台中地區土地利用與都市熱島效應之時空變遷分析

全文

(1)國立臺灣師範大學文學院地理學系. 碩士論文 Department of Geography College of Liberal Arts. National Taiwan Normal University Master’s Thesis. 台中地區土地利用與都市熱島效應之時空變遷分析. Multi-temporal Land Use Land Cover Change and Urban Heat Island Effect Analysis in Taichung 莊明軒 CHUANG, Ming-Syuan 指導教授：張國楨博士 Advisor: CHANG, Kuo-Chen, Ph.D. 中. 華. 民. 國. 1. 0. 9. August 2020. 年. 8. 月.

(2) 謝辭. 時值盛夏，也到了該畢業的時候了，七年來，從大學部到研究所，在師大地理系的學生生涯十分充實愉快，由於許多貴人的幫助，讓我得以順利完成學業。首先，我要感謝我的家人，爸爸、媽媽和妹妹，在我灰心時鼓勵我，在我開心時與我一起分享快樂，總是成為我的後盾，讓我無慮地在台北求學。還記得當年學測落榜的時候，是家人和我一起走過低潮，讓我重拾課本拚向指考，終於考上心中的理想志願，而研究所考試也是一樣，在甄試階段都被刷下，直到第二次招生的筆試考試才錄取，能夠撐過這些困境走到今天，真的要非常感謝我的家人。我也要感謝本研究的指導老師，張國楨老師。在大二時修了老師的地理資訊系統的課，開啟了我對於 GIS 的興趣，也因為這樣，之後更進一步學習遙測、衛星影像處理等技術，感謝老師讓我進入福衛二號衛星影像加值處理中心幫忙，還有讓我擔任周末在職專班助理等等，這些經驗都十分寶貴；研究所期間，感謝老師每次研究室開會時給予的建議，總是提點出研究的關鍵與缺失，因為有您的寶貴意見與支持，學生才有今天的收穫。我也要感謝本篇論文的口試委員，李萬凱老師與陳俊愷老師，感謝兩位老師願意擔任本論文的口試委員，也感謝一發、二發的評論人吳秉昇老師，有您們的寶貴意見，使本篇論文更加完整，使本篇論文得以完成。最後，我要感謝一路上遇到的同學們，謝謝我的同學昶睿、耀德、柏學、紹平、明軒、牧之、家芸、泓瑜、竣升、宜璇、宜臻、俊旻、承樺、彥維、宇軒，很高興和大家共度快樂的時光；也感謝研究室的逸帆、崇軒、怡文、嘉惠、詠名、鈵斯、彥儒、鈺雯、庭嘉、楷旻、翔竣、人頡、智泠、雅芳，很高興與大家一起在研究室裡學習；也感謝宿舍室友元奕、柏宏，經過了三年我們還可以被學校抽在同一寢室。由於篇幅有限，實在無法一一列出，但我由衷感謝這段時間幫助我的人，讓我得以順利畢業。. 明軒. 謹誌. 109 年 8 月於師大. i.

(3) 摘要. 由於人類活動與過度的開發行為，導致都市內部氣溫調節機制漸漸失靈，土地利用類型改變造成地表溫度變化，亦使都市熱島效應情形加劇，成為都市發展的隱憂；近年來，台中地區都市化與都市成長情形快速，本研究旨在探討台中地區土地利用型態變化，與都市熱島效應之時空變遷情形。本研究使用 Landsat 衛星影像，運用遙測技術進行影像分類判釋與地表溫度 (Land surface temperature)反演，共選用六個年度的影像(1991、1998、2003、2009、 2015 與 2019)，藉由熱點分析(Getis-Ord Local G-Statistic)量化各年度之地表溫度冷熱區分布範圍與移動情形；而後將地表溫度與常態化差異植生指標(NDVI)、常態化差異建物指標(NDBI)進行簡單與多元迴歸分析；本研究亦探究不同時期台中地區土地利用變遷情形，並計算平均熱島效應強度變化量，使用 ANOVA 分析實證土地利用型態改變對溫度變化之影響程度，而後再選取七個重劃區，將其熱島效應平均強度與整體進行比較分析。本研究結果顯示，近 30 年間台中地區建成地的成長、草生地的減少，乃變動量較大之類別；以迴歸係數總結台中地區整體熱島效應之影響因子，可推論早期整體地表溫度受植被影響較多，至近年則是人工建物扮演較重要之影響角色；歸納不同時期台中地區土地利用類型變化之空間分布可發現，重大交通建設、重劃區闢建與農田棄耕轉為住宅、工廠等，乃經常出現之變遷型態，大肚台地上植被年季光禿情形，也往往造成大面積的改變，因此，人工鋪面、裸露地與植被之間的土地利用類型轉變，著實在熱島效應強度變動上呈現顯著變化。關鍵字：都市熱島效應、地表溫度反演、土地利用變遷、熱點分析、ANOVA. ii.

(4) Abstract. The internal temperature regulation mechanism inside cities have gradually failed due to human activities and excessive development behaviors. Land use land cover (LULC) change has relationship to land surface temperature (LST), and it also aggravated urban heat island effect, which has become an anxiety during urban development. Recently, Taichung has a rapid urbanization and urban growth situation. This study aims to explore the multi-temporal changes of LULC and urban heat island effect. In this study, a total of six years of images (1991, 1998, 2003, 2009, 2015 and 2019) were first selected for mapping LULC classification results derived from Landsat 5 TM and Landsat 8 OLI, using several classification processes. Second, using Hot spot analysis (Getis-Ord Local G-Statistic) to quantify the distribution and movement of the hot spot and cold spot areas of LST in each year. Third, LST and the normalized difference vegetation index (NDVI) and the normalized difference building index (NDBI) are analyzed by simple and multiple regression. This study also maps the change of LULC, calculate the mean change of urban heat island intensity (UHII), and use ANOVA to quantify impacts of LULC changes on UHII between two periods. Lastly, choosing several rebuilt-zones in order to compare the mean UHII between rebuilt-zone and the whole research area. The result of this research shows that the growth of built-up land and the decrease of grassland in Taichung area are the categories with large changes in past 30 years. The result of coefficients in regression models could summarize that the overall LST was affected by vegetation in the early years, and artificial structures have played a more important role in recent years. Summarizing the spatial distribution of LULC change during different periods, we find out that major transportation constructions, rebuilt-zones, and conversion of farmland to residential or factory fields are frequently appearing in Taichung area. Also, the vegetation on the DaDu platform often changes in different periods, which always causes large area changed. This study concluded that human activities caused the disappearance of vegetation, which causes a significant change on UHII. Keywords: Urban Heat Island, Land surface temperature retrieval, LULC, Hot spot analysis, ANOVA. iii.

