰爭的慘烈情境，不過從一些歷史文物中仍可看出戰爭確實對於越南的發展有很大的影響。 2. 此次會議在河內國家會議中心舉行，場地十分寬闊，設備也相當不錯，研討會只使用部分的會議室，在會場除了與會的各國人士之外，到處可見穿著制服的人在看守，氣氛相當嚴肅，這與以往我參加 ACRS 研討會的經驗很不一樣。主辦單位在會議的安排、會場的佈置、諮詢服務等方面均可以看得出來有很用心的規劃，對於與會者臨時提出的一些要求，也能有耐心的協助解決，整體而言具有很好的表現。我國將於2011

(17)

值。 3. ACRS 除了提供學術交流的機會之外，也很重視文化的交流，這是其他學術研討會所欠缺的。依循往例，主辦單位在文化之夜安排了表演節目展現越南的文化之美，另有各國與會者準備的表演節目。參與研討會的多數為學校的教授與學生，以及政府機關的相關專家，文化交流之夜各國代表均賣力演出，呈現本國的文化、傳統之特色。此次文化之夜，台灣學生表演的是深具動感的舞蹈，包括編舞、服裝與道具的設計都是學生們自行籌劃，雖然是來自不同的學校，很難有在一起練習的機會，學生所表現的青春活力、創意與團隊合作精神，令人覺得印象深刻。 4. 文化交流之夜在輕鬆的氣氛之下，讓所有與會者可以一窺各國文化的特色，另一方面，在研討會期間看到遙測科技在許多不同領域的應用實例，以及與會各國專家的熱烈交流，對於學術交流與各國人民間的互相了解，都是很好的機會。我認為應鼓勵國內年輕的學子多參加此類研討會，以培養他們的國際觀，及拓展他們在學術研究上的視野。 5. 此次會議主題涵蓋範圍甚廣，包括各種航遙測技術與空間資訊領域的研究與應用，另有許多廠商展示產品和軟體，以及日本、歐洲遙測衛星的影像產品展示。與會學者專家來自世界各國，雖有不同的文化背景、使用不同語言，以及不同的專長領域，惟對於科學探索的熱忱則為共通的特質。參與研討會，看到許多學者熱心的貢獻研究心得，其對於科學研究的執著，以及樂於與他人分享研究心得的無私精神，著實令人感佩。從研討會的論文發表與討論中，也可以知悉學術研究的發展趨勢，對於未來的研究也有啟發作用。個人覺得類似的研討會應鼓勵年輕學子參與，讓他們有機會接受更多的刺激，以及拓寬視野，將有助於長期在學術研究上的發展。 6. 由於我國將主辦 2011 年的 ACRS 研討會，因此在會場也租了一個攤位展示我國在遙測科技的發展成果，以及介紹我國社會經濟、文化、自然環境、科技發展的宣傳資料。 2011 年 ACRS 由代表我國的中華民國航空測量及遙感探測學會主辦，會議籌劃工作由中央大學太空及遙測研究中心主導，國內各大學之相關領域的學者也都參與籌劃。在本屆大會閉幕典禮時，展示了由中央大學團隊精心製作之 2011 ACRS 簡介影片，影片中有觀光局介紹台灣風光的內容，同時也凸顯我國在遙測領域研究的能力，配上動人的音樂，讓人看了很感動，相信未來在台北的盛會應該會很成功。二、攜回資料名稱及內容研討會論文集光碟，以及開會時所蒐集之報告、遙測系統簡介資料。三、報告內容如附件。

(18)

MULTI-TEMPORAL REMOTE SENSING IMAGES

Jihn-Fa JAN (Taiwan)

Associate Professor, Department of Land Economics National Chengchi University

64, Sec. 2, ZhiNan Road, Taipei 116, Taiwan

Telephone: +886-2-29393091 ext. 51647 Facsimile: +886-2-29390251 E-mail: jfjan@nccu.edu.tw

Yu-Ching HSU (Taiwan) M.S., Department of Land Economics

National Chengchi University

64, Sec. 2, ZhiNan Road, Taipei 116, Taiwan

Telephone: +886-2-29393091 ext. 50621 Facsimile: +886-2-29390251 E-mail: 97257022@nccu.edu.tw

Chih-Da WU (Taiwan)

Postdoctoral Fellow, Research Center for Environmental Changes Academia Sinica

128 Academia Road, Section 2, Nankang, Taipei, 115, Taiwan

Telephone: +886-2- 26539885 ext.860 Facsimile: +886-2-27833584 E-mail: chidawu@gate.sinica.edu.tw

KEY WORDS: remote sensing, coastal zone monitoring, land use changes, landscape ecology

