航航測測及及遙遙測測學學刊刊 Journal of Photogrammetry and Remote Sensing

(1)

(2)

航航測測及及遙遙測測學學刊刊

Journal of Photogrammetry and Remote Sensing

發行人：王蜀嘉

出版者：中華民國航空測量及遙感探測學會

地址：台北市文山區羅斯福路五段113 號三樓

信箱：台北市郵政93-158 號信箱

電話：886-2-8663-3468 886-2-8663-3469 傳真：886-2-2931-7225

電子信件：csprsmail@csprs.org.tw 網址：http://www.csprs.org.tw

PUBLISHER: S. C. Wang

PUBLISHED BY: Chinese Society of Photogrammetry and Remote Sensing

Address: 3F, No.113, Sec.5, Roosevelt Road, Taipei, Taiwan Mail Address: P. O. Box. 93-158, Taipei, Taiwan

Tel: 886-2-8663-3468 886-2-8663-3469 Fax: 886-2-2931-7225

E-mail：csprsmail@csprs.org.tw Web Site：http://www.csprs.org.tw

總編輯曾義星

成功大學

測量及空間資訊學系

台南市東區70101 大學路 1 號電話：886-6-275-7575 分機 63835 傳真：886-6-237-5764

電子信件：jprssubmit@proj.ncku.edu.tw

EDITOR-IN-CHIEF Yi-Hsing Tseng

Department of Geomatics National Cheng Kung University

No.1, Dashiue Rd., Tainan, Taiwan R.O.C Tel: 886-6-275-7575ext. 63835

Fax: 886-6-237-5764

E-Mail: jprssubmit@proj.ncku.edu.tw

編輯委員 EDITORIAL BOARD 陳良健中央大學

王蜀嘉成功大學何維信政治大學廖揚清成功大學陳端墀中華技術學院陳永寬台灣大學劉進金工業技術研究院鄭祈全文化大學史天元交通大學

許明光北台科學技術學院林依依台灣大學

申雍中興大學李仲森美國海軍研究院王如章美國航空及太空總署宮鵬美國加州大學

L. C. Chen S. C. Wang W. H. Ho Y. C. Liao T. C. Chen Y. K. Chen J. K. Liu C. C. Cheng T. Y. Shih M. K. Hsu I. I. Lin Y. Shen J. S. Lee J. R. Wang P. Gong

National Central University, Taiwan National Cheng Kung University, Taiwan National ChengChi University, Taiwan National Cheng Kung University, Taiwan China Institute of Technology, Taiwan National Taiwan University, Taiwan

Industrial Technology Research Institute, Taiwan Chinese Culture University, Taiwan

National Chiao Tung University, Taiwan NTIST, Taiwan

National Taiwan University, Taiwan National Chung Hsing University, Taiwan NRL, USA

NASA, USA U.C.Berkeley, USA

封面圖片說明 About the Cover

應用空載光達及遙測影像的資料結合能有效的快速獲得森林平面及高程資訊，得以三維空間的觀點來觀察森林的變化。空載光達訊號具有多重反射回波的特性，可獲得森林樹冠表面點雲，以及部分穿透樹冠表面之樹葉、樹枝或樹幹的點雲，或抵達地表的點雲（如上圖），呈現豐富的林木幾何資訊。左下圖為成大校園實驗區以 Leica ALS50 資料推求得的森林分佈及樹高資訊，右下圖則為以 Optech ALTM3070 資料推求得的森林分佈及樹高資訊。

(封面圖片出處：應用遙測影像與空載光達資料推估森林分佈面積及樹冠體積，

第十四卷第一期第 51-64 頁)

(3)

航測及遙測學刊第十四卷第一期第 1-9 頁民國 98 年 3 月 1

Journal of Photogrammetry and Remote Sensing Volume 14, No.1, March 2009, pp. 1-9

1國立屏東科技大學生物資源研究所博士班研究生收到日期:民國 97 年 12 月 16 日

2玉山國家公園管理處技士修改日期:民國 98 年 02 月 27 日

3國立屏東科技大學森林系教授接受日期:民國 98 年 03 月 27 日

*通訊作者, 電話: 886-8-7740496, E-mail: cyl@gisfore.npust.edu.tw

恆春半島銀合歡入侵分佈之動態與區位分析

呂明倫¹ 黃靜宜² 鍾玉龍^3*

摘要

入侵植物－銀合歡(Leucaena leucocephala)威脅台灣的本土生物多樣性，已成為現今最受矚目的生態問題之一。本研究以恆春半島為研究區域，藉由SPOT 多時段影像資料搭配最大概似分類法，建立 1988 與2007 年銀合歡之空間分佈資訊，並配合地形與土地利用相關的環境因子，監測銀合歡入侵之動態發展，

用以暸解銀合歡的空間分佈規則。研究結果顯示，1988 與 2007 年銀合歡分類結果之總體準確度皆在 85%

左右，由區位分析可知，銀合歡之面積呈現增加的趨勢，且入侵的規則性多偏好於低地、緩坡，以及近道路與農地等區域，進一步利用統計分析瞭解銀合歡入侵與環境因子間的關係，結果發現，以上 4 個因子皆有一定的相關程度，因此，本研究建議未來的經營管理工作可著重於這些人為干擾明顯之區域。

關鍵詞：入侵植物、多時段、最大概似分類法、經營管理、人為干擾

1. 前言

近十餘年來，入侵植物(invasive plant)銀合歡 (Leucaena leucocephala)威脅台灣本土生物多樣性 的議題備受重視，擬定適當的因應對策，已成為現今最受矚目的生態議題之一。銀合歡原始生長地為中美洲一帶，由歷史記載，1645 年荷蘭人拓展殖民地的時代，可能為引進銀合歡至台灣本島的始端，

其不僅繁殖力強，且適合生長於熱帶與亞熱帶區，

故今日台灣各地皆可見到銀合歡的蹤跡，尤其以最南端的恆春半島分佈最廣。往昔文明尚未發達之年代，恆春半島當地居民因生活之所需，銀合歡被當作多種用途之利用，如防風籬、薪炭材與家畜飼料等，然而，1980 年代末期，恆春半島境內之產業經營型態有所轉變，包括瓊麻栽植地的廢耕、國家公園的設立與觀光遊憩業的興起等，遂使銀合歡失去利用價值，相對地，亦有可能引發銀合歡大面積入侵原始生育地。

瞭解入侵植物之擴張情形與空間分佈規則，將有助於確立地景的優先管理順序，並強化重要地區

之防治工作(With, 2002)，因此，植物的空間分佈乃為重要之基礎資訊。由於入侵植物的防治係屬全球性的問題，國際間對於遙測(remote sensing)資料，

如衛星影像應用於偵測入侵植物的空間分佈已相當成功(Peterson, 2005; Bradley and Mustard, 2005;

Noonan and Chafer, 2007)，國內方面亦有偵測銀合歡的研究案例(鍾玉龍與呂明倫，2006; Tsai and Chou, 2006; Tsai et al., 2007)，惟至今甚少研究去探 討有關銀合歡於時間與空間上之動態。

物理環境與植物的生長息息相關，許多環境因子所構成的梯度形式，即支配著入侵植物的發展。

地景層級(landscape level)的生態研究中，常被應用者即地形的起伏變化，以及土地利用的配置狀況 (Pauchard and Alaback, 2004; Müllerová et al., 2005;

Renöfält et al., 2005; Bradley and Mustard, 2006)。藉 由地理資訊系統(geographic information system, GIS)進行環境因子的整合，再搭配不同時期的遙測資料，對於銀合歡的族群擴張與空間分佈規則皆得以獲得有效量化。

本研究以南台灣恆春半島為研究區域，蒐集相

(4)

2 航測及遙測學刊第十四卷第一期民國 98 年 3 月

關遙測資料，建立1988 與 2007 年之銀合歡空間分佈資訊，並配合地形與土地利用相關的環境因子，

包括海拔高、坡度、坡向、河流、道路與農地等，

藉由 1988~2007 年銀合歡入侵分佈之動態與區位分析，暸解銀合歡於各環境因子的空間分佈規則，

所獲成果期能有助經營管理策略的擬定。

2. 研究區域

恆春半島位於台灣最南端，研究區範圍為楓港溪至達仁一線以南，地理位置如圖1 所示。境內地形以低山與丘陵台地為主，楓港以南為中央山脈向南延伸的餘脈，其中以里龍山最高，約1,062 m。

