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(I)

行政院國家科學委員會專題研究計畫 成果報告

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(I)

研究成果報告(完整版)

計 畫 類 別 ： 整合型 計 畫 編 號 ： NSC 97-2621-M-004-001- 執 行 期 間 ： 97 年 08 月 01 日至 98 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 ： 本計畫可公開查詢

中 華 民 國 99 年 04 月 01 日

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(I)

計畫類別：□ 個別型計畫 █ 整合型計畫

計畫編號：

NSC

97－2621－M－004－001－

執行期間：97 年 08 月 01 日至 98 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 99 年 03 月 31 日

摘要 土地利用/覆蓋變遷被視為影響全球環境變遷的重要因素，土地覆蓋的變遷主 要來自於土地利用的改變，而土地利用型態為時間、空間、人類活動等複雜因子 相互作用之結果，因此，在分析土地利用對生態環境所產生的衝擊效應時，必須 先充分了解土地利用/覆蓋變遷發展的時空關係。由於衛星影像具有多時期、大尺 度之特性，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 2005 年與 2008 年之福衛二號影像為研究材料，首先，透過監督式分類法進 行影像分類，並比較兩時期之土地利用變遷；其次，以土地分類之結果為基礎， 建立馬可夫轉移矩陣，並且透過 Fragstats 量化此區之地景結構，分析土地利用型在 不同時期之空間分佈情形，以分析宜蘭沿海地區土地利用之變化程度。結果顯示， 影像分類之結果共將試區劃分為五大土地利用型，經檢核區檢定其整體分類準確 度為 82.35%；而兩時期土地使用變遷分析之結果則指出，在 2005 至 2008 年間，水 體與建築交通用地之面積呈現增加之趨勢，而沙地、農地與林地則呈減少之趨勢。 關鍵詞：遙感探測、福衛二號、土地利用變遷、影像分類、地景指數、馬可 夫鏈模式 Abstract

Land-use/land-cover changes are important factors of global environmental changes. Land-cover changes are mainly consequences of land-use changes, whereas land-use types generally result from complex interactions among several factors such as time, space, and human activities. Therefore, to analyze the impacts of land-use to ecological environment, it is necessary to fully understand the temporal and spatial relationships between land-use and land-cover changes. Satellite imageries are characterized by multi-temporal and large scales, therefore they are ideal for providing necessary information to facilitate analysis of regional land-use changes. In this paper, two Formosat-2 images acquired in 2005 and 2008 were used to analyze land-use changes in I-Lan coastal zone. Firstly, supervised classification methods were applied to classify the source images and the land-use changes were compared. Secondly, based on the classification results, a Markov transitional probability matrix was constructed, and the Fragstats software was used to quantify the landscape structure. With the analysis of spatial distributions of land-use types in different time periods, we were able to analyze to the temporal and spatial changes of land-use in the I-Lan coastal zone. The image classification procedure categorized the soure image into five major land-use types with overall accuracy of 82.35%. The land-use change analyses of two different periods shows that, between 2005 and 2008, the areas of water bodies, buildings, and roads appeared to increase, whereas the areas of sand dunes, farm lands, and forest lands were decreasing.

Keyword: Remote Sensing、Format-2、land use change、image classification、 landscape index、Markov Model

前言

土地利用/覆蓋變遷被視為影響全球環境變遷的重要因素，土地覆蓋變遷主要來自於土地利用的 改變，而土地利用變遷與人類生產、活動及環境息息相關，並因時間與空間的不同使得土地利用型態 各有差異(Turner et al., 1995；吳振發，2006)，因此，欲分析ㄧ地區土地利用對於區域環境所造成的影 響，應充分了解土地利用變遷的情況。 一般在土地利用變遷的研究中，如欲比較土地利用型在長期時間序列資料中之差異，最直接的方 法為考量各利用型面積總量的變化，由於土地利用變遷並非一隨機之過程，亦即某一種土地利用坵塊 (parcel)改變為不同土地類型之趨勢，常具有程度上的差異，並且往往會受到前期土地利用分佈的影響 (丁志堅，1997)。然而只比較兩組時間間隔的土地利用型面積之變化，會因初始的土地利用分佈的狀 況以致於計算基線(Base Line)有所不同，而可能導致錯誤的推論(Muller and Middleton, 1994)。其中馬 可夫鏈模式(Markov chain model)可以呈現各土地利用型態相互之轉變情形，由於馬可夫鏈分析所使用 的轉移機率矩陣，可以表現所有土地利用可能變化的種類及某一時期的土地利用變遷程度，且為獨立 於這個時期的初始土地利用分布狀況，因此，馬可夫鏈模式分析將可以提供絕對面積改變量方法所無 法從事的分析，為將土地利用變遷程度量化的良好工具。故目前已有許多應用馬可夫鏈模式進行土地 利用變遷分析之研究，例如 Muller 和 Middleton(1994)利用馬可夫鏈模式探討奈及利亞地區農業用地、 林地和都市用地三種土地利用類型，在時間序列上數量增減情形；Boerner et al (1996)以四個年度土地 利用資料研究 Ohio 地區，針對四種土地利用類型，以馬可夫模式分析此區內兩個區域之土地利用變 遷的狀況；此外，丁志堅(1997)、方琮雅(2001)及廖亞禎(2002)均以馬可夫鏈配合地理資訊系統相關技 術，分別探討四鄉鎮及六十九個村、桃園台地與中興大學台中校區之土地利用的變遷情形。 近年來，由於遙測與地理資訊技術的進步與成熟，使得地景生態學(landscape ecology)之研究更完 整與可行，並以其為理論基礎，發展出一系列描述地景空間型態的空間性幾何指標，分析土地利用坵 塊(land parcel)在空間上的點、線、面三種不同空間單元，在不同時間上的幾何變化程度，以量化的方 式呈現(丁志堅，1997)。地景生態學係結合了地理學與生態學的概念，主要研究各種時空尺度下，地 景內部的空間結構(structure)、功能(function)、地景組成要素(landscape elements)之間的相互關係及變 化(change)情形。 地景結構主要由基質(matrix)、嵌塊體(patch)與廊道(corridor)構成。基質是一個同質性的空間，其 內鑲嵌一些異質性的區塊。基質在地景要素中較其他要素所佔比例最大，對整體環境具有決定性的影 響；嵌塊體是環境或景觀空間中最小的均質單元，在外觀上不同於周圍環境的非線性地表區域；廊道 為不同兩側環境特性，呈現狹長形線性或帶狀型態，具有運輸、阻隔、分割地景與提供生物棲地的功 能，為地景要素中異質性高者(Forman and Godron, 1986)。

依據地景生態學，地景的空間結構會因不同的生態系統影響而不同，使得嵌塊體的面積、形狀和 空間關聯隨之改變，且導致物種的族群大小、分佈、延續以及擾動的機率產生變化(Franklin and Forman, 1987)。換言之，由於地景要素受到生物及非生物因子的影響，造成大小、形狀、數量、類型和空間 排列的不同，產生不同的地景結構，而在不同時空尺度下的地景結構與地表能量、物種間的流動與交 互作用，將導致地景變遷(張啟德等譯，1994；薛怡珍等，2002；葉春國，2006)。雖然地景生態學上