ABSTRACT: The coastal zone environment is easily affected by many natural and man-made factors, especially improper land use that result in rapid disappearance of coastal sand dunes. In this paper, by using three SPOT images acquired between 2003 and 2009, the change detection analysis of sand dunes and land use show temporal and spatial variability in the costal zone of I-Lan Plain, Taiwan. Based on the results of image classification, the land use/land cover changes and spatial variability was analyzed by using Fragstats, a software for landscape ecological studies. The objectives of this research include: (1) assessment of classification accuracy of two image classification methods; (2) analyzing spatial variability of land-use and sand dunes area; (3) developing a statistical model for illustrating the relationship between land use and changes of ecological environment of coastal zone. It is expected that the results of this study will provide the administration authority with solid scientific basis for strategic decision making on sustainable management of the coastal zones.

1. INTRODUCTION

Environmental changes are often resulted from land-use changes due to human activities. Therefore, it is necessary to investigate the status of land-use in order to understand possible factors that may influence the environment. Several landscape models have been developed to describe, explain, or predict landscape dynamics. For landscape studies, by measuring spatial configurations of patches on a landscape such as their density, size, shape, edge, diversity, interspersion, and juxtaposition, a variety of indices are often used to describe or assess the structural condition of a landscape (McGarigal and Marks, 1994). Moreover, these indices can be used to compare landscape patterns on different scale statistically (Hulshoff, 1995).

In recent years, due to rapid advancement of remote sensing technology, the availability and spatial/spectral resolution of remote sensing data had been greatly improved. As a result, remote sensing technology has become a very cost effective tool for large scale land use / land cover

(19)

was to investigate land use changes by using landscape indices derived from multi-temporal SPOT images.

2. MATERIALS AND METHODS

2.1 Study site

The study area selected for this research was part of I-Lan plain and costal zone located in north-eastern Taiwan, with a total of about 7,571 ha (Fig.1). Affected by human activities, topographic and climatic conditions, the main land use patterns of I-Lan plain are crop lands and aquiculture, and there are coastal forest and sand dunes in coastal zones.

Fig.1. Location of the study area 2.2 Data

The remote sensing data used for this study included 3 SPOT 5 images acquired on 6/1/2003, 4/11/2006, and 5/29/2009, respectively (Fig. 2). The images were level 3 orthophotos with TWD97 (Taiwan Datum 1997) coordinate system, and atmospheric and spectral corrections were done by the provider. In addition, various ancillary data was used in the study, including DEM (digital elevation model), weather data, and vector data of land use, streams, roads, and administrative boundaries.

Fig. 2. SPOT images of the study area. 2.3 Methods

2.3.1 Land use/cover classification using stratified classification method

A post-classification comparison method was applied to understand the spatial patterns of land cover types in different time periods. Hierarchical classification approach was used to classify

(20)

likelihood algorithm was used to classify the 2006 image data into five land use categories, which included water body, built-up area, cropland, sandy area, and forest land. The training areas and validation areas were selected by comparing the images with land use vector maps produced in 2006. Secondly, unsupervised classification approach was used to separate the costal forests from crop lands due to similar spectral signatures between these two land cover types. The same procedure was applied to classify the 2003 and 2009 image data. Figure 3 shows the classification results.

2.3.2 Logistic regression analysis on spatial distribution of sandy areas

In this research, we used binary logistic regression method to analyze possible factors that may contribute to land cover changes. Logistic regression is a form of regression that allows one to predict discrete outcome from a set of independent variables of any type, including continuous, discrete, dichotomous, or a mixture of any of these. Because logistic regression can be used to solve nonlinear problems, it has been applied in many different fields such as behavioral science, social science, educational science, landscape ecology, and epidemiology (Backer, 1989; Cheng et al., 2005).

A binary logistic regression (also called logistic model, or logit model) is denoted as:

n nX B X B X B B p p p it ... 1 log ) ( log _ ₀  ₁ ₁  ₂ ₂         (1)

where_{B is the intercept,}₀ B are the regression coefficients, n X are the predictor variables, n

p is the probability of binomial response variable. The model is equivalent to the following:

n n n n X B X B X B B X B X B X B B e e p _... ... 2 2 1 1 0 2 2 1 1 0 1         (2)

To estimate the probabilities of various land cover types changing to sandy area in I-Lan coastal zone, the response variable was the status of whether a land cover type was changed to sandy area by comparing the images of 2003 and 2006. In considering the topographic, environmental, and climatic factors, a total of 15 predictor variables were selected for this model, including elevation, slope, distance to roads, distance to stream, distance to embankment, distance to protection forest, precipitation, wind speeds of all four seasons, and wind directions of all four seasons. A stratified random sampling method was applied to select sample points for the analysis. Based on the classification results of 2003 image, 1% of each land cover type was chosen as sample pools. Then we selected 800 points from those changed from the other cover types to sandy area, and 800 points from those did not change to sandy area. Totally there were 1600 valid sample points. The binary logit model was used to estimate the probability model of land cover changes in coastal zone.