據中央氣象局恆春測候站資料可知，年雨量約在 2,018~3,437 mm 之間，雨量多集中於 5~10 月，降 雨日數約102~219 天，11 月起因受東北季風(俗稱落山風)影響，平均降雨量逐漸下降(100 mm 以下)，

至翌年4 月則為乾燥之時期，因此，本區可明顯區分乾、濕季兩種季節。氣溫方面，恆春半島東西兩側之年均溫均在 20℃之上，其中東側年均溫在 21.1~24.8℃之間，西側則介於 25~25.5℃之間。

圖1 研究區－恆春半島

3. 研究區域

3.1 影像資料之蒐集

3.1.1 衛星影像

本研究採用國內使用最普及之 SPOT 影像獲取銀合歡於不同時期之空間分佈資訊，研究過程中，

所有影像處理、分類與資料分析等工具，乃利用 ERDAS IMAGINE 8.4 與 ARC GIS 8.1 軟體予以完成。由呂明倫等(2008)之銀合歡地面光譜分析結果可知，恆春半島的銀合歡會有乾季落葉、濕季展葉之光譜特徵差異，集合多時段(multitemporal)影像資料，可促進植群型間之光譜分離度，應比單一時段能獲得較理想之準確度。因此，本研究由國立中央大學太空及遙測中心選購之 SPOT 多光譜態影像，包含1988 與 2007 年份之乾、濕季時期，如表 1 所示，各幅影像屬 level 3 或 level 10 之產品，乃已完成幾何糾正之工作，惟各時期之SPOT 衛星型號，以及中心的影像處理等級皆有所相異，影像之像元空間解析力並不一致，本研究以最近相鄰法 (nearest neighbor assignment) 進行像元重取樣 (resampling)，取得所有影像資料皆為 20×20 m 的空 間解析力，其中乾季影像包括 1988/02/05 與 2007/03/31；濕季影像包括 1989/05/12 與 2007/07/20，

共計4 幅雲霧少、品質佳之影像，各年度之乾、濕季影像加以集合，可產生新的 1988 與 2007 年之 SPOT 多時段影像，影像中即包含乾、濕季之綠光 (波段 1)、紅光(波段 2)與近紅外光段(波段 3)等光譜資料。

表1 本研究所採用之 SPOT 衛星影像 Sensor Observation date Correction level SPOT 1 1988/02/05 10 SPOT 2 1989/05/12 10 SPOT 4 2007/03/31 3 SPOT 2 2007/07/20 3

大氣輻射校正工作採用黑體減算法 (dark-object subtraction)，其概念係假設黑體可吸收所有的輻射，可藉由衛星影像中的黑體進行校正，

如清澈的湖泊找出最小值(本研究區由龍巒潭尋得)，此最小值即為大氣分子或懸浮物質之散射值，

將整張衛星影像之值減去此最小值後，即可去除大氣散射的干擾(Chavez, 1996)。

(5)

呂明倫、黃靜宜、鍾玉龍：恆春半島銀合歡入侵分佈之動態與區位分析 3

3.1.2 地面參考資料

地面參考資料係於影像分類與準確度評估過程中所需之材料，主要來源為林務局農林航空測量所提供之航空照片，包含1988 時期之黑白航空照片，以及2007 時期之彩色航空照片，除航空照片外，蒐集與本研究相關之前人研究成果，如鍾玉龍、

呂明倫(2006)所建構之 2005 年地面檢核資料，而本研究於2006~2008 年間，亦利用全球衛星定位系統(global positioning system)蒐集最新之地面檢核資料。

3.2 2 衛星影像分類 3.2.2.1 最大概似分類法

以1988 與 2007 年之 SPOT 多時段影像，各別進行監督性分類中最常使用之最大概似分類法 (maximum likelihood classification)，此法係針對各地表類別，記錄其少數已知的光譜資料，即訓練樣區(training set)，並依此基礎進行影像中其他多數未知空間的光譜判別。影像分類過程分中，將研究區之地表類別，規劃成銀合歡、森林、農地、建成地、裸露地與水體等6 種，所有地表類別之訓練樣區可各別根據1988 與 2007 年的地面參考資料加以建立。

自然生態系中的組成複雜，以衛星尺度探討植物物種層級(species level)之研究實屬不易，因此，

選取訓練樣區時，有關銀合歡類別須作適當的定義，

據前人研究指出，樹冠層之鬱閉度特徵，宜作為定義植群訓練樣區之依據，若探討某一植群類別時，

其訓練樣區應至少涵蓋鬱閉度 80%之純林(Reese et al., 2002)。有鑑於此，銀合歡之訓練樣區係以涵 蓋至少80%鬱閉度之銀合歡林分作為選取原則，所 有地表類別之訓練樣區建立完畢後，再行最大概似法分類，分類完成後將森林、農地、建成地、裸露地與水體等5 種類別從影像中遮罩(mask)，僅以銀合歡與非銀合歡兩種類別之主題圖呈現。最終，以 3×3 像元大小之 majority 空間過濾工具，降低影像分類後常見的鹽、椒(salt-and-pepper)現象，此外，

對於各影像中所被雲霧所遮蔽之像元，則參考所蒐

集之航空照片進行判釋與修繪。

3.2.2.2 準確度評估

影像分類後之準確度評估工作，乃藉由誤差矩陣關係表獲得分類評估指標，包括生產者準確度 (producer’s accuracy) 、使用者準確度 (user’s accuracy)、總體準確度(overall accuracy)與 kappa 係數。本研究之1988 與 2008 年影像分類結果包含銀合歡與非銀合歡兩種類別，因此，依據兩種類別之範圍各別逢機取樣，共取721 個檢核點，每一點並參考各年度所蒐集之地面參考資料，逐點辨識銀合歡與非銀合歡類別，爾後計算上述4 種評估指標，

求得兩時期之分類準確度。

3.3 動態監測

3.3.1 建立環境因子資料

為監測銀合歡入侵分佈之動態，本研究採用海拔高、坡度、坡向、河流、道路與農地等6 個環境因子進行分析，並以 GIS 作為圖層資料建立之工具，其中海拔高、坡度與坡向等圖層，係由林務局農林航空測量所之數值高程模型(digital elevation model)加以產生；河流與道路圖層係以 1/5,000 像片基本圖進行主要河流與道路之判釋與螢幕數化；

農地係由前述最大概似分類法獲得，包括旱作、稻等農耕用地範圍。為探討銀合歡於6 個環境因子之空間分佈規則，將各環境因子於空間上劃分成不同的級距，坡向依據北、東北、東、東南、南、西南、

西與西北向，將全區劃分為 8 個級距；海拔高以 20 m 為一區間；坡度以 5°為一區間；河流、道路 與農地，則依據本身的距離遠近，以20 m 為一區 間，將全區劃分為連續性分佈的級距。

3.3.2 統計分析

1988 與 2007 年銀合歡空間分佈為網格式圖層，

每一網格皆記錄著被銀合歡「入侵」與「未入侵」

之數值資料，將其與6 個環境因子之圖層資料各別進行套疊(overlay)，計算被銀合歡入侵之網格座落於各級距之百分率，即銀合歡入侵可能率

(6)

(probability)，另環境因子級距的網格數與全區之總網格數之比，可獲得各級距占全區面積的相對土地面積百分率，用於觀察銀合歡於不同環境因子以及不同級距之動態情形。至於銀合歡與6 個環境因子之相關程度乃依據線性迴歸分析法，以銀合歡入侵可能率為依變項，各級距之土地面積為獨立變項，

建構銀合歡入侵與6 個環境因子間之關係模式，可從中瞭解何種環境因子與銀合歡入侵具較高之相關程度。

4. 結果

4.1 衛星影像分類

為獲取銀合歡1988 與 2007 年之空間分佈，依據各年度地面參考資料，選取各種地表類別適當之訓練樣區，作為監督性最大概似分類之依據，銀合歡類別方面，兩個年度各別選取60 個訓練樣區，

森林、農地、建成地、裸露地與水體等5 種地表類別方面，各別選取45 個，再由兩時期 SPOT 多時

段影像進行最大概似分類，分類結果除產生銀合歡之空間分佈外，另將所有非銀合歡類別視為同一類別，僅以銀合歡與非銀合歡呈現。經分類後之準確度評估後如表2 所示，兩個時期的總體準確度約在 85%左右，其中 1988 年為 84.33%、kappa 係數為 0.67，2007 年為 85.8%、kappa 係數為 0.71，而所 有類別之生產者與使用者準確度大都高於 80%以 上。