的意義與土地利用變遷的解釋方式不同，但卻有相同的意涵。在探討土地利用變遷的研究時，強調人 與環境之間的互動關係，在不同的文化及社會背景、政治經濟發展以及自然環境的限制下，會出現不 同的土地利用型式，這些因素會隨著時間產生改變，最明顯的變遷即表現於空間中土地利用型之變 化。在土地利用變遷研究中，土地利用型在空間型態上的變化，與地景生態學中地景結構之生態意義 有異曲同工之妙，故將地景生態學的空間度量指標，應用於土地利用變遷的空間分析上，有其適用性。 將地景生態指數應用於土地利用變遷之研究相當多，如鄭祈全(1999)應用地理資訊系統與地景生態指 數，探討林業試驗所六龜經營區森林砍伐、林道開闢等因子對於林地地景結構之影響；馮豐隆與黃志 成(1997)利用地理資訊系統探討三個時期惠蓀林場土地利用型之地景結構與變化;林裕彬與林怡君 (1999)以景觀生態學之理論結合地理資訊系統，探討桃園蘆竹地區之水稻田與旱作、廢耕地之景觀生 態空間結構，其他相關農地景觀空間結構或變遷的研究如 Gustafson and Parker (1992)；王素芬(1998) 分別以模擬的地景資料和航空照片為材料，利用修正後的碎形維度指數(fractal dimension index)，探討 各種經營作業對於地景可能造成的影響情形;吳振發(2006)將土地利用管制概念整合於土地利用模擬 模式中，進行土地利用變遷模擬，並進行景觀生態結構評估，提出具有景觀生態意義的土地利用與景 觀生態管制計劃。 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、低人力、低時間成本等優點，故目前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 2005 年與 2008 年二時期之福衛二號 (Formosat-2)衛星影像進行土地使用分類及比較兩時期土地使用之變化程度，然後根據分類之結果利 用 Fragstat 軟體量化此區之地景指數及應用 Shannon 多樣性指數 t 檢定法，分析兩時期的土地利用型 在空間分佈情況與評估變遷程度是否為顯著的差異，最後整合以上結果，探討宜蘭沿海地區之土地使 用型態在空間與時間上變遷的情況。

研究範圍及材料

本研究以宜蘭平原沿海地區為試區，整體範圍涵蓋頭城鎮外澳至蘇澳鎮無尾港一帶，包括部分蘭 陽平原內陸地區及蘭陽平原三大主要水系－竹安溪、蘭陽溪及新城溪下游，總面積約為 75km2 。 本研究共選擇 2005 年 8 月 26 日與 2008 年 8 月 16 日、約早上 10 點所拍攝的兩輻福衛二號等級 四(level 4)加值處理影像做為主要研究材料，在經過幾何與大氣輻射校正、並配合地面控制點與數值 高程模型(digital elevation model, DEM)完成 TWD97 坐標系統之正射化後，再透過 PCI Geomatica 軟體 之影像融合(image fusion)功能，以完成 4 個波段(紅光、綠光、藍光與近紅外光波段)之彩色融合影像。 原始影像包含局部太平洋水體，考慮太平洋水體與研究主題無關，故本研究以宜蘭縣界圖為基底，套 疊衛星影像，並利用 ArcGIS 之 Editor 功能，以人工判釋宜蘭沿海之海岸線界，據以剔除二時期影像 上太平洋水體之區域，圖 1 為研究試區位置圖。

圖 1、研究試區位置圖

研究方法與流程

（一）利用監督式分類法進行土地利用分類 監督式分類法(supervised classification)係利用已知土地利用類別的光譜特性為依據，針對影像其 他未知空間資訊的光譜型式進行辨識，以進行全幅影像之分類，由於監督式分類之處理程序中結合人 工判釋以輔助電腦分類，故所得之分類精確度較為穩定。實際作法方面共包含訓練階段(training stage) 及分類階段(classification stage)兩步驟。在訓練階段時，首先針對欲分類之土地使用型，在影像上框 選訓練樣區後，藉由轉換分離度指數(transformed divergence；TD)以評估各樣區被鑑別之能力，TD 值 之值域介於 0 到 2000，其值愈大，代表兩組類在光譜特徵空間上愈容易被區分，若 TD 值大於 1900， 表示兩個組類可以區分，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，或 者此兩樣本應予以合併(Erdas, 2008; Jensen, 2004)。 在完成訓練樣本之選取及評估後即進入分類階段，其作法係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)以執行整張影像分類。最大概似法係以向量方式估計各訓 練樣區光譜反應的變方與相關係數，而在訓練樣區群集呈現高斯常態分佈之假設下，各類別光譜反應 之型式，能夠完全由均數向量與共變異矩陣描述之，之後再依貝氏定理(Bayesian rule)計算欲分類像元 歸屬於各群集的機率後，以最高機率來決定所屬的類別(Jensen，2004; 吳俊龍，2004)。此演算法需透 過大量計算方能決定每一像元之分類，雖然其過程較為複雜，且處理上之速度亦較慢，但卻可提供較 高精度的分類結果(Erdas, 2008; 劉其輝，2005)。 為評估分類結果之正確性，本研究採用自我檢核的方式，透過人工判釋之方式，於影像上選取各 類別非訓練樣區之單一土地利用區塊做為檢核區，至於各利用型檢核區大小之決定，係以分類影像中 各土地利用類型像元點數之 1％為原則。最後再利用整合之光譜特徵統計資料進行各檢核區之監督式

分類，並推算其整體分類準確度，檢核之結果如可接受，則再以相同的作法，完成 2008 年的土地使 用分類圖。 （二）地景變遷分析 利用兩時期土地利用分類圖的結果，統計各土地利用型的面積，並運用馬可夫鏈之原理，整理兩 期間各種土地利用型轉換成其他土地利用型變化的情況，以轉移機率矩陣表示。假定某一事物(object) 各種狀態(state)的轉變機率，是基於各種狀態的變化狀態，而不考慮時間、先前狀態或因子的影響， 則這種推測過程稱為馬可夫過程(Markov process)，若事物的各種狀態是有限的，則這種馬可夫過程便 稱馬可夫鏈(Markov Chain)(Friedberg et al., 1992)。由於各種轉變型態式以機率的形式表示，因此其數 學表示式為:



  m j ij P 1 1 i = 1,2,3,…,m (1) 式中 m 為事物的狀態數，第 i 種狀態轉變為各種狀態的總和為 1。而轉移機率是根據某一時期事 物各種狀態的分佈求得，其數學表示式為:



  m j ij ij ij n n P 1 / (2) 式中Pij_{為轉移機率，而}nij_{為事物從狀態 i 轉變為狀態 j 的量。} 將事物狀態的所有轉移機率加以整理，以矩陣表示，可得 m × m 的轉移機率矩陣(Transitional probability matrix)。假定 P 為轉變機率矩陣，則: 11 12 13 21 22 23 31 32 33 p p p P p p p p p p            為ㄧmm的矩陣 式中每一列的總和為 1，矩陣內各值均大於或等於 0。 （三）地景結構的量化 地景生態學家引用生態學原理，發展出各種量化之地景指數，其意義在於指數值會隨著生態系過 去或未來的土地利用管理方式而改變(王素芬，1998)，然地景指數種類很多，如何選擇並無一定的規 則可循，應視研究的對象以及目標而定(Farina，2000)。本文為探討研究試區範圍內的整體地景單位(即 土地利用類型)二個時期所呈現地景結構態樣與變遷情況，參考前人的研究(馮豐隆、黃志成，1997； 鄭祈全，1999；陳誼，2001;吳治達，2004；葉春國，2006)選出較能分析整個地景總體性的地景(landscape) 層級生態指數進行地景結構的量化。將分為面積/密度/邊緣、形狀及多樣性指標三個部分選取，依據 McGarial et al.(2002)所下的定義加以說明。 1.面積/密度/邊緣指標(Area/Density/Edge Metrics)