(21)

The images were classified to five land cover types, including water body, built-up area, cropland, sandy area and forest land. Water body consists of river, aquaculture farms; built-up areas represent roads, transportation lands, buildings, grave land and barren land; and cropland are farmlands, either harvested or not. The land cover classification results are shown in Fig. 3. Table 1 shows the classification accuracy of various land cover types in the 2006 image. The overall classification accuracy was 93.6%, with

a kappa statistics of 91.75%. The percentage of all five land cover types is depicted in Table 2. Based on the classification results, we observed that there is a tendency of increase in built-up areas, and decrease in cropland and sandy areas.

Table 1. The confusion matrix of the classification result of 2006 image Water body Built-up area Sandy area Cropland Forest land Total Consumer’s accuracy Water body 533 5 0 0 0 538 99.07% Built-up area 0 519 0 30 0 549 94.54% Sandy area 13 26 181 0 0 220 82.27% Cropland 0 50 0 530 11 591 89.68% Forest land 0 1 0 6 314 321 97.82% Total 546 601 181 566 325 2219 Producer’s accuracy 97.62% 86.36% 100% 93.64% 96.62% Overall accuracy 93.60% Kappa 91.75%

Table 2. Percentage of land cover types Land cover type 2003 2006 2009

Water body 27.46% 24.01% 29.17% Built-up area 24.34% 25.59% 28.29% Sandy area 8.15% 7.23% 6.64% Cropland 27.40% 26.76% 23.41% Forest land 12.65% 16.41% 15.22% Total 100% 100% 100%

3.2 Logit model of the spatial distribution of sandy areas in the coastal zone The logit model derived from the sample data is as follows:

(22)

(3) 2379 . 0 0171 . 9 2362 . 25  B₆  B₇  B₈

The predictor variables included elevation, distance to embankment, distance to stream, distance to protection forest, wind speed in fall, wind speed in winter, wind direction in winter, and slope. The logit model of sandy areas distribution between 2003 and 006 is shown in Table 3. The Waldχ2 and p-value show that these factors have significant effects on the spatial distribution of sandy areas in the coastal zone.

Table 3. The logit model of sandy areas distribution between 2003 and 006 Predictor variables Regression

coefficients Wald χ2 Pr.＞χ2 Iintercept 11.1725 45.1913 0.0001 Elevation -0.4305 97.2758 0.0001 Distance to embankment 0.0009 52.8008 0.0001 Distance to stream -0.0049 70.0173 0.0001 Distance to protection forest 0.0018 6.1519 0.0001

Wind speed in fall 55.0056 79.8379 0.0001 Wind speed in winter -25.2362 65.9785 0.0001 Wind direction in

winter

-9.0171 88.2118 0.0001

Slope 0.2379 52.5402 0.0001

The Spatial Analyst of ArcGIS was used to derive the probability distribution map of the coastal zone, which is shown in Fig. 4. The cell values are between 0 and 1, which represent the probability of being sandy area. The map shows that the areas with high probability (higher than 0.5) coincide with the sandy areas in the coastal zone. Furthermore, by comparing the classification results of 2006 and 2009 images, we can evaluate the prediction accuracy of the logit model. Figure 5 shows the predicted probability distribution map using data of 2006. Table 4 shows the validation results. By examining the 2006 and 2009 maps, the prediction accuracy is above 80% if we choose 0.5 as the probability threshold of

changing to sandy area. In the distribution map of 2009, there was more than 75% of sandy area fell in the area with predicted probability higher than 0.5. Overall, the estimation accuracy was acceptable.

(23)

±

0 2,000 4,000 6,000 Meters between 0.0-0 .5 between 0.5-0 .7 between 0.7-0 .9 9

Fig. 5. Predicted distribution using 2006 data 4. CONCLUSIONS

The results of this study show that the image classification process yielded quite acceptable classification accuracy, and the logit model was able to predict land cover changes in costal zone with accuracy over 80%. In this study we selected 15 predictor variables, which represent topographic, environmental, and climatic factors. However, land cover changes may also be affected by some other factors such as population distribution, the amount of tourists, and development of industrial areas. Further study will incorporate more predictor variables in order to improve the accuracy of prediction.

5. Acknowledgement

The authors thank the National Science Council of Taiwan for the sponsorship of this research (NSC 98-2621-M-004-003).

6. LITERATURE CITED

Backer, W. L., 1989, A Review of Models of Landscape Change, Landscape Ecology, 2(2):111-133.