銀合歡分類後之空間分佈如圖二所示，大體觀之，恆春半島於1988 與 2007 年之銀合歡空間分佈區域大多以西半部與南半部為主，其中西部海岸線一帶所增加的面積大有可觀，東半部地區似乎較少見其蹤跡，另觀察各時期所佔據之像元可知，2007 年之分佈較多於1988 年，計算各時期銀合歡所佔據之面積可知，1988 年為 4,210.28 ha(約占研究區範圍的7.05%)，2007 年為 8,553.44 ha(約占研究區 範圍的14.31%)，由此發現，1988~2007 年銀合歡 之面積呈現增加的趨勢。

表2 銀合歡分類結果之準確度

Classified class 1988 2007

PA UA PA UA L. leucocephala 81.36 78.82 84.62 81.88 Non- L. leucocephala 86.20 87.99 86.73 88.83

OA 84.33 85.85

kappa 0.67 0.71

PA=producer’s accuracy (%); UA=user’s accuracy (%); OA=overall accuracy (%)

a. 1988 b. 2007

圖2 1988 與 2007 年之銀合歡空間分佈

(7)

圖3 銀合歡入侵可能率與環境因子之關係(a)海拔高、(b)坡度、(c)坡向、(d)河流、(e)道路與(f)農地

4.2 動態監測

本研究利用GIS 為工具，建置海拔高、坡度、

坡向、河流、道路與農地等6 個環境因子之圖層資料，並和1988 與 2007 年之銀合歡空間分佈圖套疊，

監測銀合歡之動態情形，如圖 3(a)~(f)所示，兩個時期所呈現之曲線分佈型態雖頗為相似，惟 2007 年之銀合歡入侵可能率皆高於1988 年。如圖 3(a)

海拔高分析所示，兩時期的入侵可能率曲線，其坡峰範圍約介於40~200 m 之間；圖 3(b)坡度分析所 示，曲線坡峰範圍約介於10~20°之間；圖 3(c)坡向分析所示，入侵可能率雖以西、西南與西北3 個方位較高，惟8 個方位間的差距並不大；圖 3(d)距離河流的遠近分析所示，兩時期入侵可能率曲線雖頗為相似，惟其整體波動的型態較不似其他環境因子規律；圖3(e)距離道路的遠近分析所示，曲線坡峰

(8)

範圍約介於200~1000 m 之間；圖 3(f)距離農地的 遠近分析所示，從60 m 起，曲線分佈幾近直線關 係，隨著距離愈遠，入侵可能率愈低。綜合以上所述，銀合歡入侵可能率較高處多偏於低海拔、緩坡，

以及距離道路與農地較近之區域。

本研究進一步建構線性迴歸模式，觀察銀合歡入侵可能率與6 個環境因子間的相關程度，如表 3 所示，1988 與 2007 年之海拔高、坡度、道路與農地等4 個因子所建構之迴歸模式皆達顯著性，且由 R²可知，以上 4 個因子與兩時期銀合歡入侵之相關程度約介於0.4~0.6 之間，另河流之迴歸模式雖於1988 年達顯著性，惟其 R²卻位處所有達顯著性因子之末，至於坡向之迴歸模式於兩個時期皆無達顯著性。

5. 討論

衛星影像分類結果中，1988 與 2007 年銀合歡與非銀合歡類別之總體準確度約在85%左右，各類 別之生產者與使用者準確度大多高於 80%以上，

Thomlinson et al. (1999)指出，理想的影像分類結果 應使總體準確度保持在85%，並且各種地表類別之 生產者與使用者準確度不得低於70%以下，本研究 1988 年之總體準確度為 84.33%，雖未達 85%，惟 幾乎已達理想的標準，並且參考利用不同時期衛星影像資料，加以探討變遷分析的研究中發現，分類後之總體準確度約介於80~90%左右(Bresee et al., 2004; Arroyo-Mora et al., 2005; Nagendra et al., 2006)，因此，本研究結果基於地景層級的標準言

之，足夠進行後續的動態監測。

由銀合歡於 6 個環境因子之動態可知，2007 年之入侵可能率明顯高於1988 年，且於各環境因子的級距中，所構成的曲線分佈型態頗為相似，由此顯示，長期動態下，銀合歡入侵的面積逐漸增加，

空間上的擴張情形，多分佈於原本就有銀合歡佔據的四周環境，尤其以海拔高、坡度、距離道路與農地等4 個因子觀之，銀合歡的生長較偏好於低地、

緩坡，以及近道路與農地，由此可反映出大多係人為干擾明顯之區域，因這些區域所伴隨的活動行為，

易使原本均質的地景產生邊緣環境，並成為入侵植物擴張的途徑(Tabarelli et al., 1999)，例如道路修闢、

農業活動與遊憩開發等(Frenot et al., 2001; Hansen and Clevenger, 2005)，恆春半島境內亦可頻見類似的情形。

經統計分析後的結果發現，海拔高、坡度、道路與農地等 4 個因子皆與銀合歡的入侵皆有一定的相關程度，然而，坡向、河流因子皆與銀合歡入侵的關係並不明顯，歸咎其可能性，應與恆春半島之環境特性有關，在坡向方面，本研究區雖為低山與丘陵為主之地形，惟其地形的起伏變化仍屬複雜，

以致於8 個坡向於空間上的排列情況頗為離散；在河流方面，河流系統乃組合了各種不同型態的地景要素，其網絡的複雜度與連接的完整性，常為植物入侵成功的主因(Ward et al., 2002; Brown and Peet, 2003)，惟本研究區境內之河流系統並不發達，且網絡的連接性亦不完整。因此，承上文所述，應為坡向與河流因子未達到顯著性的原因。

表3 銀合歡入侵與環境因子之線性迴歸模式

Variable Year a b

R

² ^F

Elevation 1988 1.80 -0.93 0.46 35.78*

2007 3.50 -1.20 0.52 45.47*

Slope 1988 0.45 0.99 0.49 10.37 *

2007 0.81 3.43 0.55 13.67 *

Aspect 1988 -0.26 10.35 0.03 0.18

2007 -0.45 20.22 0.02 0.11

Stream 1988 6.31 2.92 0.35 231.38 *

2007 3.66 12.01 0.02 8.99

Road 1988 7.49 1.65 0.50 200.24 *

2007 11.33 6.26 0.45 165.54 *

Farmland 1988 4.66 0.75 0.57 297.85*

2007 9.05 1.61 0.58 308.57*

*p ≤ 0.05

(9)

6. 結論

本研究蒐集恆春半島1988 與 2007 年之遙測資料，用以建立銀合歡之空間分佈資訊，並監測其入侵之動態情形。研究結果顯示，藉由遙測的方法易掌握銀合歡於不同時期的空間分佈資訊，並獲得理想的準確度，可提供大尺度地景經營管理的重要基礎，亦有助於觀察未來大面積之銀合歡防治與原始生育地復舊工作的成效。經監測入侵動態的結果發現，1988~2007 年銀合歡呈現增加的趨勢，空間分佈的規則性多偏好於低地、緩坡，以及近道路與農地等區域，建議經營管理單位可針對以上人為干擾明顯之區域，以及該區銀合歡尚未入侵之範圍，進行分區管理與防治的工作，以控制銀合歡族群的擴張。

謝誌

本研究承行政院農業委員會林務局科技計畫 (97-00-5-34)之經費補助，特此致謝。

參考文獻

呂明倫、葉慶龍、鍾玉龍、謝依達, 2008。墾丁國家公園四種優勢植群之地面光譜分析,航測及遙測學刊, 13: 19-28。

鍾玉龍、呂明倫, 2006。SPOT衛星影像於墾丁國家公園銀合歡入侵分布之繪製, 台灣林業科學, 21: 167-177。

Arroyo-Mora, J. P., G. A. Sánchez-Azofeifa, B.

Rivard, J. C. Calvo, and D. H. Janzen, 2005.

Dynamics in landscape structure and composition for the Chorotega region, Costa Rica from 1960 to 2000. Agriculture, Ecosystems and Environment, 106: 27-39.

Bradley, B. A., and J. F. Mustard, 2005.

Identifying land cover variability distinct from land cover change: Cheatgrass in the Great Basin. Remote Sensing of Environment, 94: 204-213.

Bradley, B. A., and J. F. Mustard, 2006.