(1)區塊數量(Number of patches) N NP ₍₃₎ N 為地景中的區塊總數。NP1，值無上限，當地景中只有一個區塊時，其值為 1。 (2)區塊密度(Patch Density)



10000

 

100 A N PD (4) N=區塊總數，A=總地景面積(㎡)，PD 值表示每 100 公頃的區塊個數。 (3)邊緣密度(Edge Density)



10000



A E ED (5) E=地景中邊緣總長度(m)，A=總地景面積(㎡)，ED 單位為公尺/公頃。

(4)地景形狀指數(Landscape Shape Index)

E E LSI min  (6)

E=地景的總邊緣長度，min E=地景中最小總邊緣長度，LSI1，值無上限。LSI=1 時，代表地

景由唯一的區塊所組成;當 LSI 值愈大時，代表地景中形狀呈現愈不規則。地景形狀指數由不同地景 尺寸大小的總邊緣或邊緣密度對於地景形狀有一衡量的標準，相對於總邊緣長度(TE)，因其標準化指 數使其能夠直覺的解釋，LSI 值亦可解釋區塊是否具有聚集性，當 LSI 值增加時，代表區塊形狀愈不 完整。 2.形狀指標(Shape Metrics) Pij Pij SHAPE min  (7) ij P =區塊 ij 的周長(m)，minPij=區塊 ij 的最小周長(m)。SHAPE≧ ，值無上限。當值為 1 時，1 代表區塊形狀愈接近正方形或近正方形，當區塊形狀較不規則時，值漸增。基於面積較大區塊對於地 景較具影響力，則採用面積加權後得形狀指數。而面積加權則形狀指數再乘以區塊比例豐富度(即區 塊面積除以該類型區塊總面積)。 3 多樣性指數(Diversity Metrics)







    m i i i P P SHDI 1 ln (8)

種數量與相對豐富度組合在一起(Peet, 1974)，除了應用在物種多樣性量測方面，目前在土地利用變遷 以及森林生態系統經營模式上，都有廣泛的應用。SHDI 0≧ ，值無上限範圍。地景中只包含一個區塊 類型時，值為 0。值增加時，代表區塊類型數的增加或是區塊類型的面積分布比例較平均。 （四）地景變遷程度的檢定 為了解不同時期土地利用型態變遷差異是否顯著，採用 Magurran(1998)提出的 Shannon 多樣性指 數 t 檢定法，在 5％顯著水準下，檢定宜蘭平原沿海地區在 2005 年與 2008 年三年間土地利用型態變 化程度是否顯著。當計算 t 值大於查表理論 t 值時，代表二時期間土地利用分部型態有顯著差異，反 之，表示兩時期差異不顯著。有關 t 檢定之關係式如下:





2 1 1 2 1 2 2 1 ln ln i i m i m i n m n Pi Pi Pi Pi VarHi          







 (9)









1/2 2 1 2 1 VarH VarH H H t    (10)













2 2 2 1 2 1 2 2 1 / / . f . d n VarH n VarH VarH VarH    (11) 1 H _、H2_{分別為二個時期的 Shannon 多樣性指數} VarHi_{為第 i 個時期的 Shannon 多樣性指數之變異數} Pi_{為第 i 類區塊體在地景中所佔的面積比例} i m 為第 i 期的土地利用類型個數 i n 為第 i 期的區塊個數 本研究結合遙測影像分類以獲取宜蘭沿海地區 2008 及 2008 年間之土地利用資訊，分別以馬可夫 鏈之轉移機率矩陣與 Fragstats 量化地景指數了解土地利用型在空間分佈情形及變化程度，最後整合以 上結果，以探討宜蘭沿海土地利用型兩時期空間分佈及變化之情形。圖 2 為本研究之流程圖。

圖 2、本研究之流程圖

成果與分析

（一）宜蘭沿海之土地利用/覆蓋分類 宜蘭平原沿海地區之土地利用以農地與水產養殖為大宗，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，為減輕災害，本段海岸沿線均已栽種防風林。 在影像分類時，本研究考慮到試區之土地利用/覆蓋特性，以及後續應用馬可夫鏈模式進行變遷 預測之需求，共將衛星影像分為水體、沙地、農地、林地以及建築交通用地等五大類別，其中水體類 別包含了河川及水產養殖用地，而建築交通用地則涵蓋建築用地、道路、墳墓用地及裸露地等項目。 雖然二時期影像皆為八月農忙時所拍攝，農業坵塊之形狀均能明顯判釋，但仍有無耕作農地與耕作農 地之別，故在訓練樣區之選取時，將無耕作農地與耕作農地均設定為農業用地之子類別，待整體影像 分類完畢後再加以併類。此外，由於沿海沙丘為宜蘭當地特有之地貌特徵，且沙丘地形屬於較脆弱之 敏感地帶，易受人為與自然干擾因子的影響，故在分類時亦將其納為一類。 依據上述之類別，利用最大概似法(Maximum likelihood)，透過監督式分類以進行影像分類，首 先在分類準確度之評估方面，表 1 為 2005 年檢核區之分類混淆表，由結果可知，農地及建築交通用 地兩類別之分類效果較差，進一步檢視其結果可發現，造成分類誤差之原因，可能是由於建築交通用 地內之人工建物、無建物之裸露地，與農業用地內的無耕作農地間之光譜特性較相近，故在判別上容 易混淆。然如就整體之分類結果來說，影像整體之分類準確度尚達 83％，結果尚稱滿意，因此亦利

用相同的方法完成 2008 年之影像分類，二時期土地利用/覆蓋分類之結果如圖 2。 表 1、2005 年土地覆蓋分類檢核 真實類別 分類類別 水體 建築交通用地 沙地 農地 森林 總計 使用者精度 水體 1575 5 2 1 0 1583 99.49% 建築交通用地 351 2419 647 56 4 3477 69.57% 沙地 56 71 1207 5 0 1339 90.14% 農地 175 737 51 2488 37 3488 71.33% 森林 0 0 0 14 2635 2649 99.47% 總計 2157 3232 1907 2564 2676 12536 生產者精度 73.02% 74.85% 63.29% 97.04% 98.47% 整體分類準確度 82.35% 圖 3、2005 及 2008 年土地利用/覆蓋分類 （二）宜蘭沿海地景變遷之分析 利用土地利用/覆蓋分類的結果，統計兩時期土地利用/覆蓋類別面積百分比，其結果如表 2。由 表 2 可知，於 2005 年，宜蘭沿海地區在之五種土地利用類別以農地的面積百分比最大(29.23％)，其