(5) 目錄第一章緒論 ------------------------------------------------------------------------------------------ 1 第一節研究動機 -------------------------------------------------------------------------------1 第二節研究目的 -------------------------------------------------------------------------------2 第三節研究範圍 -------------------------------------------------------------------------------3 第四節研究限制 -------------------------------------------------------------------------------4 第二章文獻回顧 ----------------------------------------------------------------------------------- 5 第一節都市熱島效應理論與相關研究 --------------------------------------------------5 一、都市熱島效應理論 ----------------------------------------------------------------5 二、熱島效應觀測方式 ----------------------------------------------------------------6 三、熱島效應強度計算 ----------------------------------------------------------------6 四、都市熱島效應影響範圍 ----------------------------------------------------------7 五、運用遙測技術於都市熱島效應相關研究 -----------------------------------8 第二節衛星遙測技術 ---------------------------------------------------------------------- 10 一、遙測理論 --------------------------------------------------------------------------- 10 二、衛星技術 --------------------------------------------------------------------------- 10 三、地表溫度反演 --------------------------------------------------------------------- 12 第三節影像分類技術 ---------------------------------------------------------------------- 15 一、地物分類方法 --------------------------------------------------------------------- 15 二、分類正確率檢核 ----------------------------------------------------------------- 16 三、地物分類指標 --------------------------------------------------------------------- 17 第四節土地利用變遷理論與相關研究 ------------------------------------------------ 19 一、土地利用變遷理論 -------------------------------------------------------------- 19 二、土地利用變遷相關研究 -------------------------------------------------------- 19 第五節統計分析方法 ---------------------------------------------------------------------- 21 一、皮爾森相關係數 ----------------------------------------------------------------- 21 二、多元迴歸分析 --------------------------------------------------------------------- 21 三、熱點分析(Getis-Ord Local G-Statistic, G*) ---------------------------------- 23 四、單因子獨立變異數分析(One-way ANOVA) -------------------------------- 24 iv.

(6) 第三章研究方法與流程 ------------------------------------------------------------------------ 25 第一節研究資料取得與處理------------------------------------------------------------- 25 一、衛星影像 --------------------------------------------------------------------------- 25 二、地表溫度反演 --------------------------------------------------------------------- 26 三、地物分類方法 --------------------------------------------------------------------- 28 四、都市熱島強度計算 -------------------------------------------------------------- 29 第二節研究流程 ----------------------------------------------------------------------------- 30 第四章研究成果 --------------------------------------------------------------------------------- 33 第一節土地利用型態影像判釋結果 --------------------------------------------------- 33 第二節土地利用型態與熱島效應強度分析 ----------------------------------------- 36 一、地表溫度整體空間分析 -------------------------------------------------------- 36 二、地物分類指標迴歸分析 -------------------------------------------------------- 37 三、熱島效應強度時空分析 -------------------------------------------------------- 41 四、土地利用類型熱島強度差異分析 ------------------------------------------- 45 五、小結---------------------------------------------------------------------------------- 46 第三節台中地區土地利用型態時空變遷分析 -------------------------------------- 47 一、1991～1998 ------------------------------------------------------------------------ 48 二、1998～2003 ------------------------------------------------------------------------ 50 三、2003～2009 ------------------------------------------------------------------------ 52 四、2009～2015 ------------------------------------------------------------------------ 54 五、2015～2019 ------------------------------------------------------------------------ 56 六、小結---------------------------------------------------------------------------------- 58 第四節重劃區之熱島效應變遷分析 --------------------------------------------------- 59 第五章結論與建議 ------------------------------------------------------------------------------ 62 參考文獻 ---------------------------------------------------------------------------------------------- 64. v.

(7) 表目錄表 1. Landsat-5 衛星波段資料 ................................................................................. 11. 表 2. Landsat-8 衛星波段資料 ................................................................................. 11. 表 3. Local G-Statistic 對應之 Z 值 P 值與信心水準 ............................................... 23. 表 4. ANOVA 變異數分析表 ..................................................................................... 24. 表 5. 選擇影像可用不可用原因彙整...................................................................... 26. 表 6. 2009、2015 與 2019 年分類正確率 .............................................................. 33. 表 7. 各年度地物分類面積結果統計...................................................................... 33. 表 8. NDVI、NDBI、LST 皮爾森相關係數分析....................................................... 38. 表 9. LST 與 NDVI、NDBI 之簡單迴歸、多元迴歸結果......................................... 39. 表 10. 各時期地物分類平均溫度與各年度熱島效應強度.................................... 45. 表 11. 變遷矩陣檢驗熱島效應強度變化示意表.................................................... 47. 表 12. 1991～1998 土地利用分類轉變統計 .......................................................... 48. 表 13. 1991～1998 年土地利用熱島效應強度變化表 .......................................... 49. 表 14. 1998～2003 土地利用分類轉變統計 .......................................................... 50. 表 15. 1998～2003 年土地利用熱島效應強度變化表 .......................................... 51. 表 16. 2003～2009 土地利用分類轉變統計 .......................................................... 52. 表 17. 2003～2009 年土地利用熱島效應強度變化表 .......................................... 53. 表 18. 2009～2015 土地利用分類轉變統計 .......................................................... 54. 表 19. 2009～2015 年土地利用熱島效應強度變化表 .......................................... 55. 表 20. 2015～2019 土地利用分類轉變統計 .......................................................... 56. 表 21. 2015～2019 年土地利用熱島效應強度變化表 .......................................... 57. 表 22. 各時期熱島效應強度轉變量呈顯著差異次數統計.................................... 58. 表 23. 重劃區各年度平均熱島效應強度................................................................ 60. 表 24. 重劃區與全區 UHII 差值統計 ...................................................................... 60. vi.