Characterizing the landscape dynamics of an invasive plant and risk of invasion using remote sensing. Ecological Applications, 16:

1132-1147.

Bresee, M. K., J. Le Moine, S. Mather, K. D.

Brosofske, J. Chen, T. R. Crow, and J.

Rademacher, 2004. Disturbance and landscape dynamics in the Chequamegon National Forest Wisconsin, USA, from 1972 to 2001. Landscape Ecology, 19: 291-309.

Brown, R. L., and R. K. Peet, 2003. Diversity and invasibility of Southern Appalachian plant communities. Ecology, 84: 32-39.

Chavez Jr., P. S., 1996. Image-based atmospheric corrections—revisited and improved. Photogrammetric Engineering and Remote Sensing, 62: 1025-1036.

Frenot, Y., J. C. Gloaguen, L. Masse, and M.

Lebouvier, 2001. Human activities, ecosystem disturbance and plant invasions in subantarctic Crozet, Kerguelen and Amsterdam Islands. Biological Conservation, 101: 33-50.

Hansen, M. J., and A. P. Clevenger, 2005. The influence of disturbance and habitat on the presence of non-native plant species along transport corridors. Biological Conservation, 125: 249-259.

Müllerová J., P. Pyšek, V. Jarošík, and J. Pergl, 2005. Aerial photographs as a tool for assessing the regional dynamics of the invasive plant species Heracleum mantegazzianum. Journal of Applied Ecology, 42: 1042-1053.

Nagendra, H., S. Pareeth, and R. Ghate, 2006.

People within parks: forest villages and fragmentation in the Tadoba-Andhari Tiger Reserve, India. Applied Geography, 26:

96-112.

Noonan, M. J., and C. C. Chafer, 2007. A method for mapping the distribution of willow at a catchment scale using bi-seasonal SPOT5 imagery. Weed Research, 47: 173-181.

Pauchard, A., and P. B. Alaback, 2004.

Influence of elevation, land use, and landscape context on patterns of alien plant invasions along roadsides in protected areas of south-central Chile. Conservation Biology, 18: 238-248.

Peterson, E. B., 2005. Estimating cover of an invasive grass (Bromus tectorum) using tobit regression and phenology derived from two dates of Landsat ETM+ data.

International Journal of Remote Sensing, 26:

2491-2507.

Reese, H. M., T. M. Lillesand, D. E. Nagel, J. S.

Stewart, R. A. Goldmann, T. E. Simmons, J.

(10)

W. Chipman, and P. A. Tessar, 2002.

Statewide land cover derived from multi-seasonal Landsat TM data: a retrospective of the WISCLAND project.

Remote Sensing of Environment, 82:

224-237.

Renöfält, B. M., R. Jansson, and C. Nilsson, 2005. Spatial patterns of plant invasiveness in a riparian corridor. Landscape Ecology, 20: 165–176.

Tabarelli, M., W. Mantovani, and C. A. Peres, 1999. Effects of habitat fragmentation on plant guild structure in the montane Atlantic forest of southeastern Brazil. Biological Conservation, 91: 119-127.

Thomlinson, J. R., P. V. Bolstad, and W. B.

Cohen, 1999. Coordinating methodologies for scaling landcover classifications from sitespecific to global: steps towards validating global map products. Remote Sensing of the Environment, 70: 16-28.

Tsai, F., and M. Chou, 2006. Texture augmented analysis of high resolution satellite imagery in detecting invasive plant species. Journal of the Chinese Institute of Engineers, 29:

581-592.

Tsai, F., E. K. Lin, and K. Yoshino, 2007.

Spectrally segmented principal component analysis of hyperspectral imagery for mapping invasive plant species.

International Journal of Remote Sensing, 28:

1023-1039.

Ward, J. V., K. Tockner, D. B. Arscott, and C.

Claret, 2002. Riverine landscape diversity.

Freshwater Biology, 47: 517-539.

With, K. A., 2002. The landscape ecology of invasive spread. Conservation Biology, 16:

1192-1203.

(11)

Journal of Photogrammetry and Remote Sensing Volume 14, No.1, March 2009 9

1Ph.D.Student, Graduate Institute of Bioresources, National Pingtung University Received Date: Nov. 20, 2008 of Science and Technology RevisedDate: Feb. 27, 2009 2Associate Technical Specialist, Yunshan National Park headquarters AcceptedDate: Mar. 27, 2009 3Professor, Department of Forestry, National Pingtung University of Science and Technology

*.Corresponding author, Phone: 886-8-7740496, E-mail: cyl@gisfore.npust.edu.tw

Spatial dynamics and regional analysis of Leucaena leucocephala in the Hengchun Peninsula, Taiwan

Ming-Lun Lu¹ Jing-Yi Huang² Yuh-Lurng Chung³

ABSTRACT

Biodiversity in Taiwan is interfered by an invasive plant: Leucaena leucocephala (L.

leucocephala), which has been considered one of the most important contemporary ecological problems. This study identified spatial extents of L. leucocephala in the Hengchun Peninsula in 1988 and 2007 using multi-temporal data from SPOT images with maximum likelihood classifier. To understand the spatial dynamics of L. leucocephala through time, we investigated the relationships between the species expansion and topography and land use. For classified maps of L. leucocephala and each image date, overall accuracies above 85% were obtained. Results of the regional analysis showed that the area was an increase in L. leucocephala cover, and a preferential invasion was found at lower elevations, gradual slopes, proximity to the roads and farmlands. Further, the results of statistic analysis indicated that the correlations of the elevation, slope, road and farmland with L.

leucocephala invasion were considerably. Therefore, enhancement was required for the L.

leucocephala management on human disturbance zones.

Keywords:

invasive plant, multi-temporal, maximum likelihood classifier, management, human disturbance

(12)

(13)

航測及遙測學刊第十四卷第一期第 11-23 頁民國 98 年 3 月 11

Journal of Photogrammetry and Remote Sensing Volume 14, No.1, March 2009, pp. 11-23

1國立成功大學地球科學研究所博士生收到日期:民國 98 年 03 月 13 日

2國立高雄師範大學地理學系副教授修改日期:民國 98 年 04 月 28 日

3財團法人工業技術研究院能源與環境研究所正研究員接受日期:民國 98 年 05 月 11 日

*通訊作者, 電話: 886-6-2339249、0937-660711, E-mail: l4897104@mail.ncku.edu.tw

結合衛星影像與地形指標於山崩自動分類之研究

楊孟學^1* 林明璋 ² 劉進金³

摘要

過去遙測辨識山崩的方法，主要根據二維的影像光譜資訊及特定的分類演算法予以分類。因為利用影像光譜資訊難以將山崩與道路、屋頂及裸露地等光譜特徵值相似之地類分離，所以本研究以石門水庫上游集水區為例，選定龍王颱風襲台後之SPOT 影像以及三維空載光達(LiDAR)數值地形模型及其衍生地形指標等，進行自動分類之探討，期望能提昇山崩的分類精度。本研究使用的地形指標包括︰(1)DEM 坡度、(2)碎形維度指標、(3)地形多樣性指標(Diversity)、(4)地形優勢度指標(Dominance)、(5)地形相對複雜度指標(Relative Richness) 等五項。同時以最大似然分類法 (Maximum Likelihood) 以及馬氏距離法 (Mahalanobis)比較各種地形指標之輔助程度。結果發現，利用地形指標輔助 SPOT 原始四波段分類，以 DEM 坡度在最大似然分類法下輔助效果最佳，能減少 27%以上的誤判。其次則以地形多樣性指標，約有 11%的輔助效果。

關鍵詞：光達、地質災害、影像分類

1. 前言

隨著高解析度航、遙測影像的普及化，國內逐漸以大比例尺影像配合地面調查進行災害調查及防治。傳統方式是利用航照影像或是衛星影像二維的光譜自動化辨識山崩。利用航照判釋精度較高，

但需要花費較多的人力及時間成本，而衛星影像自動辨識，雖然自動化程度較高，但其分類精度仍是近年來，多數研究追求的目標，原因在於僅利用影像的光譜資訊作為辨識的依據，容易造成光譜值接近的地物與山崩無法分離，因此需要加入不同的資訊輔助辨識。然而國內最常使用的輔助資料仍以農委會四十公尺數值地形最廣為應用，受限於空間解像力的限制，在應用上仍有相當大的限制。傳統遙測辨識山崩的方法主要根據為二維的影像光譜資訊，難以將山崩與道路、屋頂及裸露地等光譜特徵值相似之地類分離，圖1 說明在 SPOT 影像上容易與山崩產生誤判之地物類別。