次為其他用地(26.68％)、林地(21.85％)、水體(12.19％)，沙地最少(10.05％)；而在 2008 年時，則以建 築交通用地所佔之比率最高(32.38％)，其次為農地(28.2％)、林地(19.47％)、水體(15.13％)，而沙地面 積仍為最少(4.92％)。比較兩時期土地利用之變化可知，兩期間以農地面積之變化最少，僅減少約 1 ％，沙地與林地面積亦有減少的趨勢，其中尤以沙地面積減少約 5％為最多，而在建築交通用地的變 化方面，兩時期共大幅上升約 6％，推究其原因，可能係由於 2006 年 6 月份北宜高速公路的開通， 提高了當地聯外交通運輸的便利性，許多鄰近都市之居民均紛紛至宜蘭置產，而帶動了宜蘭地區的產 業發展及地方建設，造成人工建物用地面積的增加。 表 2、兩時期土地利用/覆蓋類別面積百分比 土地利用/覆蓋型 2005 年 2008 年 兩期差值 水體 12.19% 15.13% 2.94% 建築交通用地 26.68% 32.28% 5.59% 沙地 10.05% 4.92% -5.13% 農地 29.23% 28.20% -1.03% 林地 21.85% 19.47% -2.38% 總計 100% 100% 進一步整理兩時期各類型面積轉換的情形，以機率矩陣表示，如下表 3 所示。其中橫行數字表示 前期(2005 年)土地利用類型轉換至後期(2008 年)各土地利用型的機率;由縱列來看，則可以看出後期的 土地利用類型是由哪幾種類型轉換而來。由結果可看出，在 2008 年建築交通用地主要由農地與沙地 兩類型土地轉換而來;而水體以 2005 年之沙地轉移機率 18%最多，由此推究 2008 年水體面積的增加， 以沙坵面積減少為主，而目前國內許多專家學者之研究，均已證明宜蘭沿海地區之沙坵地貌，確實有 逐年消退的趨勢(張政亮，1992;許民陽、張政亮，2002;陳癸月，2003);除此之外，2008 年之農地由建 築交通用地之轉移機率較其他類型用地高，推究其原因，由於建築交通用地包含道路、裸露地、墳墓 等用地，而農地亦包含耕作與無耕作農地，導致光譜特徵在分類時產生混淆的情況，以至於此結果。 圖 3 為 2005 年各土地利用/覆蓋類型轉移至 2008 年土地利用/覆蓋轉移圖。 表 3、2005 年至 2008 年本研究區土地利用/覆蓋類型轉移機率 轉移機率 2008 年 2005 年 水體 建築交通用地 沙地 農地 林地 合計 水體 0.737 0.136 0.066 0.053 0.008 1 建築交通用地 0.082 0.547 0.039 0.290 0.043 1 沙地 0.188 0.385 0.241 0.174 0.012 1 農地 0.069 0.348 0.021 0.486 0.076 1 林地 0.007 0.089 0.002 0.176 0.727 1

圖 4、2005 年至 2008 年土地利用/覆蓋類型轉移圖 （三）二時期地景指標之量化與變遷程度之檢定 為了解本研究區域整體土地利用型態在空間結構上呈現的態樣，本研究應用地景生態學的原理， 利用 FRAGSTATS 軟體將土地利用型態加以量化，選取能夠描述全區整體性的地景指標加以分析 2005 年與 2008 年研究試區的地景變化情形。結果如下表 3 所示。 表 4、研究試區地景指標分析 地景生態指數 2005 年 2008 年 NP 區塊總數 82568 65901 PD(N/100ha) 區塊密度 455.2208 362.6446 ED(m/ha) 邊緣密度 362.2544 312.7478 LSI 地景形狀指標 123.3355 106.7401 SHAPE_AM 加權平均形狀指標 10.256 11.3608 SHAPE_CV 形狀變異數 71.5982 74.7876 SHDI Shannon 多樣性指標 1.321 1.2935 由整體的面積/密度/邊緣指標發現，2005 年至 2008 年各指標值均為減少，代表 2008 年土地利用 型區塊在空間分布上較有聚集性，範圍內總區塊數相對減少;相對而言，2005 年因其區塊總數(NP)與 區塊密度(PD)值高，代表在單位面積範圍內，存在較多的土地利用型區塊，在地景空間呈現上較為破 碎。同樣，區塊邊緣密度(ED)值代表著每公頃土地利用型所有的區塊邊緣長度，此值亦反映了上述地 景破碎之情形。以衡量區塊形狀的指標來看，兩年之積加權平均形狀指標(SHAPE_AM)雖差異不多， 相較起來 2008 年的面積加權平均形狀指標(SHAPE_AM)與面積加權平均形狀變異數(SHA PE_CV)均

大於 2005 年之值，代表 2008 年的區塊形狀較不規則，且變異量較大；而 2005 年的區塊形狀平均起 來較緊密完整，形狀變化程度較小。而 Shannon 多樣性指標(SHDI)為衡量地景的多樣性面向，即計算 不同類型區塊間面積的分布比例，當不同類型區塊種類的數目增加或其面積的分布比例較平均時，其 值增加。但本研究僅含 5 種土地利用/覆蓋類型，故區塊類型數不會造成 SHDI 值有所差異。2005 年 SHDI 值略大於 2008 年，可以說 2005 年的不同類型的面積分布比例較 2008 年為平均。故本研究試區 整體來看，自 2005 年至 2008 年土地利用型在空間分佈之型態，呈現每單位面積中土地利用型區塊聚 集程度較高，而區塊形狀愈趨不規則，且每個區塊形狀變異量程度亦較高。 就上述各項量化地景指數而言，研究試區兩年確有小幅度的變化，顯示兩時期的地景結構具有差 異的情形，然而土地變遷是否呈現顯著的差異，故利用統計的方式測驗其差異的程度。因此本文參考 前人研究，利用 Shannon 多樣性指數 t 檢定法，在 5％的顯著水準下，檢定 2005 年與 2008 年土地利 用/覆蓋類型在空間分布上是否顯著，檢定結果整理如表 4。 表 5、本研究試區統計檢定結果 Shannon 多樣性指數 t 檢定 2005 年 與 2008 年 在 5%顯著水準下 計算 t 值 理論 t 值 12.73 1.96 由表 4 可知，在顯著水準α＝0.05 下，計算出來的 t 值為 12.73 大於理論 t 值為 1.96，其機率小 於 0.05，故棄卻虛無假說，代表 2005 年至 2008 年地景結構有顯著的變化，由上述檢定結果與量化地 景指標可知，雖然兩時期的地景結構有改變，但變化程度不明顯。