(8) 圖目錄圖 1. 研究區範圍圖 ................................................................................................... 3. 圖 2. 研究流程圖 ..................................................................................................... 31. 圖 3. 衛星影像資料處理流程圖 ............................................................................. 32. 圖 4. 1991、1999 與 2003 年之地物分類結果 ...................................................... 34. 圖 5. 2009、2015 與 2019 年之地物分類結果 ...................................................... 34. 圖 6. 1991、1998、2003 年地表溫度分布圖 ........................................................ 36. 圖 7. 2009、2015、2019 年地表溫度分布圖 ........................................................ 36. 圖 8. LST、NDVI、NDBI 數據之散佈圖................................................................... 37. 圖 9. NDVI 與 NDBI 之 Getis-Ord Gi*分析結果 ....................................................... 40. 圖 10. 地表溫度(LST)之熱點分析(Getis-Ord Gi*)結果 ........................................... 42. 圖 11. 台中地區熱島效應強度熱區重心分布移動 ............................................... 43. 圖 12. 台中地區熱島效應強度冷區重心分布移動 ............................................... 43. 圖 13. 疊合六個時期、五個時期、四個時期冷熱區空間分布 ........................... 44. 圖 14. 1991～1998 年土地利用型態轉變 .............................................................. 49. 圖 15. 1998～2003 年土地利用型態轉變 .............................................................. 51. 圖 16. 2003～2009 年土地利用型態轉變 .............................................................. 53. 圖 17. 2009～2015 年土地利用型態轉變 .............................................................. 55. 圖 18. 2015～2019 年土地利用型態轉變 .............................................................. 57. 圖 19. 五時期土地利用型態變化彙整表 ............................................................... 58. 圖 20. 重劃區位置圖 ............................................................................................... 59. vii.

(9) 第一章. 緒論. 第一節研究動機近年來，夏季氣溫在世界各地屢創新高，尤其以人口與產業集中的都會地區，其高溫程度更甚以往。由於人類活動與過度的開發行為，使得都市內部原本可以調節氣溫的機制漸漸失靈，進而造成都市發展上的隱憂。都市化現象是指人口往都市地區集中的現象，由於都市地區在就業機會與基礎設施上較鄉村更有優勢，許多人從鄉村移往都市居住，都市地區人口增長的現象被稱為都市成長。人口增長的情況下，勢必要興建更多建物供居住使用，更遑論因此而發展的商辦大樓等等；當都市的內部空間飽和的情況下，除了原地進行都市更新讓空間重新形塑，再者就是向外圍發展，闢建道路、鐵路等將聚落連結起來，新建的人工設施讓都市的範圍漸漸地向外擴展，這個現象被稱做都市擴張。都市擴張一方面反映出都市人口聚集、商業繁榮的現象，但另一方面又因大量建築物與其他設施形成不透水面，取代原本地表上的綠地植被，其蓄熱能力更甚以往，少了植被覆蓋來調節氣溫，使得都市區域原本散熱平衡機制漸失，更出現相較於周圍郊區高溫的情況，是為都市熱島效應(Urban heat island)。正因為世界各國主要都市都面臨此問題，土地利用的變化與都會地區的熱島效應，成為近年研究的熱門主題之一。根據中央氣象局所公佈之近百年氣象統計資料，台北、台南與高雄測站近三十年氣溫上升趨勢，每十年平均升溫幅度分別為 0.29、0.27 與 0.31 度，而台中測站之氣溫升溫趨勢為每十年上升 0.3 度，此溫度較全球平均每十年升溫幅度 0.18 度高出許多，這也意味著我國主要都市的暖化程度較全球平均嚴重(中央氣象局，2019)。台中地區的人口變化，自民國 96 年至 106 年，每年人口數都呈現正成長，年均人口成長率為千分之六，屬於人口穩定成長的一個行政區之一。由航空照片及衛星影像觀察台中地區的聚落發展，可以發現早期台中地區以台中火車站與豐原火車站所形成之市街區，為主要兩個聚落範圍，之後隨著時間推移，聚落的擴張沿著幾條重要幹道發展逐漸連結，而以火車站為中心的舊城區向外擴展的過程，有學者將此部分賦予五環概念做解釋(楊友仁，2018)；然而整體都市發展也受到不少限制，如東側的西部山麓丘陵地帶，西側之大肚台地，北側有大甲溪與后里台地，往南則受到大肚溪、烏溪與八卦山台地等影響，地形、 1.

(10) 河道等自然因素限制了聚落發展的範圍、速度與方向。台中地區的都市規劃與道路建設，對整體都市發展影響甚鉅。市地重劃乃為了強化都市邊緣的土地利用，或重新整頓老舊街區，政府劃定或核准市地重劃區開闢，重劃區的劃設儼然成為都市發展的推手，市地重劃可謂主導了都市發展的方向(蔡仁銓，2012)；重劃區又有公辦與自辦之分，此二類重劃區推動動力有些不同，公辦市地重劃乃政府主導劃定開闢，自辦重劃區為民間為主導進行開發，但整體來說此二類型之重劃區，皆可說是政治角力下的產物(楊友仁，2018)。交通建設的部分，以台 74 線快速道路最為主要，台 74 線起終點皆為國道三號，分別為快官與霧峰兩交流道，台 74 線主線分為兩個區段通車，其中快官至北屯二交流道於 2002 年 5 月通車，剩餘路段北屯二至霧峰交流道於 2013 年底通車，至此，被喻為台中環線的台 74 線主線全線開通完成。因此，本研究欲探究 30 年來台中地區整體土地利用變遷，與都市熱島效應影響因子及其範圍變化，量化分析土地利用型態前後期轉變，與熱島效應強度差異，更進一步聚焦於重劃區的開闢過程，分析重劃區與整體都市熱島之關聯性。. 第二節研究目的基於上述研究動機，本研究旨在探討台中地區土地利用型態與熱島效應之時空關係，藉由遙測影像資料、國土利用調查資料進行分析，探究影響熱島效應強度之因子與變遷情形，同時更聚焦於重劃區開闢與都市熱島效應之關聯，期望能對台中地區未來的都市發展做出建議。本研究目的主要為下列四點： 1. 分析台中地區近三十年土地利用型態與熱島效應變遷情形 2. 建立多元迴歸模型探討台中地區熱島效應主要影響因子 3. 探討台中地區都市重劃區的開闢與都市熱島效應之關聯性 4. 提出未來台中地區都市發展之建議. 2.