本研究加入三維的空載光達(Light Detection And Ranging, LiDAR)數值地形模型及其衍生地形指標(geomorphic indexes)，期望能提昇山崩的分類精度，以達到自動化的目的。地形計測學 (geomorphometry) 為探討地景幾何形貌的科學 (Mark, 1975)。地景幾何形貌的變化程度可用地形起伏(relief)及地表粗糙度(roughness)等指標加以描述，地形起伏可表示一定範圍內高度的變化程度，

是屬於垂直的量度方式；地表粗糙度則可利用地表不規則程度(irregularity)描述地表的簡單或複雜 (rougher)程度如崎嶇或平緩，是屬於水平的量度方式(Mark, 1975)。地形計測指標尚有碎形 (fractal)、

組織(Texture)、紋理(Grain)、水系密度(drainage density)等( Goodchild and Mark, 1978)。地形計測的方式可透過一組可量度地形型態的參數來表現地形的特徵(許秋玲, 2002)，例如 Evans(1972)提出的五個參數：高度(altitude)、坡度(slope)、坡向(aspect)、

縱剖面曲率(down-slope convexity)、橫剖面曲率

(14)

(cross-slope convexity)亦為描述地形起伏及地表粗糙度的指標。

當地表光譜特徵接近之地類無法透過光學影像分離時，解決的方式可包括分類演算法的改進或使用不同維度的資料。

Eiumnoh and shresta (1997)比較監督式分類法以及監督式分類法使用不同維度資料輔助分類之成效。研究成果中，使用NDVI、PC1、以及 DEM 之資料組合並以最大似然分類法之分類成果最佳。

在非監督式分類法下，加入DEM 影像之分類組合其分類精度亦較僅使用原始影像或經波段運算成果之分類組合為佳。

Lee and Shan (2003)融合(fusion)空載光達地表高程(DSM)資料與 IKONOS 高解析度衛星影像於海岸地區土地利用分類，分類成果中發現融合 DSM 高程資料之 IKONOS 影像分類成果能有效降低誤判(commission)與漏判(omission)的情況發生，

該研究發現，在影像中光譜特徵較接近之地物，如：

屋頂與道路，在光達DSM 高程資料加入後能有效的分離兩者，研究結論也建議，有些地物使用高程資料後仍無法能有效分離光譜特徵接近之地物之情況，後續可加入更多的指標輔助分類。

Glenn et al. (2006)利用空載光達產製地形粗糙 度指標 (surface roughness)、坡度、半變異數指標 (semivariance) 、以及碎形維度指標 (fractal dimension)並結合歷史 GPS、經緯儀、以及野調觀測資料瞭解山崩的型態。分析的結果也發現，在山崩體的趾部(toe)位置，主要呈現較破碎且地表粗糙度較高的狀況，在山崩主體(body)的部分，地表粗糙度相對於趾部較低，在山崩頂部(upper block)的位置，則呈現較低的地表粗糙度和較主體和趾部高的半變異數指數，此區的碎形維度指標也相對較主體及趾部位置數值為低。該研究使用之指標除了可分析山崩的各種型態，也可界定山崩各種型態的邊界，此成果則有助於瞭解山崩發生的過程。

2. 研究區概況

本研究選定桃園縣復興鄉大漢溪中下游一帶作為研究區，其行政區範圍主要位於桃園縣復興鄉內(圖 2)。依據中央地質調查所(2003)出版之二十五萬分之一臺灣數值地質圖，研究區內之地層屬於中新至漸新世的地層，區域內地層由老至新大致為乾溝層、粗窟砂岩、大桶山層、媽岡層、木山層、大寮層、石底層、北寮層、打鹿頁岩、觀音山砂岩、

南莊層至沖積層等(何春蓀，1986)。

研究區內岩性以砂岩和頁岩組成為主，因為砂頁岩互層為較不能維持邊坡穩定的岩層，此類的岩層節理發達，構成眾多的不連續面，所以不易維持邊坡穩定。此外，砂頁岩物理性質差異大，頁岩容易風化，且吸水後容易軟化，因此由砂頁岩組成的邊坡容易崩塌(王鑫，1979)。

研究區內的主要聯外道路為省道台七線，亦稱北部橫貫公路，而區內有雪霧鬧及里安等產業道路。

每當大雨或颱風過後，本區在道路兩旁及河岸邊坡皆是容易發生山崩的區域。

3. 研究方法

本節說明實驗數據收集、各種地形指標產製之演算法、以及所選用之分類演算法。

3.1 空載光達資料處理

空載光達可根據雷射多重反射特性分別產製網格式DEM 以及 DSM 產品，在產製網格式數值地形模型資料前，將原始點雲以 IDW 內插法進行點雲內插處理。該內插法利用線性加權(linearly weighted)的方式進行內插，將已知點(點雲)劃設搜索半徑(search radius)，並計算半徑範圍內已知點與未知點的線性距離，當未知點距離與已知點的距離越近，其加權的權重越大，反之越小，由於權重是距離的反比(1/d)，因此距離已知點越近，其地表特徵會較為詳細，反之越平滑。

(15)

楊孟學、林明璋、劉進金：結合衛星影像與地形指標於山崩自動分類之研究 13

3.1.1 空載光達 2.5m DEM

空載光達產製規則網格DEM 時，需將分類完成之地面點雲以 ASSCII 格式輸出並利用 IDW 演

算法進行內插。由於 SPOT 影像之空間解析度為 2.5m，因此需將完成內插之 DEM 重新取樣為 2.5m，

並裁切與研究區範圍相同的影像。

圖1 SPOT影像上易與山崩造成誤判之地物河流

建物山崩

道路

河流

建物山崩

道路

(16)

圖2 研究區位置圖

3.1.2 空載光達 2.5m DSM

在產製規則網格DSM 時，選擇雷射點雲第一回波(first echo)以及單一回波(only echo)之點雲，經內插後獲得網格化之2.5m DSM。

3.2 空載光達產製地形指標

高程資料雖然是由光達產出之第一手資料，但對於地表複雜度指標而言，高程資料仍屬於一維資料(Glenn et al., 2006)。對於所探討之山崩課題，利用高程資料作為主要工具，對於精度提升之成效成果可能有限，因此可藉由高程資料衍生出利於山崩辨識之地形複雜度指標。

3.2.1 DEM 坡度圖

雖然透過遙測影像的光譜資訊能辨識出不同的地物，但若僅透過光譜的差異分離山崩與其他地物，加上影像解析度的限制，容易發生光譜值與山

崩接近之地物(裸土、河流、土地利用)無法達到有效的分離。而與山崩光譜特徵接近之地物，在坡度上可能有很大的差異，與光學影像比較屬於不同維度的資料來源，也是常用於量測地表複雜度的指標之一，因此可藉由坡度輔助影像進行分類(圖 3)。

DEM 坡度的產製則透過規則網格資料配合坡度演算法計算坡度，其計算方式是採用規則網格的資料格式作為計算的基礎，從3x3 的核窗(kernel window)中計算周圍鄰近的八個高程值，得到中間網格的坡度，所採用的坡度演算法為三階反距離平方加權差分法(Third-order finite difference weighted by reciprocal of squared distance，3FDWRSD)，該演算法由Horn(1981)修改自 Sharpnack and Akin(1969)之演算法,計算公式如下：

Horn(1981)針對該 3x3 核窗中非對角元素加權，

演算法修改如下式：

size cell

z z z z z

x z

f 8

) (

2 ) ) (

( ³ ¹ ⁶ ⁴ ⁹ ⁷

×

−

− +

= −

size cell

z z z z z

y z

f 8

) (

2 ) ) (

( ⁷ ¹ ⁸ ² ⁹ ³

×

−

− +

= − (1)

修正演算法後，x 方向核窗內各元素的權重如下所示：

1/8 0 -1/8 1/4 0 -1/4 1/8 0 -1/8

修正演算法後，y 方向核窗內各元素的權重如下所示：

-1/8 -1/4 -1/8 0 0 0 1/8 1/4 -1/8

兩坡度演算法主要之差異在於加權方式的不同，此差異間接影響地形分析之精度，Horn(1981) 之演算法較原始Sharpnack and Akin(1969)之演算

(17)