結論與建議

1. 本研究利用 2005 年與 2008 年之福衛二號影像，透過監督式分類法將宜蘭沿海地區之土地利 用/覆蓋類別分成水體、建築交通用地、沙地、農地與林地等五大類，雖然檢核區之整體分類準確度 可達 82.35％，但由農地中無耕作農地的部份，與建築交通用地所屬的道路、裸露地等光譜特性仍有 混淆的情形，故建議後續研究可嘗試以原始多光譜影像或是其它分類方法，以期提高影像分類結果之 正確性。 2. 受限於土地利用調查資料之取得，故本研究僅能以檢核區的方式進行影像分類評估，然而由 本研究之分析結果可知，水體的面積在兩時期間呈現增加之趨勢，造成此結果之原因除了前述砂坵地 形的退化之外，水產養殖面積之改變亦可能是影響因子之一，然而此部份仍有待土地調查資料取得 後，方得以驗證。

3. 利用 2005 年至 2008 年土地利用/覆蓋分類圖進行套疊，並統計各類別土地利用型之變化情形 以建立轉移矩陣，由於土地利用型的改變會受到前一期狀態的影響，藉由馬可夫轉移機率矩陣可了解 土地利用型前後期變化的趨勢，並補足單純使用絕對面積改變量分析土地利用變遷的情形。 4. 按本研究所選的地景指標發現，宜蘭平原沿海地區在 2005 年單位面積內有較多土地利用型的 區塊，地景較為破碎。2005 年至 2008 年土地利用型在空間分佈之型態，呈現每單位面積中土地利用 型區塊聚集程度較高，區塊形狀愈趨不規則，且每個區塊形狀變異量程度亦較高。整合地景指標與 Shannon 多樣性指標 t 檢定法，以 5％顯著水準，檢定 2005 年與 2008 年土地利用變遷是否呈現顯著， 統計結果顯示兩年間土地利用空間結構有顯著性的變化，而兩時期地景生態指標值僅有微幅的差異， 可說變化的程度不明顯。 5. 馬可夫鏈的運算係以某一時期內數量之變化為依據，利用矩陣代數的方法以推算未來各時期 的變化，理論上只要初始時期的土地變遷資訊正確，後續又無新增的變動因素加入，則利用馬可夫鏈 模式進行預預測之結果應相當可靠。然而如上所述，受限土地利用調查資料不易取得，故本研究係以 衛星影像分類之方法，獲取試區之土地利用資訊，在未來若能取得土地利用之地面調查資料，或者提 升影像分類之準確度，則可利用馬可夫鏈模式進行模擬，模擬之結果將更為可信。

致謝

本研究承蒙行政院國家科學委員會支持之研究計畫(NSC97-2621-M-004-001)經費支援。

引用文獻

丁志堅(1997):《運用馬可夫鏈模式度量土地利用變遷之研究》。臺北:國立台灣大學地理環境資源研究 所碩士論文。 方琮雅(2001):《桃園台地水域用地空間結構變遷之研究》。臺北:國立台灣大學農業工程學研究所碩士 論文。 王素芬(1998):《地理資訊系統和碎形維度於森林地景空間變化之應用》。臺北:國立臺灣大學森林學研 究所碩士論文。 林裕彬、林怡君(1999):〈以景觀生態觀點探討蘆竹鄉農田景觀結構〉，《中國文化大學地理研究報告》， 12:107-130。 吳治達(2004):《民墾地之地景變遷監測研究》。臺北:國立臺灣大學森林學研究所碩士論文。 吳治達、鄭祈全、羅漢強、陳永寬(2008):<整合遙測技術、大氣環流模式與 Markov 模式推估未來及水 區流量之研究-以淡水河及水區為例>，《航測與遙測學刊》，14(1):35-48。 吳振發(2006):《土地利用變遷及景觀生態評估方法之建立》。臺北:國立臺北大學都市計劃研究所博士 論文。 吳俊龍(2004):《以影像紋理與色彩資訊輔助地物分類之研究-以台北地區為例》。臺北:國立台北大學地 政學系碩士論文。 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。 陳癸月(2003):《蘭陽平原土地利用與海岸變遷關係之研究》。臺北:中國文化大學地學研究所地理組

碩士論文。 陳誼(2001):《以地景尺度評估自然保護區之干擾效應》。屏東:國立屏東科技大學森林研究所碩士論文。 張政亮(1992):《蘭陽平原海岸沙丘之地形學研究》。臺北:國立師範大學地理研究所碩士論文。 張啟德等譯(1994):《景觀生態學》。臺北:田園城市文化事業有限公司出版。 馮豐隆、黃志成(1997):〈惠蓀林場土地利用之地景排列和變遷〉，《中華林學季刊》，30(4):387-400。 葉春國(2006):《水里溪上游集水區地景型態與溪流水質關係之研究》。臺北:國立臺灣師範大學地理學 系碩士論文。 廖亞禎(2002):《校園土地利用之地景變遷-以中興大學台中校區為例》。臺中:國立中興大學園藝學系碩 士論文。 鄭祈全(1999):〈森林地景變遷之監測研究〉，《台灣林業科學》，14(4):493-507。 鄭祈全、許立達、賴玉菁(2001):〈應用土地利用資訊系統遷測森林地景變遷之研究〉，《台灣林業科學》， 16(1):1-19。 劉其輝(2005):《結合遙測與地理資訊系統於都市發展之研究－以桃園縣(復興鄉除外)為例》。臺北: 國 立政治大學地政學系碩士論文。 薛怡珍、李國忠、邱祈榮、賴明洲、劉淑芬(2002):〈陳有蘭溪流域地景變遷之分析〉，《中華林學季刊》， 35(4):375-386。

Boerner, R.E., DeMaers, M.N., Simpson, J.W., Artigas, F.J., Silva, A., and Berns, L.A., (1996). Markov Models of Inertia and Dynamism on Two Contiguous Ohio Landscapes. Geographical Analysis, 28(1):56-66.

Erdas, Inc. (2008): ERDAS Field Guide.

Farina, A. (2000): Landscape ecology in action. Dordrecht : Kluwer Academic Publisher. Forman, R. T. T. and Godron, M. (1986): Landscape Ecology. New York: John Wiley & Sones,.

Franklin, J. F. and Forman, R. T. T. (1987): Creating landscape patterns by forest cutting: ecological consequence and principles. Landscape Ecology, 1(1):5-18.

Friedberg, S. H. A., Insel, J. and Spence, L. E. (1992): Linear Algebra, Prentice-Hall International.

Gustafson E. J., and Parker, G. R. (1992): Relationships between land cover proportion and indices of landscape spatial pattern. Landscape Ecology, 7(2):102-103.

Jensen, J. R. (2004): Introduction Digital Image Processing (3rd), Pearson Education, Inc. Magurran, A.E. (1988): Ecological diversity and its measurement, London Sydney: Croom Helm.

McGarigal, K. & Marks, B. J. (1994): FRAGSTATS: Spatial Pattern Analysis Program for Quantifying

Landscape Structure (2nd). Corvallis: Forest Science Department, Oregon State University.