Cheng, C.C., C.D. Wu, and S.F. Wang, 2005. Application of Markov and Logit Models on Monitoring Landscape Changes, Taiwan Journal of Forest Science, 20(1): 29-36.

Hulshoff, R.M., 1995. Landscape indices describing a Dutch landscape, Landscape Ecology 2:45-61.

Jensen, J. R., 2004, Introductory Digital Image Processing, 3rd ed., Pearson Education, Inc. McGarigal, K., and B.J. Marks, 1994. FRAGSTATS: Spatial Pattern Analysis Program for Quantifying Landscape Structure (Version 2.0). Forest Science Deartment, Oregon State University, Corvaills.

Table 4. The validation results

Predicted probability 0.0-0.5 0.5-0.994 Percentage of sandy area in 2006 19.9% 80.1% Percentage of sandy area in 2009 25.1% 74.9%

(24)

國科會補助計畫衍生研發成果推廣資料表

日期:2011/04/07

國科會補助計畫

計畫名稱: 宜蘭海岸資源保育與土地利用適宜性分析之研究(II) 計畫主持人: 詹進發計畫編號: 98-2621-M-004-003- 學門領域: 永續發展研究-人文及社會科學

無研發成果推廣資料

(25)

計畫主持人：詹進發計畫編號：98-2621-M-004-003- 計畫名稱：沙丘性海岸環境資源保育與劣化土地復育研究-以宜蘭海岸為例--宜蘭海岸資源保育與土地利用適宜性分析之研究(II) 量化成果項目實際已達成數（被接受或已發表）預期總達成數(含實際已達成數) 本計畫實際貢獻百分比單位備註（質化說明：如數個計畫共同成果、成果列為該期刊之封面故事 ... 等）期刊論文 0 0 100% 研究報告/技術報告 1 0 100% 研討會論文 1 1 100% 篇論文著作專書 0 0 100% 申請中件數 0 0 100% 專利已獲得件數 0 0 100% 件件數 0 0 100% 件技術移轉權利金 0 0 100% 千元碩士生 1 1 100% 博士生 1 1 100% 博士後研究員 0 0 100% 國內參與計畫人力（本國籍）專任助理 0 0 100% 人次期刊論文 0 0 100% 研究報告/技術報告 0 0 100% 研討會論文 2 1 100% 篇論文著作專書 0 0 100% 章/本申請中件數 0 0 100% 專利已獲得件數 0 0 100% 件件數 0 0 100% 件技術移轉權利金 0 0 100% 千元碩士生 0 0 100% 博士生 0 0 100% 博士後研究員 0 0 100% 國外參與計畫人力（外國籍）專任助理 0 0 100% 人次

(26)

其他成果

(

無法以量化表達之成果如辦理學術活動、獲得獎項、重要國際合作、研究成果國際影響力及其他協助產業技術發展之具體效益事項等，請以文字敘述填列。) 成果項目量化 名稱或內容性質簡述 測驗工具(含質性與量性) 0 課程/模組 0 電腦及網路系統或工具 0 教材 0 舉辦之活動/競賽 0 研討會/工作坊 0 電子報、網站 0 科教處計畫加填項目計畫成果推廣之參與（閱聽）人數 0

(27)

(28)

請就研究內容與原計畫相符程度、達成預期目標情況、研究成果之學術或應用價

值（簡要敘述成果所代表之意義、價值、影響或進一步發展之可能性）

、是否適

合在學術期刊發表或申請專利、主要發現或其他有關價值等，作一綜合評估。

1. 請就研究內容與原計畫相符程度、達成預期目標情況作一綜合評估

■達成目標

□未達成目標（請說明，以 100 字為限）

□實驗失敗

□因故實驗中斷

□其他原因

說明：

2. 研究成果在學術期刊發表或申請專利等情形：

論文：■已發表 □未發表之文稿 □撰寫中 □無

專利：□已獲得 □申請中 ■無

技轉：□已技轉 □洽談中 ■無

其他：（以 100 字為限）

研究成果已在研討會中發表，並投稿到學術期刊，目前審稿中。

3. 請依學術成就、技術創新、社會影響等方面，評估研究成果之學術或應用價

值（簡要敘述成果所代表之意義、價值、影響或進一步發展之可能性）（以

500 字為限）

本研究利用多時期衛星影像蒐集宜蘭海岸地區之土地覆蓋變化情形，並以地理資訊系統分析地景生態指標，據以評估自然環境劣化情形，以及其未來之變化趨勢。本研究顯示遙測影像對於長時期、大尺度區域研究確實為很好的材料，而地理資訊系統與空間統計方法在資料分析與成果展現上均為理想的工具。本研究對於土地利用變遷與環境劣化之關聯性提出探討，並推估其未來之可能變化，在學術與應用上均具有參考價值。