楊孟學、林明璋、劉進金：結合衛星影像與地形指標於山崩自動分類之研究 15 法精度為佳，應用於地形分析上，具有較小的殘差

量(Jones, 1998)。

3.2.2 碎形維度指標 (Fractal Dimension)

自然界真實的地表狀況無法利用簡單的數學公式描述，但由於真實的複雜地形具有自相仿性 (self-affine) 的隨機碎形 (random fractals) 特性 (Turcotte，1997)，因此可用於瞭解地形的粗糙度 (roughness)。每一個碎形物體均具有一個非整數值的特徵量，可定量描述不同比例變化過程之結構或變化量，稱為碎形維度(fractal dimension)(劉進金等，

2006)。此處的維度則指歐基理德幾何中拓樸維度 (topological dimension)，如線(line)代表一維；面 (plane)代表二維；立方體(cube)則代表三維。當維度較高時，代表地形呈現較“粗糙＂狀，因此可用於量度地形的複雜度(degree of complexity)(Glenn et al., 2006)。

本研究使用之碎形維度量測方法原為用於量度線形碎形維度之單次(single pass)技術(Eastman, 1985)，每各單一線段的角度均考慮為碎形物體產生之角度方向性(圖 3)，公式如下：

⎜⎜⎝

⎛ ⎟⎟⎠

⎟⎞

⎠

⎜ ⎞

⎝

⎛ −

+ 2

sin 180 log log(2)

log(2)

= _Dimension Fractional

slope

3.2.3 地形多樣性指標(Diversity Index)

地形多樣性指標(Diversity)影像的計算方式是將DEM 依據高程值範圍予以分類再進行計算，公式如下(Turner, 1989)：

∑

=

×

= Η ^S

1 K

ln(P) (P)

- (3)

上式中，

∑

= S 1 K

為影像中所有類別之總和；P 為每

一類別在核窗中所佔之比例；ln 則用來計算 P 值的自然對數。

利用DEM 產製 Diversity 可用於描述地形起伏度，能將起伏度較低與地勢較複雜之處分於不同類別，而此特性則可減少光學影像上易與山崩產生誤判之地物。Diversity 影像可產製不同核窗大小之影像，主要之差異為(3)式中的 P 值，P 值會隨著核窗的擴大而影響到比例的多寡，在數值上的影響則是隨著核窗的擴大，影像的數值範圍越大，這代表隨著核窗擴大，地表起伏度的描述更加詳細(圖 3)。

DEM Slope Fractal Dimension

圖3 光達產製 Slope 及 Fractal Dimension 影像

(2)

(18)

3.2.4 地形多樣性指標(Dominance Index)

地形優勢度指標(Dominance)計算前需依據影像範圍值並予以分類。該影像的計算方式較 Diversity 影像計算為複雜，但必須先將 Diversity 值計算出，公式如下(Turner, 1989)：

D = H max – H ， H=ln(n) (4) 上式中，H 為 Diversity 所計算之值，H 值又可取與中心網格類別有所差異之數量的對數；Hmax則取影像中Diversity 的最大值(圖 3)。

3.2.5 地形相對複雜度指標 (Relative Richness Index)

地形相對複雜度指標(Relative Richness)的計算方式是依據影像範圍值並予以分類，並找尋影像最大值之類別，計算公式如下(Turner, 1989)：

R = 100 (5)

上式中，

n

_max為影像中之最大類別;

n

為與中心網格類別有所差異之數量。

Relative Richness影像值介於0~1之間，該指標主要用於描述地勢起伏程度。若地勢起伏較平緩之處，其數值較小，地勢起伏較大處則數值較大，因此可用於描述地表之起伏度，甚至可進一步輔助遙測影像進行山崩之分類(圖3)。

此外由於該指標計算(5)式中，

n

為計算與中心網格類別有所差異之數量，因此若計算的網格核窗為3x3 時，則

n

最大僅為8，表示在 3x3 核窗下，

僅會有八種類別，因此當計算核窗擴大時，類別數量亦隨之改變，地表複雜度在此指標下亦更詳細。

3.3 彩色正射航照

SPOT 5 影像空間解析度為 2.5m，評估分類精 度時則須較高精度的大比例尺之影像作為參考資料,故採用農林航空測量所產製之 1/5000 大比例尺

航照產生一組山崩與非山崩的地真資料。研究中利用農林航空測量所出版之彩色正射航照作為山崩地真資料選取的參考資料之一，航照攝像時間為 2004 年 7 月影像，像底點(Nadir)空間解析度為 0.5m。

3.4 衛星影像

本研究使用之實驗影像為SPOT 5 衛星影像，

攝像時間為2005 年 11 月 1 日龍王颱風襲台後影像，

經裁切為1000x2000 像元大小後範圍。SPOT 5 可利用兩組 HRG 感測器同時拍攝 HM 資料，經過影像融合處理可以提昇空間解析度至 2.5m，為超解像模式 (Supermode)影像(CNES, 2007)。

3.5 影像分類法

影像分類技術是辨識地表不同種類的方法之一，利用影像的灰度值並依不同演算法予以歸類，

若依分類流程不同予以區分，一般可分為監督式分類及非監督式分類兩種。監督式分類法是根據所選取的樣本做為參考，依據參考資料作為分類之依據，

在配合不同的演算法進行分類，而非監督式分類法則是由不同演算法所各自定義的法則直接進行分類，而不進行人工選取訓練樣區的流程(Lillesand et al., 2004)。而本研究為驗證光達資料對原始 SPOT 資料的輔助成效，故選定同一訓練樣區，配合兩種分類法驗證之。

3.5.1 最大似然分類法

最大似然分類法 (Maximum Likelihood Classification)為監督式分類的其中一種，透過訓練樣本的選取並計算某未知樣元屬於某類別之最高機率，決定該像元所屬類別。

在分類的策略上則以貝氏分類理論作為分類之法則，由於需假設樣本在特徵空間上呈多維常態分佈(multivariate normal distribution)，因透過訓練樣本的選取並計算某未知樣元屬於某類別之最高機率以決定該類別之屬性。此計算各樣本在各波段

(19)

楊孟學、林明璋、劉進金：結合衛星影像與地形指標於山崩自動分類之研究 17 及各類別的平均向量(mean vector)及協方差矩陣

(covariance matrix)用以瞭解資料的分佈型態，最後將所計算之平均向量及協方差矩陣帶入機率密度函數(probability density function)中，決定未知像元屬於各類別之機率(Richards and Jia, 2006)。公式如下(6)：

| 2 | |

exp 1

2 x m x m

上式中，判別分類所屬類別的條件為，當屬於類別機率為所有類別中最大者時，則將像元歸類為類別，為類別的平均向量值，為類別之協方差矩陣。

3.5.2 馬氏距離分類法

馬氏距離分類法(Mahalanobis Classification)是利用計算樣本集與未知像元距離遠近決定其相似程度，雖然與最短距離法相同，是利用的距離決定樣本與未知像元的關係，但馬氏距離法所使用的距離並非最短距離法所使用之歐基理德距離，而與最大似然分類法類似，同時參考樣本的協方差矩陣及平均向量值計算各像元在不同維度下距離各類別樣本之間的距離(Richards and Jia, 2006)。分，計算公式如(7)式：

) (

)

( ¹

2

i k i t i

k v M x v

x

D = − ⁻ − (7) 上式中，xk代表未知像元，vi則計算i 類別之平均 向量，Mi為i 類別之協方差矩陣。

3.5.3 分類實驗設計

由光達所產製之各種指標則分別加入 SPOT 四個波段中輔助分類，最後在分類成果中與SPOT 進行比較並瞭解是否光達指標有助於山崩分類，因此工作項目可分為三大部分：

(1) 僅利用 SPOT 四個波段(綠光段、紅光段、近紅外光段及短波紅外線)分類。

(2) 光達地形指標加入 SPOT 四個波段中，成為第

五個波段，加入分類實驗。

(3) 於進行影像分類前，一共選定七種地物類別做為訓練樣本，待分類完成後才將訓練樣本當中六種非山崩類別歸為一類，與山崩類別進行精度評估。

3.5.4 訓練樣本選取原則

經選取之訓練樣本可直接用於計算平均向量及協方差矩陣，但面對不同維度之多光譜空間時，

所需之最低像元數量則需符合最少像元規則，否則將無法得到正確且優良的平均向量及協方差矩陣值，尤其面對多維度之光譜空間時，容易因為光譜維度的增加而使不好的維度加入分類，為避免無法求得良好的識別函數(discriminant function)，在每個維度所需之樣本至少為N＋1 各樣本數量，以研究中所使用之SPOT 5 影像為例，由四個波段組成，