(11) 第三節研究範圍本研究區位於台灣本島中部地區，屬於台中盆地的範圍，面積為 409.55 平方公里，研究區位置北界為大甲溪，南界為烏溪，西側為大肚台地，東鄰為西部山麓帶；行政區包含神岡、大雅、西屯、南屯、烏日、霧峰、大里、太平、北屯、潭子、北區、西區、南區、東區與中區。本研究在研究區劃定上，最初圈選上述行政區範圍，但由於溫度資料對本研究十分重要，為了避免因地形所造成之降溫效果(Khandelwal et al., 2018)，本研究特別考量海拔高度，使用內政部 20 公尺數值高程資料(DEM)開放資料，濾除海拔高於 300 公尺的區域，作為本研究研究範圍(圖 1)。綜觀台中地區海拔高度，以烏日、霧峰地區最低，大約 25 至 45 公尺；而台中火車站到北屯、潭子區則約由 50 公尺一路爬升至 130 公尺；大雅市區約為 135 公尺，位於大肚台地之中科園區約為 150 公尺、台中工業區約 200 公尺；東北側之豐原市區，其西側約 190 公尺，東側約 230 至 250 公尺。. 圖 1. 研究區範圍圖. 3.

(12) 第四節研究限制本研究主要使用 Landsat 衛星資料為主要來源，但不論是 Landsat-5 或 Landsat-8 其空間解析度基本上為 30 公尺，礙於資料之空間解析度限制，本研究無法探究細部、小區域分析，甚至在分類地物類型時也無法分辨太多類別；熱紅外光波段的原始空間解析度為 120 公尺或 100 公尺，較近期影像則經由 USGS 製成為 30 公尺，這也意味著若是更小尺度的溫度差異則無法分辨。另外，由於衛星時間解析度限制，無法剛好於前人研究中提及之熱島效應強度最大的時間點取像，在進行跨年度的熱島效應強度分析時，本研究已盡力選擇時間相近、取像前無重大天氣事件，如：颱風、寒流等，也選擇幾無雲覆之影像，並在地表溫度反演流程中，納入校正參數盡力將資料誤差降至最低。. 4.

(13) 第二章. 文獻回顧. 第一節都市熱島效應理論與相關研究一、都市熱島效應理論 Howard(1818)以實證研究對倫敦地區進行氣溫的研究，結果發現都市地區因為人工建物較多造成熱能累積，柏油與水泥等材質在白天吸收熱能，夜晚釋放熱能使得降溫緩慢，都市與郊區可產生攝氏平均 3 至 5 度之溫差，此研究可謂都市熱島效應研究之濫觴；Linke(1940)則發現都市地區的高溫現象，在無風、無雲、晴朗之天氣條件下最有利形成，與郊區之溫差極大值會出現在日落後的二至三小時，此現象在冬季更為明顯。都市熱島效應(Urban heat island, UHI)一詞，最早在 1958 年由 Gordon Manley 於英國皇家氣象學會的刊物中提出，當都市內部人口集中、綠地減少，造成都市區域較周圍高溫，其立體溫度剖面曲線宛如一座島嶼，因而有熱島之名(林憲德， 2001)；Oke(1973)提出都市熱島強度(Urban Heat Island Intensity, UHII)之概念，用以量化都市區域最高溫與郊區最低溫度差(△TU-R)，研究將歐洲與北美都市納入迴歸計算，結果顯示都市熱島效應強度與人口數多寡呈高度正相關，此計算概念也廣為後人研究沿用(林憲德等，2001；孫振義等，2016)。. 都市熱島效應之形成因子，主要有四大面向，可分為地表粗糙度、地表輻射特性、大氣反照率與潛熱通量，地表輻射特性與潛熱通量與土地利用類型較為相關，蓄熱物體面積增加造成低反照率，加上建物干擾大氣擴散條件等，造成蓄熱情況漸趨嚴重；地表粗糙度與大氣反照率，則主要是受到大氣的擴散難易與懸浮物質對溫度的影響(林烱明，2010；張菀菱，2010)。而都市熱島效應的影響主要有幾個部分，首先，相對溼度降低與降水動力機制改變下，造成高溫與都市水患的可能(林烱明，2010)；再者，開發密集造成能源使用需求與供給壓力增加，惡性循環造成熱島效應加劇，而車輛密度與工業排放造成懸浮微粒也影響了日照條件(張菀菱，2010)，以上種種皆是熱島效應的影響層面，也是都市發展下應注意與防範的部分。. 5.