McGarigal, K., Cushman, S. A., Neel, M. C. and Ene, E. (2002): FRAGSTATS: Spatial Pattern Analysis Program for Categorical Maps. Computer software program produced by the authors at University of Massachusetts, Amherst. http://www.umass.edu/landeco/research/fragstats/fragstats.html

Muller, M. R., and Middleton, J. (1994): A Markov of Land-use Change Dynamics in Niagara Region, Ontario, Canada. Landscape Ecology, 9:151-157.

Turner, B. L. II, Skole, D. and Sanderson, S., (1995): Land use and land cover change: Science/Research planning. Stockholm: IGBP Reports, 35.

出席國際學術會議心得報告

計畫編號 NSC 97－2621－M－004－001－ 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(I)} 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 18-23 October 2009 Beijing, China 會議名稱 (中文)第 30 屆亞洲遙測研討會

(英文) The 30th 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 I-LAN COASTAL ZONE USING

MULTI-TEMPORAL FORMOSAT-2 IMAGES

此次亞洲遙測研討會在中國北京舉行，會議為期五天，總共與會人數約七百餘人，發 表論文共386 篇，其中 284 篇論文為口頭報告，102 篇以海報的形式發表。主要參加國家 為亞洲地區的國家，亦有其他歐美國家(如：美國、英國、德國、加拿大、荷蘭、俄國、 瑞士、土耳其等)的專家學者與會，台灣參加人數共 85 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

• Water Quality & Water Resources • Agriculture & Soil

• Forest Resources

• Ecology, Environment & Carbon Cycle

• Land Use/Land Cover

• Geology / Geography/Geomorphology • Geo-hazards/Disasters

• Mountain Environment and Mapping • Coastal Zone Monitoring

• Atmosphere/Oceanography • Archaeology

• Urban Change/Monitoring

• High Resolution Satellite Mapping

Data Processing

• Algorithm and Modeling • DEM/3D Generation • Change Detection

• Feature Extraction

• Automatic /Intelligent Classification • Hyperspectral/SAR Data Processing

• High Resolution Data Processing

• Data Fusion and Data Mining

GIS

• Spatial Database

• GIS Decision Support and Models

• Visualization /VR

• GIS Application in Resource Management • GPS & Photogrammetry

• Global Satellite Navigational Systems • GPS Application

• Web GIS / Mobile Mapping

Others

• RS/ GIS/ GPS Integrated and Applications

• Digital Photogrammetry

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

• Space Environment / Deep Space Exploration

本次研討會之主辦單位為亞洲遙測學會(Asian Association on Remote Sensing, AARS) 與中國國家遙感委員會(China National Committee on Remote Sensing, CNCRS)，會議地點 在北京會議中心(Beijing Conference Centre)。北京會議中心(原天安門招待所)坐落在朝陽

區安定門外北苑，佔地面積約777 畝，有廣闊的綠地與人工湖，庭園造景優美。會議中心 亦有提供住房服務，房間之設施相當不錯，堪稱有4-5 星級的水準，但是若欲上網需額外 付費，此乃美中不足之處。會場之硬體設施相當不錯，且主辦單位延續亞洲遙測研討會之 傳統，雖然與會者之報名費僅美金100 元，但在開會期間仍提供豐富的餐飲給所有與會 者，讓參與會議的人除了學術上的經驗交流之外，還可以享受中國的傳統美食。 一、與會心得 1. 北京是中國的首都，2008 年奧運在北京舉行，因此中國政府在過去數年間投入大量 的經費、人才建設北京，使北京成為現代化的都市，此次在北京看到許多高樓大廈、 寬闊的道路、四通八達的捷運與公車系統，以及水立方、鳥巢等知名的建築，使初次 到北京的我眼界大開。中國近年來經濟成長迅速，國力日益強盛，人民的生活水準也 愈益提升，此次在會議期間於北京的所見所聞，的確可以感受到中國在各方面已經有 很大的進步。然而，從總是灰濛濛的天空，我也體驗到北京空氣污染的嚴重，顯然經 濟成長的背後需要付出相當的代價。另一方面，我也見識了北京地大、人多、車多、 交通阻塞、開車亂按喇叭等現象，尤其北京人喜歡在公眾場所扯開嗓門講話，實在令 人不敢恭維。 2. 主辦單位在會議的安排、會場的佈置、餐飲的供應、諮詢服務等方面均可以看得出來 有很用心的規劃，除了在辦理報到手續剛開始有些紊亂之外，整體而言具有很好的表 現。此次北京數個大學都有學生擔任會場的服務人員，其服務態度良好，且能積極與 參加會議之各國人士互動，處處展現年輕學生的活力，令人印象深刻。美中不足的是 中國人隱君子眾多，在會議場地與旅館都沒有禁煙，到處可見到吞雲吐霧的人，以及 隨處可見的菸蒂，這是我以往參加ACRS 研討會不曾見過的，雖然中國已經擠身大國 之行列，人民素質與國際禮儀方面顯然仍有進步的空間。我國將於2011 年接辦第 32 屆亞洲遙測研討會，此次的經歷對於我方未來在籌劃會議上應有參考價值。 3. 主辦單位所安排的開幕演出節目與文化之夜的表演節目，充滿著濃厚的中國傳統文化 色彩，讓與會的各國代表看得渾然忘我。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。台灣、日本學生所表現的青春活力、創意與團隊合作精神，尤其令人覺得印 象深刻。此次文化之夜，北京師範大學的舞蹈表演節目十分精采，看完之後讓人覺得 演出者相當有職業水準，後來果然獲得評審選為冠軍。令人詫異的是，台上頒獎者宣 佈得獎的團隊時，北京師範大學的表演者竟然不知道自己得獎，後來是中國籍的節目 主持人用中文宣佈，獲獎的團隊才爆出歡呼聲。頒獎者說看到演出者超水準的表現， 令人難以相信從事遙感探測學術研究的人竟然可以有這麼精湛的舞技，所有觀眾也都

從她的口中我們才知道那些表演者果然都是學校裡的專業舞者，並不是真正從事遙感 探測學術研究的學生，這才讓我們恍然大悟，也印證了頒獎者的疑問。 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。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。尤其日本學生的論文展現許多創意，顯示日本在空間資訊領 域研究與應用的雄厚實力。我國發表的論文品質亦十分良好，此次會議最後評選出的 最佳論文我國有 14 篇，另有兩篇獲得特別的獎項，表現為所有國家中最優異的，這 也顯示了我國在人才培育方面有確實的成效。 6. 亞洲遙測研討會提供一個讓從事遙測研究的各國人才進行學術交流的平台，從參加的 各國代表中可以看出較先進的國家有較多的學生參與，如：台灣、日本、韓國、香港、 新加坡均有大量的學生與會，顯現先進的國家多數較重視人才的培育。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。 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。

MONITORING I-LAN COASTAL ZONE USING MULTI-TEMPORAL FORMOSAT-2 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)