在四個光譜維度中，每各光譜類別所需要最少之訓練樣本為5 個樣本，但在多維度光譜的情況下，最好的情況是樣本數越多則分類精度越佳，Swain and Davis (1978)則建議每各光譜維度至少需要 10N 各樣本數作為求解平均向量及協方差矩陣值之用，100N 各像元則可得到更高的精度(Richards and Jia, 2006)。

由光達資料衍生出各種指標後，在進行分類實驗前，需先根據地真資料選取訓練樣本，才能進行分類實驗以評估各種指標對於 SPOT 影像的輔助效果。而訓練樣本的選取流程如下：

(1) 參考大比例尺航照影像及現地調查資料。

(2) 根據參考資料並於 SPOT 影像上選取各種地物作為訓練樣本。

(3) 訓練樣本統計。

參考地真資料所選取之訓練樣本統計資料如表 1 所示。

(6)

(20)

表1 各類別訓練樣本說明

訓練樣本類別像元數森林(亮) ²⁵⁰ 森林(暗) ²⁰⁹

道路 ¹⁰²

土地利用 ⁵¹⁸

河流 ⁹³

建物 ³⁴

山崩 ³²⁰

總數 ¹⁵²⁶

4. 成果與討論

在分類實驗設計中，一共選定兩種分類法，分別為最大似然及馬氏距離分類法，使用兩種分類法之目的為瞭解各種資料在不同分類法下是否仍具有一致性，因此兩種分類法皆使用同一組訓練樣本。

分類成果及討論分述如下：

4.1 SPOT 分類成果

此分類實驗利用 SPOT 原始四個波段並以兩種不同分類法進行分類，表2 為其分類成果，說明

如下：

(1) SPOT 四個波段在種分類法下，其分類精度大致上一致，其中生產者精度以馬氏距離分類法分類成果最佳可達 61%，但三者的誤判率 (commission)皆較高，在最短距離法下，僅有 28.69%的分類精度。另外可從分類成果看出，

發生誤判率較高的地方主要為：河流、道路、

建築物及農耕地等，皆是誤判發生較高之處，

表示這兩種地類之影像光譜特徵與山崩極為接近。

(2) 山崩在辨識率上受限於與水體、建物及農耕地光譜特徵過於接近，加上僅利用SPOT 原始四個波段進行分類，資訊有限，因此山崩的辨識程度明顯不足，導生產者精度不佳。

4.2 LiDAR 產製地形指標輔助 SPOT 之分類成果

此分類實驗加入LiDAR DEM 坡度、Fractal、

Diversity、Dominance 以及 Relative Richness 等指標輔助SPOT 四個波段影像進行分類，說明如下：

表2 SPOT 原始四個波段在兩種分類法下之分類成果

SPOT (4 Bands)

Maximum Likelihood

Mahalanobis Distance PA% UA% PA% UA%

山崩 57.81 28.91 61.17 32.84 非山崩 97.04 99.10 97.40 99.18

OA (%) 96.2450 96.6610

Kappa 0.3683 0.4117

PA(Producer’s Accuracy): 生產者精度 UA(User’s Accuracy ): 使用者精度 OA(Overall Accuracy):整體精度

(21)

楊孟學、林明璋、劉進金：結合衛星影像與地形指標於山崩自動分類之研究 19 SPOT 在加入 DEM 坡度後，山崩在兩種分類法上

的分類精度皆有明顯的提升，當中又以最大似然分類法為最佳，整體分類精度達98%以上(表 3)，而生產者精度接近80%。加入 DEM 坡度後，與僅用 SPOT 四各波段進行分類比較，明顯在水體、道路、

建築物及農耕地等處少了許多誤判的山崩出現。造成誤判率降低最大的原因在於上述地物在DEM 坡度上皆為坡度較低緩之特徵，而發生山崩之處大多為坡度較大之處，因此光譜值與山崩接近之地物，

在加入DEM 坡度後對於光譜值與山崩接近的地物，

則有明顯的分離效果，這樣的現象，在不同的分類法上亦可看出相同的趨勢。

4.3 Fractal 指標輔助 SPOT 之分類成果

參考表4 為利用 Fractal 輔助 SPOT 分類之精度報告：

在兩種分類法下，以最大似然分類法成果最佳，

但效果僅限於生產者精度的提升，對於使用者精度則沒有太多的輔助效果，反有誤判率增加的問題，

Fractal 指標造成過多的誤判，此現象是由於在影像上容易與山崩造成混淆之地物在Fractal 指標上過於接近，而此現象則容易造成誤判率的增加。

4.4 Diversity 指標輔助 SPOT 之分類成果

Diversity 指標輔助分類，其分類精度與 SPOT 原始資料相較：

輔助程度最明顯之處為生產者精度，兩分類法皆有明顯的提升效果，尤其是在最大似然分類法下，最高可達到20%以上之精度提升效果，此外以馬氏距 離分類法亦至少有 13%以上之精度提升效果(表 5)。

在使用者精度方面在最大似然分類法及馬氏距離法皆有明顯的輔助效果，其精度與原始僅利用 SPOT 進行分類相比較，最高可達到 11%之提升效 果。

4.5 Dominance 指標輔助 SPOT 之分類成果

由 Dominance 指標輔助分類，可歸納以下結論：

其分類精度在兩種分類法下趨向一致，整體精度維持在96%以上。由表 6 整理可知，Dominance 指標對於分類的輔助作用在於生產者精度的提升，

意即對於漏判情況的改善，與原始SPOT 相較，使用者精度之提升效果最高可達3%以上(表 8)。

4.6 Relative Richness 指標輔助 SPOT 之分類成果

Relative Richness 指標輔助 SPOT 分類，可歸納以下結論：

在兩種分類法下，與原始SPOT 進行分類比較，

使用者及生產者精度表現亦趨向一致，皆為生產者精度有明顯的提升(表 7)。

Relative Richness 指標在最大似然分類法下與原始SPOT 相較，該指標是所有指標中輔助程度最明顯者，生產者精度可增加20%以上，在馬氏距離 分類法下亦可增加9%以上(表 8)。

表3 LiDAR DEM 坡度輔助 SPOT 在不同分類法下之分類成果

+ DEM 坡度

Maximum

Likelihood Mahalanobis Distance PA% UA% PA% UA%

崩塌 79.94 56.69 68.52 32.04 非崩塌 98.73 99.58 96.98 99.33

OA(%) 98.3478 96.3992

Kappa 0.6552 0.4206

(22)

表4 LiDAR Fractal 輔助 SPOT 在不同分類法下之分類成果

+ Fractal

Maximum

Likelihood Mahalanobis Distance PA% UA% PA% UA%

崩塌 78.56 22.44 69.70 17.57 非崩塌 94.35 99.53 93.20 99.33

OA(%) 94.0328 92.7249

Kappa 0.3278 0.2565

表5 LiDAR Diversity 輔助 SPOT 在不同分類法下之分類成果

+ Diversity

Maximum

崩塌 79.06 40.55 74.39 34.78 非崩塌 97.59 99.56 97.10 99.45

OA(%) 97.2129 96.6369

Kappa 0.5232 0.4590

表6 LiDAR Dominance 輔助 SPOT 在不同分類法下之分類成果

+ Dominance

Maximum

崩塌 61.57 30.67 62.16 34.37 非崩塌 97.11 99.18 97.53 99.20

OA(%) 96.3823 96.8123

Kappa 0.3929 0.4276

表7 LiDAR Relative Richness 輔助 SPOT 在不同分類法下之分類成果

+ Relative Richness

Maximum

Likelihood Mahalanobis Distance PA% UA% PA% UA%

崩塌 77.91 37.51 71.16 28.58 非崩塌 97.30 99.53 96.30 99.38

OA(%) 96.9065 95.7913

Kappa 0.4924 0.3901

4.6 小結

從光達各種指標輔助 SPOT 於崩塌地分類說明多數的指標對於精度的提升都有一定的幫助，主要原因在於光達提供了不同維度的資料，因此在所有的輔助資料及 SPOT 原始四個波段上將所有資料正規化(scaling)為 0-1 之間上並依據不同地物在影像上量取不同點，結果如圖5 及圖 6 所示，該分析資料主要說明幾項物理意義：