(14) 二、熱島效應觀測方式觀測熱島效應的方法有許多，大致上可分為三類，分別是固定式觀測法、移動式觀測法與遙測法(鄭婉純，2004)。固定式觀測法為氣象測站或常設的監測儀器來進行溫度資料收集，優點是資料準確，但容易受觀測空間尺度限制，且設站不易所需成本高(張慕恩，2011)；移動式觀測法為將溫度感測器架設於可移動之交通工具上，其便利性讓研究者得以安排觀測路線時間，更具研究彈性，但缺點是溫度資料難以同步紀錄，需藉由建立溫度迴歸方程式，回推同一時段之氣溫(陳冠廷，2000；林憲德，2001；林憲德，2005；曾尉育，2012；孫振義等，2016；Alves et al., 2017)，或藉由固定式測站作為溫差參考值也是一可行方法(李欣蓉，2007)；而遙測法是使用衛星搭載之熱紅外光波段探測之溫度資料進行研究，具有大範圍、同時間的研究優勢，卻也易受到大氣條件等因素影響數據準確性(孫振義，2008；張菀菱，2010；何佳薇， 2011；周伯鴻，2013；楊倍航，2013；潘豐家，2015；邱仁德與徐逸翔，2018)。除了三分法，亦有研究將觀測法歸納成：氣象觀測、移動觀測、衛星遙測觀測與模擬預測等(曾尉育，2012)；但不管分類如何，各種觀測方法有其優劣，需考量研究性質選擇適宜之方式為宜(嚴綾，2012)。. 三、熱島效應強度計算關於熱島效應強度計算並沒有一定的規準，取決於各研究如何去定義(Zhao, 2010)，雖然大致上與 Oke(1973)所提出之計算概念，衡量都市區域最高溫與郊區最低溫度差(△TU-R)相差不遠，但不同的研究類型所採用的計算公式也不盡相同。使用固定式觀測與移動式觀測此二方法，其溫度資料為氣溫(Temperature)，此類研究計算公式差異不大，多半是計算同一時間，研究區內最高溫與最低溫之差(林憲德，2001；Mohan et al., 2012；曾尉育，2012；孫振義等，2016；Alves et al., 2017)。而使用遙測法進行都市熱島效應強度研究，使用之溫度資料普遍為地表溫度 (Land Surface Temperature)，遙測法相比於固定式觀測、移動式觀測，更具時間軸上的優勢，但也因此衍生出多種熱島效應強度計算式。比如有些學者定義為都市區域內地表溫度值減去研究區地表溫度平均值，此結果之最大值為該研究區之熱島效應強度(Zhao, 2010、Chang, 2016)；亦有學者定義為都市內部地表溫度減去研究區地表溫度最低值，為熱島效應強度值(張菀菱，2010；何佳葳，2011；楊倍航， 6.

(15) 2013)；或者也有研究者以自行定義之郊區溫度為基準，將研究區地表溫度值與其相減，視此差值為熱島效應強度(嚴綾，2012；宋正文，2015)。當比較不同時間點的熱島效應強度時，將數據正規化以求比較有其基準十分重要(Tran et al., 2017)，數據正規化的方式並無一定定義，各研究皆有不同。如張菀菱(2010)即將地表溫度、熱島強度數值皆計算各 pixel 值減去最小值後，除以數值最大最小值之差，再予以比較；亦有學者將研究區地表溫度值減去研究區平均後，再除以整體平均值(Zhao et al., 2010；Zhang, 2012；Tsou et al., 2017)；另外也有研究採取將各 pixel 地表溫度值減去研究區平均後，除以研究區地表溫度標準差(Ahmed, 2018)。上述研究中將地表溫度數據正規化的過程固然有其好處，統計上也確實濾除了不同單位或數據時間基準不同的問題；但本研究認為，這幾類轉換計算後的數值不夠直觀，不易去感受其背後所代表的強度變化，若要進一步對溫度變化做敘述解釋，去敘述轉換後的數值變化，實在難以聯想實際溫度變化量。因此，有些研究數據標準化的過程，乃將地表溫度值定義一個相同轉換基準，在不同時間點的比較上，直接比較定義計算之熱島效應強度值(何佳薇，2011；楊倍航，2013；宋正文，2015；Chang, 2016)。. 四、都市熱島效應影響範圍在都市熱島效應的研究中，除了計算熱島效應強度值，進行不同時間點的相互比較外，量化都市熱島效應的影響範圍也是重要的一環。Zhao(2010)將都市熱島效應的影響範圍，定義為各 pixel 地表溫度值減去平均值，數值大於 0 者，此些範圍視為熱島效應發生的區域；Tsou et al.(2017) 定義地表溫度減去平均地表溫度後，再除以平均值，此值大於等於 0 者，為熱島效應區域；李育寬(2020)在北部地區的熱島效應研究中，劃分地表溫度高於平均值 0.5 或 1 個標準差之區域，視為熱島效應之影響區域。除了將地表溫度與研究區平均值比較的計算外，使用 Getis Ord Gi*熱點分析也是常用的方法，Tran et al. (2017)即以熱點分析呈現不同年度地表溫度值冷熱區，並計算冷區與熱區的面積占比，進而敘述地表溫度與土地利用之關聯；Grigoraș & Urițescu(2018)使用 MODIS 資料繪製羅馬尼亞布加勒斯(Bucharest)日夜間地表溫度冷熱區，並將在日夜間皆為熱區之區域萃取出，視為熱島效應強烈的區域； Mavrakou et al. (2018) 同樣也利用熱點分析進行研究，將六個時期的影像取四日 7.