Master Student, 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

KEY WORDS: remote sensing, coastal zone monitoring, land use changes, landscape ecology ABSTRACT: Coastal sand dunes are dynamic and fragile terrain often regarded as

environmentally sensitive areas. 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 Formosat-2 images acquired between 2005 and 2008 and supervised classification methods, the change detection analysis of sand dunes and land use show temporal and spatial variability in the costal zone of I-Lan Plain. Based on the result of image classification, the land use/land cover changes and spatial variability were analyzed by using Fragstats, a public domain software for spatial pattern analysis. The

objectives of this research include: (1) analyzing spatial variability of land-use and sand dunes area by landscape metrics; (2) testing differences of study area between two periods by Shannon t-test ; (3) building a Markov model to predict land-use/land-cover area for the next 15 years. The result of this study showed that water and built-up areas increases between 2005 and 2008. According to the comparisons of landscape indices and Shannon t-test results, the landscape structure of the study area during 2005 and 2008 had significant changes. Based on the

simulation of the land-cover changes between 2005 and 2020, water body and built-up areas will increase, and the other land-use types (sandy area/cropland/forest) areas will decrease.

1. INTRODUCTIONS

Land use/ land cover is regarded as one of important factors that affect global environment changes. The land-use types result in changes to the land cover, and the difference of land-use types are due to human activities and environmental effects, moreover, under the different temporal and spatial circumstances (Turner., 1995; Wu, 2006). Therefore, it is necessary to realize land-use situations in a regional area before researching what factors influence the regional environments. The direct way to describe the changes of land-use types is calculating total area and comparing the area of each kind of land-use areas. Several landscape models have been developed to describe, explain, or predict landscape dynamics. For landscape studies, indices are often used to describe or assess the structural condition of a landscape, by measuring spatial configurations of patches on a landscape such as their density, size, shape, edge, diversity, interspersion, and juxtaposition (McGarigal and Marks, 1995). Indices can be used to compare

approach applied to different categories of study, especially in land use/ land cover change research. For example, Muller and Middleton (1994) compared 3 types of land-use patterns for 5 periods, including crop land, forest and urban land, and analyzed changes of each land-use forms in different time series by a Markov model. The change in land-use patterns are summarized by a series of transition probabilities from 1 state to another over a specified period. These probabilities can be subsequently used to project the landscape properties at alternate future time points (Burham, 1973). The objective of this study was to integrate statistical methods of landscape indices and Markov

model to assess the change of land-use forms in landscape both temporally and spatially.

2. MATERIALS AND METHODS 2.1 Study site

The study area selected for the empirical analysis was part of I-Lan plain and costal zone located in north-eastern Taiwan (Fig.1). The study area is about 7571ha. Affected by man-made factors, climate and topography conditions, the main land-use patterns of I-Lan plain are crop lands and aqualculture, and there are coastal forest and sand dunes in coastal area.

2.2 Data

Data used for the empirical analysis included Formosat-2 satellite images of the study area collected on 2005.8.26 and 2008.8.16 at about 10AM. The images are level 4 orthophotos with TWD97 coordinate system, and atmospheric and spectral correction were done by the provider. In addition, vector data of land use, streams, roads, and administrative boundaries were used in the study.

2.3 Methods

2.3.1 Land-use/Land-cover classification using supervised classification method

Surpervised classification approach with maximum likelihood algorithm was used to classify the study area 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.

2.3.2 Quantification of the Landscape indices

Based on the classification results, several indices of landscape structure were computed by using Fragstats. Four landscape indices were used to assess the temporal and spatial changes of patterns in the study area. Number of patches (NP) equals the number of patches in the landscape, as the area is held constant, it can convey patches density and mean patch size of the area. Landscape Shape Index (LSI) equals the total length of edge in the landscape divided by the minimum total length of edge possible, and it provides a standardized measure of total edge or edge density that adjusts for the size of the landscape. LSI can be interpreted as a measure of patch aggregation or disaggregation, as LSI increases, the patches become increasingly disaggregated. To measure the shape effects, the shape index (SHAPE) was calculated to monitor the increasing of shape irregularity and shape complexity. The shape index was denoted as:

a p

SHAPE 0.25 (1)

where p is the perimeter of a patch, and a is the size of that patch. The shape index equals 1 if a patch is circular or square, and increases as the patch shape becomes more irregular. Larger patches play a dominant role in the landscape function relative to the phenomenon, so the area-weighted shape index may be more appropriate than unweighted mean shape index. The area-weighted shape index (SHAPE_AM) is computed by weighted patches according to their sizes. Shannon’s diversity index (SHDI) is a popular measure of diversity in community ecology, which was measured by:







    m i i i P P SHDI 1 ln (2)

where Pi is proportion of the landscape occupied by patch type i. SHDI equals 0 when the

landscape contains only 1 patch and SHDI increases as the number of different patch types increases and/or the proportional distribution of area among patch types becomes more equitable (McGarigal

et al., 2002).

2.3.3 Evaluation of the change on landscape patterns by Shannon t-test

Magurran (1998) proposed a Shannon’s diversity index t-test method to test whether the land-cover patterns change significantly. The following algorithms are used for t-test:









1/2 2 1 2 1 VarH VarH H H t    (3)





2 1 1 2 1 2 2 1 ln ln i i m i m i n m n Pi Pi Pi Pi VarHi          







 (4)













2 2 2 1 2 1 2 2 1 / / . f. d n VarH n VarH VarH VarH    (5)

where H1 and H2 are two dates of Shannon’s diversity index; VarHi is variance of SHDI

of period i; Pi is proportion of the landscape occupied by patch type i; m is number of i

land-cover categories in period i, and n is number of patches in period i. i

2.3.4 Projection of the land-cover changes

It was assumed that the land cover changes of the study area could be depicted as a Markov process. A transition matrix, in which the element Tij represents the amount of land cover

change from cover type i to cover type j during 2005 and 2008, were derived from the land cover maps. The transition probability P , which represents the fractions of land cover ij

changes on each land cover type, was estimated by:



  m j ij P 1 1 i = 1,2,3,…,m (6) where m is the number of land cover types, which is equal to 5 in this case.

To determine whether it is appropriate to apply the Markov model to the observed land cover changes, Goodman’s Chi-squared statistic (Goodman 1968) was used to test the null hypothesis that the land cover conditions in 2005 and 2008 were independent of each other:









       



  M i M j j ij ij P A T 1 1 2 2 _{ln /}  ; d.f.



M-1



2 (7)

where the definition of T and _ij P are the same as in equation (7), and _ij A _j denotes the fraction of land cover in each of the 5 land cover types in 2008.

Assuming that the transition probabilities will remain constant in the future, the Markov model was then used to project the land cover at the next stage:

2

1 t

t P n

n   (8) where P is the transition probability matrix, and n_t1 and n_t2are column vectors denoting the fractions of land cover types a t1and t2.

2.3.5 Analysis of land-cover area with spatial and temporal series

The land-cover maps were derived from 2005 and 2008 Formosat-2 images by supervised classification methods, using two statistical approaches respectively. One is quantifying the landscape indices and comparing indices to observe the land-cover type changes in landscape between two different dates; the other is to establish a Markov model based on statistics of each land-cover area between 2005 and 2008, 3 years for a period, to predict 5 states for the next 15 years of each land-cover types area, from 2008, 2011, 2013, 2015, and 2020.