(1) 在 SPOT 原始四個波段上分別量取建物、土地利用、道路、河流、以及兩種色調的崩塌地(虛線)等五種地物，結果發現各種地物在 SPOT 四個波段上，與崩塌地的空間位置過於接近，這樣的情況容易導致崩塌地與其他地物產生誤判的情形。

(2) 由光達產製之地形複雜度指標可發現，崩塌地與其他地物的光譜空間有較大的分離度，尤其在 DEM 坡度、Diversity、Dominance 以及 Relative Richness 等指標上可看出明顯的分離效果，而這種現象也與分類成果相符合(表 8)。

圖5 不同地物類別在各種地形指標下與山崩(影像上色調較暗)之分離程度

(23)

楊孟學、林明璋、劉進金：結合衛星影像與地形指標於山崩自動分類之研究 21

圖6 不同地物類別在各種地形指標下與山崩(影像上色調較亮)之分離程度表8 結合不同資料組合後山崩分類精度變化

Maximum Likelihood Mahalanobis Distance PA% UA% PA% UA%

SPOT(4 bands) 0 0 0 0

DEM 坡度 ＋22.13 ＋27.78 ＋7.35 -0.8

Fractal ＋20.75 －6.47 ＋8.53 -15.27

Diversity ＋21.25 ＋11.64 ＋13.22 ＋1.94

Dominance ＋3.76 ＋1.76 ＋0.99 ＋1.53

Relative Richness ＋20.1 ＋8.6 ＋9.99 -4.26

5. 結論與建議

本研究利用空載光達高程資料轉換成不同的地表複雜度指標輔助影像自動化分類，並在最大似然分類法以及馬氏距離分類法等兩種分類演算法下比較其分類成果之差異，提出以下結論：

5.1 結論

SPOT 影像在兩種分類法下之分類成果可發現，

僅利用原始四個波段資訊進行分類，由於山崩與其他地類分離度不佳，尤其河流、土地利用、道路等三類地物容易與山崩像元造成混淆，導致於誤判率及漏判率過高。

由空載光達高程資料衍生之幾項指標中，以地形多樣性指標(Diversity)在最大似然分類法下，輔助SPOT 分類效果最具明顯。若同時考慮生產者與

使用者精度，則以DEM 坡度輔助分類精度最佳。

次之，地形相對複雜度指標(Relative Richness)在不同分類法的差異下，最高亦有21%的精度提升。此 成果顯示，除了目前較常用用於山崩判釋之坡度指標外，地形多樣性及地形相對複雜度等指標亦是未來可嘗試於山崩分析或判釋用途之指標。

誌謝

本論文乃第一作者於工業技術研究院工讀期間參與內政部與中央地質調查所之空載光達工作計畫時所完成。此外，兩位暱名審查委員給予寶貴建議，增進本文的完整性，在此特別表示感謝。

參考文獻

王鑫，1979，石門集水區的地勢分析，國立臺灣大學理學院地理學系研究報告，第十卷，43-72

(24)

頁。

中央地質調查所，2003，臺灣數值地質圖，經濟部中央地質調查所。

何春蓀，1986，台灣地質概論－台灣地質圖說明書。

增訂二版，經濟部中央地質調查所，共164 頁。

許秋玲，2002，數值高度模型之地形複雜度量度指標研究─以蝕溝等級為例，國立臺灣大學地理環境資源學系碩士論文。

劉進金、楊孟學、史天元，2006，利用高解析數值地形探討台灣北部麓山帶沉積岩之碎形維度與破碎度，內政部「高精度及高解析度數值地形模型建置計畫」成果發表及相關應用研討會論文集，35-44 頁，9 月 28-29 日，台北。

CNES, 2007. SPOT 5 Instruments Features.

URL:http://spot5.cnes.fr/gb/satellite/instruments.

htm (last date accessed:20 Oct 2007).

Eastman, J. R., 1985. Single-Pass Measurement of the Fractional Dimensionality of Digitized Cartographic Lines. The Canadian Cartographic Association, Annual Meeting, June, at Frederiction, New Brunswick.

Eiumnoh, A. and Shresta, R.P. 1997. Can DEM Enhance the Digital Image Classification? , Proceedings of the 18th Asian Conference on Remote Sensing.

Evans, I.S., 1972. General Geomorphometry, Derivatives of Altitude, and Descriptive Statistics, In Chorley, R.J (Ed.): Spatial Analysis in Geomorphology. , London: Methuen & Co Ltd, : 17-90.

Glenn, N.F., Streutker, D.R., Chadwick, D.J., Tackray, G.D. and Dorsch, S.J., 2006. Analysis of LiDAR-derived Topographic Information for characterizing and differentiating landslide morphology and activity, Geomorphology, Vol.73, pp.131-148.

Goodchild, M.F. and Mark, D.M., 1978. The Fractal Nature of Geographic Phenomena Annals of the Association of American Geographers, 77 (2):265-278.

Horn, B.K.P., 1981. Hill shading and the reflectance map. Proceedings of the Institute of Electrical and Electronics Engineers IEEE, 69(1), pp.

14-47.

Jones, K.H.,1998. A Comparison of Algorithms Used to Compute Hill Slope as a Property of the DEM, Computers and Geosciences, 24:315-323.

Lee, D.S and Shan, J. 2003. Combining LiDAR Elevation Data and IKONOS Multispectral Imagery for Coastal Classification Mapping, Marine Geodesy, 26: 117-127.

Lillesand, T. M., R. W. Kiefer, J. W. Chipman. 2004 Remote Sensing and Image Interpretation, 5th Ed.

John Wiley & Sons, Inc.

Mark, D.M., 1975. Geomorphometric Parameters: A Review and Evaluation, Geografiska Annaler.

Series A, Physical Geography, 57: 165-177.

Richards, J.A. and Jia, X., 2006. Remote Sensing Digital Image Analysis: An Introduction, 4 rd Ed.

Springer-Verlag, Berlin.

Sharpnack, D. A. and Akin, G. 1969. An algorithm for computing slope and aspect from elevations, Photogrammetric Engineering, 35(3): 247-248.

Swain, P.H. and Davis, S.M. 1978 Remote Sensing:

The Quantitative Approach. McGraw-Hill, New York.

Turcotte, D. 1997. Fractals and Chaos in Geology and Geophysics, 2nd ed. Cambridge University Press, New York.

Turner, M.G., 1989. Landscape ecology: The Effect of pattern on process. Annual Review of Ecology and Systematics, 20: 171-197.

(25)

Journal of Photogrammetry and Remote Sensing Volume 14, No.1, March 2009 23

1Ph.D student, Department of Earth Sciences, National Cheng Kung University Received Date: Mar. 13, 2009 2.Associate Technical Specialist, Yunshan National Park headquarters RevisedDate: Apr. 28, 2009 3Senior Researcher, Industrial Technology Research Institute AcceptedDate: May. 11, 2009

*.Corresponding author, Phone: 886-6-2339249、0937-660711, E-mail: l4897104@mail.ncku.edu.tw

Integrating Geomorphic Indexes and SPOT Multispectral Imagery for Landslides Classification

Ming-Lun Lu^1* Jing-Yi Huang² Yuh-Lurng Chung³

ABSTRACT

Conventional approach of landslide mapping is either solely on basis of spectral or spatial characteristics of the 2D images. Landslides are usually confusing with houses, roads, and other bare lands because these ground features have similar spectral patterns. In this study, 3D airborne LiDAR data are integrated with SPOT images for landslide classification for improving classification accuracy.

A study area is selected in a sub-basin of Shimen Reservoir. SPOT images and LiDAR data are taken in the same month after the typhoon of Longwang in November of 2005. The LiDAR-derived data include DEM slope gradient, DSM slope gradient, and roughness data such as Fractal dimension, diversity, dominance and relative richness. These derivatives are then combined with spectral bands for classification algorithms including maximum likelihood and Mahalanobis. Comparisons are made for various approaches such as with or without LiDAR derivatives and various classification algorithms. It is concluded that with the inclusion of LiDAR derivatives and proper arrangement of classification procedures, an improvement of more than 11% of user’s accuracy and 27% of producer’s accuracy in diversity by maximum Likelihood classification algorithms can be achieved. Secondary, the diversity provides 11% of user’s accuracy and 21% producer’s accuracy by maximum likelihood classification algorithms.

Keywords:

Airborne LiDAR, Geological Hazard, Image Classification

(26)

航航 測測 及及 遙遙 測測 學學 刊刊 Journal of Photogrammetry and Remote Sensing