(16) 平均、五日平均與六日平均進行比較，並繪製冷熱區分布圖，再將其與土地利用類型對照分析。上述研究以不同方法去定義與計算都市熱島效應影響範圍，皆有不錯的成效；然而，在冷熱區空間分布的描述上，仍僅止於敘述性的描述，本研究力求在此部分有所突破，將熱點分析之冷熱區空間分布結果再次量化，計算冷熱區分布中心，呈現其移動方向與距離，並與整體土地利用變化連結。. 五、運用遙測技術於都市熱島效應相關研究近年遙測技術大幅進步，部分衛星資料也已網路公開，供研究者取得完整數據進行分析，對進行都市熱島效應研究有很大的助益，熱島效應研究在國內外也是熱度不減的研究議題。 Liu & Zhang (2011)同時採用 Landsat 與 ASTER 的資料，對香港地區研究人工鋪面、綠地、地表溫度之間的關係，結果顯示綠地有效降低熱島情形，而人工鋪面則會有增強效果；Rhinane et al. (2012)以 Landsat-5 資料研究摩洛哥卡薩布蘭卡 (Casablanca)的熱島效應情形，研究成果指出植被比例與都市內溫度較低的區域有高度相關性；Mohan et al.(2012)於印度新德里進行熱島效應研究，結果指出建成區與商業區的熱島效應十分明顯，並且一日內熱島效應強度較大時出現於 15 時與 21 時；Mehmood et al. (2017)利用 Landsat TM 熱紅外光波段計算地面溫度，探討巴基斯坦柏夏瓦(Peshawar)地區，地表溫度與土地使用的時空關係；Jafari et al.(2017)於伊朗內沙布爾(Neyshabur)，使用 Landsat ETM+的資料，計算都市內綠地與地表溫度值之關係，結果得出綠地面積可有效降低都市熱島效應的強度。上述研究成果顯示都市熱島效應確實在各都市出現，但由於案例背後皆含有不同因素，較難將國外案例對應於我國熱島效應情況(林憲德等，1999)；因此，國內學者也積極進行本地的熱島效應相關研究，研究地區又以台北地區為大宗 (李欣蓉，2007；嚴綾，2012；宋正文，2015；潘豐家，2015；孫振義與簡子翔， 2016)；此外，台中(鄭婉純，2004；張菀菱，2010；何佳葳，2011；楊倍航，2013)、台南(林憲德等，2005；呂毓倫，2008；孫振義，2008)等地也有學者進行研究。林憲德等(2001)以新竹市、嘉義市、台南新營與麻豆區等為研究對象進行研究，該研究強調以中型都市為目標進行研究，結果顯示人工環境規模越小，熱島效應強度越弱，人口規模越大影響熱島效應強度增強，綠地對於降低都市高溫化的貢獻就十分顯著的結論；林憲德(2005)以台南市作為研究對象，分析人口規模 8.

(17) 與都市熱島效應之關係，結果得出當都市人口達五千人就會產生熱島效應，兩萬三千人與十萬人之都市人口則分別可能有 1 度與 2 度之熱島效應情形；張子瑩、劉說安(2005)使用 Landsat 5 資料探討台中市區與郊區之溫度差異，加入其他校正參數，得出不同土地覆蓋物之可感熱通量與潛熱通量，投入 S-SEBI 模式進行都市熱島效應強度的推估；呂毓倫(2008)使用 MODIS 資料進行分析，結果得出在台南地區，人口數、道路鋪面比率與建物比率皆與地表溫度呈正相關，唯有綠覆率與地表溫度為負相關之結論；孫振義(2008)以台南地區為研究區，應用 ASTER 與福衛二號(Formosat-2)影像資料，得出熱島效應強度與人工鋪面比率、地表不透水率等指標都有顯著相關性。張菀菱(2010)使用 ASTER 資料對台中市都市熱島進行分析，結果顯示熱島效應強度與都市開發程度呈正相關，而夏季時台中地區有較高的熱島效應情形；何佳葳等(2011)將國土利用調查之結果與 Landsat 影像作比較，探討不同時期台中地區各種用地的面積比例與熱島效應分布的空間關係；嚴綾(2012)以 Landsat-5 資料研究北台灣熱島效應情形，結果得出人工鋪面比率與熱島強度呈現正相關，而常態化差異植被指數(NDVI)則呈負相關；楊倍航(2013)使用 Landsat 影像探討台中市熱島效應情形，結果發現大肚台地的綠覆率減少可能是熱島加劇的原因，另外工業區熱島效應與耗能產業有所關連；宋正文(2015)使用 Landsat-5 與 Landsat-7 資料進行空間分析，探討臺北盆地內熱島效應之時空變遷，與不同指標下的梯度分析；潘豐家(2015)以 Landsat-5 與 Landsat-7 之溫度資料作為日間熱島效應強度的依據，以建蔽率、容積率定義都心、都市與郊區後，探討臺北盆地熱島效應強度，以及熱島效應與建蔽率、容積率之關聯性。總結上述前人研究結果可得知，許多都市皆存在著都市熱島效應，效應之強弱與人工建物、裸露地、植被等因子有所關聯，這些因子可視為是人們改變了地景地貌下所造成之都市微氣候變化表徵(呂毓倫，2008)。. 9.

(18) 第二節衛星遙測技術一、遙測理論遙測(Remote Sensing)廣義來說，乃不直接接觸物體也能對目標物或自然現象進行量測探測的技術。遙測資料的取得可分為兩種方式：能發射並且可接收目標物反射回來的回波，此種方式稱為主動式遙測，如 ERS、RADARSAT 等；而只接收目標物反射太陽光波或目標物自身發出之電磁波，則稱為被動式遙測，如 SOPT、 Formosat-2、Landsat、MODIS、ASTER 等1。遙測資料具有價值與否，最重要的莫過於影像的解析度，解析度可大致分為空間、時間、與光譜解析度。空間解析度為衛星所拍攝之影像之地面解析度，取決於衛星鏡頭焦距與感光元件數量；時間解析度為衛星拍攝週期循環，取決於衛星運行的軌道高度與週期重複經過同一地區所需的時間；光譜解析度為衛星感測器所能偵測之電磁波光譜範圍，分得愈細，波段愈多，光譜解析度就愈高，光譜解析度與空間解析度是互相影響的，技術上是無法同時滿足波段細分與空間解析度的維持，在衛星功能上得做出取捨2。. 二、衛星技術 1950 年代末遙測技術開始發展，不過幾乎都是用於軍事偵察用途，1957 年蘇聯發射人類史上第 1 顆人造衛星史波尼克 1 號(SPUTNIK-1)，1970 年代美國開始投入太空計畫，發射地球資源衛星，以大地衛星(Landsat)這個衛星任務最為人所知，Landsat 衛星計畫為美國太空總署(NASA)所進行之地球觀測衛星計畫，屬於太陽同步衛星。1972 年升空之大地衛星一號(Landsat-1)到 2013 年發射運作到現在的大地衛星八號(Landsat-8)，其探測之資料廣為許多研究者使用。本研究欲使用之 Landsat-5 與 Landsat-8 衛星影像進行研究，以下簡介此二衛星之資訊。 Landsat-5 衛星於 1984 年升空，高度 750 公里，運轉傾斜角為 98.2 度，運行週期約為 15 日，每次掃描像幅寬約 183 公里 × 170 公里，臺灣地區每條條帶重疊的比例約為 14%。Landsat-5 共具備 7 個波段，其中 1 至 3 為可見光波段，4、 5 波段為近紅外光波段，波段 6 是熱紅外光波段，早期的影像空間解析度為 120 1. 台灣地質知識服務網（2012/12/07）：遙感探測。 https://twgeoref.moeacgs.gov.tw/GipOpenWeb/wSite/ct?xItem=140862&ctNode=1234。（2019/04/10 瀏覽） 2 國立中央大學太空及遙測中心，衛星影像之限制。（2019/04/10 瀏覽） 10.