3. RESULTS

3.1 Land-cover maps

The images were classified to 5 land-cover types including water body, built-up area, cropland, sandy area and forest land. Water body consists of river, aqualculture; built-up areas represent road, buildings, grave land and barren land; and cropland includes lands either harvested or not. Despite the overall accuracy of over 83%, it was difficult to distinguish between the spectral feature of barren land in built-up area and the harvest cropland. The results of land-cover maps are regarded as acceptable and as shown in Fig.2.

Table 1 shows the percentage of various land-cover types in the images of two different years. In 2005, based on the area size of each land-cover type, the largest land-cover type is cropland (29.31%), followed by built-up area (26.68%), forest land (21.85%), water body (12.19%) and sandy area (10.05%). In 2008, the largest land-cover type is built-up area (32.38%), then cropland (28.2%), forest land (19.47%), water body (15.13%) and sandy area (4.92%). Compareing the land-cover areas of two time periods, sandy area and forest land area had decreased, especially sandy area decreased about 5%. Many researches had proved that I-Lan coastal sand dunes area had a trend of reduction (Hsu and Chang, 2002), and it may be the reason why water area increased in 2008. Built-up area increased about 6% in 2008, and it is believed that the construction of freeway connecting Taipei and I-lan is the major factor.

Table.1. The percentage of each Land-cover type in 2005 and 2008

Land-cover Types

Year

Water body Built-up area Sandy area Cropland Forest land Total

2005 12.19% 26.68% 10.05% 29.23% 21.85% 100.00%

2008 15.13% 32.28% 4.92% 28.20% 19.47% 100.00%

Difference 2.94% 5.59% -5.13% -1.03% -2.38%

3.2 Evaluation of the changes by landscape indices and Shannon t-test

Comparing the indices of two different years, all indices showed minimal changes and the patches tend to be less fragmented. As for the shape of patches, more irregularity and variation of shapes were observed. The SHDI value in 2005 was larger than that of 2008, which indicated that the proportional of area among patch types becomes more even. In addition, the t-test on SHDI of two periods were significant. Under 5% significant level, the computed t-value is 12.73, which is larger than the theoretical t-value 1.96. It indicates that the land-cover patterns of landscape had very significant changes. Based on the results of indices and Shannon t-test, the land-cover structure of the study area had changes but not obvious between 2005 and 2008.

Table.2. The landscape indices in 2005 and 2008 Landscape Indices

Year

NP LSI SHAPE_AM SHAPE_CV SHDI

2005 82568 123.3355 10.256 71.5982 1.321

2008 65901 106.7401 11.3608 74.7876 1.2935

3.3 Prediction of land-cover area in the future

Using the transition probability metrics shown in table.3 to compute chi-squared value to determine land-cover area is appropriate for Markov model. With degree of freedom equals 16 and 1% level of significance, the α2-value equals 220870049086 which is larger than

theoretical value (α2_{=32.00). It indicates that the change of land-use types conforms to Markov} model between 2005 and 2008. To assess the accuracy of the prediction of Markov model, by using the percentage of land-cover types derived from the 2008 image, the difference between predicted values and observed values for all five land-cover types are all within 5%. Therefore, it is possible to predict land-cover area by using Markov model. The results of accuracy

assessment for model and area predictions are all shown in table.4.

Table.3. The transition probability of each land-cover types between 2005 and 2008

Transition Probability 2008

2005 Water body Built-up area Sandy area Cropland Forest land Total

Water land 0.737 0.136 0.066 0.053 0.008 1

Built-up land 0.082 0.547 0.039 0.29 0.043 1

Sandy area 0.188 0.385 0.241 0.174 0.012 1

Crop land 0.069 0.348 0.021 0.486 0.076 1

Forest land 0.007 0.089 0.002 0.176 0.727 1

Predicting 5 states area of land-cover type with a period in 3 years and the initial data used for 2005. The results of land-cover area in the future are shown in table.4.

Table.4. Predictions of land-cover by Markov model

Results of image classification Results of Markov model predict Land-cover Types

2005 2008 2008 2011 2014 2017 2020 Water land 12.05% 15.13% 15.09% 16.76% 17.89% 18.71% 19.32% Built-up land 26.72% 32.28% 32.26% 33.14% 33.36% 33.46% 33.53% Sandy area 10.03% 4.92% 4.89% 4.05% 3.98% 4.03% 4.09% Crop land 29.29% 28.20% 28.25% 28.16% 28.03% 27.88% 27.75% Forest land 21.90% 19.47% 19.51% 17.89% 16.74% 15.91% 15.31% Total 100% 100% 100% 100% 100% 100% 100% 4. CONCLUSIONS

The results of this study show that land cover types between 2005 and 2008 changed spatially.

Comparing the areas of different land-cover types between 2005 and 2008, water body and built-up areas raised in 2008; cropland, forest land and sandy area decreased, especially sandy area had most changes. The indices of landscape level show that the land-cover patterns in 2005 are more fragmented than in 2008. As for the shape index, the area-weighted shape index and coefficient of variation in shape index show that the shape of patches in 2008 are more irregular and more variable than in 2005. The number of land-cover types of two periods were the same, and the SHDI values in 2008 were more than in 2005; it shows that the proportional distribution of area among patch types becomes more even. According to the results of the comparison on the values of indices and the Shannon’s diversity t-test, the land-cover spatial structure in I-lan plain had changed between 2005 and 2008 but the change is not significant. Though the main

land-cover type was crop land in 2005, the prediction of Markov modelshows that built-up land area will increase and the other land-cover types will decrease.

5. LITERATURE CITED

Burnham, B. O. 1973. Markov intertemporal land use simulation model. Southern J. of Agri. Econ. 5: 253-258.

Hsu MY and Chang CL, 2002. A study of coastal retreat in I-lan plain. Bullet of the Geographical Society of China 30: pp.57~76.

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

Magurran AE. 1988. Ecological diversity and its measurement. Princeton (NJ): Princeton Univ Press.179 p.

McGarigal, K. & Marks, B. J., 1994. FRAGSTATS: Spatial Pattern Analysis Program for Quantifying Landscape Structure (Version 2.0). Forest Science Deartment, Oregon State University, Corvaills.

McGarigal, K., Cushman, S. A., Neel, M. C. & Ene, E., 2002. FRAGSTATS: Spatial Pattern Analysis Program for Categorical Maps. Computer software program produced by the authors at University of Massachusetts, Amherst. Available at he following web site:

http://www.umass.edu/landeco/research/fragstats/fragstats.html

Muller, M. R., and Middleton, J. 1994. A Markov of Land-use Change Dymanics in Niagara Region, Ontario, Canada. Landscape Ecology 9:151-157.

Wu CF . 2006. Model constructs of land use change and landscape ecology assessment. The Graduate Institute of Urban Planning, National Taipei University, Taiwan.