(19) 公尺，2010 年後的影像由美國地質調查局(USGS)調製成 30 公尺，7 波段為中紅外光波段(表 1)。表 1. Landsat-5 衛星波段資料 (本研究整理製表). Landsat-8 於 2013 年 11 月升空，建置 11 個波段，波段 1 為較易於海岸研究之波段，波段 2 至 4 依序為藍綠紅光，波段 5 為近紅外光，波段 6、7 為短波紅外光，波段 8 為全色態影像；波段 9 為易於雲層研究的波段；波段 10 與 11 為兩種波長的熱紅外光波段，原始空間解析度為 100 公尺，為了匹配多光譜波段的 30 公尺解析度，因此 USGS 也將 10 與 11 波段調製為 30 公尺(表 2)。表 2. Landsat-8 衛星波段資料 (本研究整理製表). 除了美國的大地資源衛星， ASTER、NOAA、MODIS、SOPT 等遙測衛星也常被研究者使用；而我國的福爾摩沙衛星計畫，福爾摩沙衛星二號(Formosat-2)為一日二次通過週期，空間解析度 2 公尺的衛星影像更是一大技術亮點，從 2006 年至 2016 年為我國及世界遙測領域帶來很大的幫助，2017 年發射成功之福爾摩沙衛星五號(Formosat-5)也接手了二號的任務，以兩日一次的通過週期，繼續進行任務。. 11.

(20) 三、地表溫度反演地表溫度(Land surface temperature, LST)數據，乃衛星監測環境變化重要指標之一，官方架設的溫度測站或是研究者移動式的架站取樣，屬於較傳統且費工的測量方式，取得數據之時間成本較高，取樣範圍也受限；因此若要進行大面積、多時期的研究，以遙測方法取得地表溫度資料較有效率(何佳葳，2011)。衛星所搭載之熱紅外光鏡頭廣泛被用來進行地表溫度相關研究，熱紅外光 (Thermal Infrared, TIR)可依波長長短，由短而長依序可分為：近紅外光(NIR)、中紅外光(MWIR)、遠波紅外線(FWIR)與超遠紅外線(UFIR)，不少衛星也都搭載了熱紅外光鏡頭，如 ASTER、NOAA AVHRR、MODIS、LANDSAT 等，這些熱紅外光波段資料廣為相關研究使用。本研究之地表溫度資料，將選擇使用 Landsat-5 所搭載之 Thematic Mapper(TM)與 Landsat-8 之 Thermal Infrared Sensor(TIRS)所探測之熱紅外光影像資料。當衛星進行取像時，除本身地表物體的輻射外，尚有太陽輻射照度(Solar irradiance)、大氣效應(Atmospheric effects)等干擾，在數據上會有些許誤差，故要運用熱紅外光影像進行研究，選擇太陽光干擾較少之夜間影像為佳(孫振義， 2008)；又或者應在影像分析前就進行參數的校正，盡量濾除因取像條件產生的誤差(周伯鴻，2013；Mehmood et al., 2017；Aboelnour & Engel, 2018)。由於 Landsat 衛星為被動式遙測衛星，其熱紅外光影像為接收由地表反射之輻射值，影像以灰階值(Digital Number, DN)方式表示，灰階值於視覺呈現上為影像的明暗程度，其值由 0 至 255，當數值越高則代表該範圍接收到之輻射能量較大，反之亦然(覃志豪等，2001)。為了得出地表溫度數值，熱紅外光波段影像必須由灰階值(DN)開始進行公式轉換，視各研究需要轉換至 K 溫、攝氏或者華氏溫度，此步驟過程稱為地表溫度反演；而研究者基於對研究區的了解，或研究設計不同，採用之反演公式流程都稍有差異(Tsou, et al., 2017；Nzoiwu, et al., 2017；邱仁德與徐逸翔，2018)。使用 Landsat 熱紅外光波段進行地表溫度反演時，前人研究中常見之演算法有以下幾類：單窗法(Mono-Window Algorithm, MWA)(Qin, et al.,2001)、單通道法 (Single-Channel Method, SCM)(Jimenez-Munoz, et al., 2003) 、劈窗演算法 (SplitWindow Algorithm, SWA)(Jimenez-Munoz, et al., 2014；Tsou, et al., 2017；邱仁德等， 2018)等；而 Landsat-5 因僅有一個熱紅外光波段(Band 6)，因此並不適用劈窗演算法(Sobrino, et al., 2004)；至於 Landsat-8 有兩個熱紅外光波段(Band10 與 Band11)， 12.

(21) 但 Band11 有些波段不穩定的問題，部分研究者不建議將此波段納入反演公式中 (Jimenez-Munoz, et al., 2014；Avdan & Jovanovska, 2016)。本研究並非要探討各類型演算法之優劣，以下僅就前人研究中曾使用之 Landsat-5 與 Landsat-8 之反演過程與參數內容。 (1) Landsat 5 TM 在 Landsat-5 的部分，首先計算衛星所接收到之輻射強度值，由灰階值(DN) 進行轉換，其公式如下(覃志豪，2001)：. 式(1). 其中，LTOA 為衛星所接收到之輻射強度，為大氣頂層輻射度(Top of Atmosphere, TOA)；LMAX 與 LMIN 為衛星可接收之最大與最小輻射強度，分別是灰階值為 255 與 0 之輻射強度，當灰階值為 255，LMAX = 15.303，當灰階值為 0 時，LMIN 為 1.2378； QDN 為各 pixel 之灰階值(DN)；QMAX 為最大之灰階值，也就是 255。由上式再進行亮溫值(TB)轉換，其公式如下(覃志豪，2001)：. 式(2). 其中，TB 為亮溫值，單位為絕對溫度(K)；LTOA 為大氣頂層輻射度；K1 與 K2 為固定值，可由衛星資訊說明檔案中查找得知，經查 K1 為 607.76，K2 之為 1260.56。接著，再將亮溫值(TB)轉換為地表溫度(LST)，納入校正參數，並將 K 溫轉換為攝氏溫度(oC)，其計算式如下(Sobrino et al., 2004；Avdan & Jovanovska, 2016； Faridatul, 2017；Aboelnour & Engel, 2018)：. 式(3). 其中，λ為地表散射輻射波平均波長，其值平均為10.895；TB為亮溫值；ε為地表散射率(Land surface emissivity, LSE)，ρ與ε可由下列計算式得到：. 式(4). 13.

(22) 其中，h為普朗克常數(Planck’s constant)，其值為6.626 × 10-34J⋅s；c是光速，其值為2.998 × 108 m/s；σ為波茲曼常數(Boltzman constant)，其值為1.38 × 10-23 J/K；此式計算結果，ρ= 1.438 × 10-2 m⋅K (Ahmed, 2018；Aboelnour & Engel, 2018)。. 式(5). 式(6). 式(3)中之ε，可由式(5)求得；式(5)中PV可由式(6)求得；式(6)之NDVI，為影像之近紅外光波段與紅光波段所計算出之NDVI值(式12)(Faridatul, 2017)。 (2) Landsat 8 OLI Landsat-8 的反演公式部分，與 Landsat-5 有些微差異，Landsat-8 若不以劈窗演算法計算雙熱紅外光波段的話，所採用的公式就與上述 Landsat-5 的演算式相去不遠(Faridatul, 2017)。考量到前人提及之 Band 11 問題，本研究以下歸納以 Landsat-8 Band10 波段進行反演之計算式。首先，計算衛星所接收到之輻射強度值(LTOA)，其公式如下(Aboelnour & Engel, 2018)：. 式(7). 其中， LTOA 為衛星所接收到之輻射強度； ML 值為衛星資料說明檔中 RADIANCE_MULT_BAND_x 之值；QDN 為 Band10 的灰階值(DN)；AL 為衛星資料說明檔中 RADIANCE_ADD_BAND_x 之值。進行灰階值轉換為衛星接收到之輻射值後，即再以式(2)、式(3)、式(4)、式(5) 與式(6)計算 Landsat-8 之地表溫度(Faridatul, 2017)，Landsat-8 之 K1 值為 774.8853， K2 值為 1321.0789。使用衛星影像熱紅外光波段，進行地表溫度數據的反演，雖然有其優勢，但畢竟是衛星感測資訊，除了資料很難以百分之百濾除誤差外，所計算之地表溫度值也並非實際氣溫，研究者必須去了解其中差異(張子瑩、劉說安，2005)；而上述整理之反演公式，為前人研究所採用之流程，因此，本研究也將使用上述反演公式，進行本研究之地表溫度反演計算。 14.

(23) 第三節影像分類技術一、地物分類方法影像分類(Image classification)，主要目的在於將影像中所有像元，依程序將相同特徵萃取出來，得到所需要的分類類別。普遍來說，影像分類主要有兩種方式，一是監督式分類(Supervised classification)，另一是非監督式分類(Unsupervised classification) (柯如榕，2014)。 (1) 監督式分類監督式分類方法，主要為研究者先針對研究地區劃定樣本，建立分類之標準或規則，決定需要分類之類別後，依此標準進行光譜類型判釋。進行監督式分類大致分為兩階段，先選取訓練區(training site)，訓練區的意義為依照研究者所選取區域之光譜值，做為整張影像分類的標準，而後進行分類，比較非訓練區與訓練區之光譜值差異，進而決定該像元之類別。監督式分類之優點為經由人工精細、多區域的圈選訓練區，可提升分類結果的準確度，但也花費時間成本。監督式分類之分類演算法，傳統上是以像元(pixel)為基礎去分類，如最短距離分類法(Minimum-Distance-to-Means classifier)、平行六面體法(Parallelepiped classifier)或最大概似分類法(Maximum Likelihood classifier)等(黃俊偉，2001)。而在將機器學習方法導入影像分類領域後，便衍生出更多變化的演算法，如倒傳遞類神經網路(Back-propagation Neural Network，BPNN)(陳莉等，2004；林世峻等，2008)、物件式導向分類(黃韋凱等，2010；顏啟峯與張國楨，2015)、或支持向量機(Support Vector Machine, SVM)(李文琳，2016；Faridatul, 2017；Aboelnour & Engel, 2018；林穎東等，2018)等。 (2) 非監督式分類非監督式分類，為直接以統計方式對影像進行運算，根據影像像元的分布情況，將其分類為不同之群集類別，相同群集具有組內高度相似，而不同群集間則有組間差異，以統計方法計算其他未知區域之像元光譜值，最後區分出的群集分類再由研究者進行資訊類別的判別。非監督式分類之優點為不須事先知道土地使用情形，因此適合對於研究者陌生之地區使用，或需要快速得到結果時使用之，缺點為無法得知分類類別，且常受到不同地貌而有分類誤差。非監督式分類常見的分類方式有：K-means 分類法、反覆式自我組織資料分類法 (Iterative Self-Organizing Data Analysis Technique, ISODATA)等(柯如榕，2014)。 15.

(24) 在監督式分類進行時，訓練區有時無法完全代表某種地物的光譜特性，若不夠具代表性，則會造成部分像元無法被分類，此時，監督式分類與非監督式分類互相配合應用可解決這個缺點；非監督式分類之分類結果較為客觀，也由於不需要訓練區樣本，因此速度也較快，在有特定分類目的的情形下，非監督式分類可預先為監督式分類挑選訓練區，有助於研究進行(潘國樑，2009)。產生分類結果後，若分類情況有些許誤判或過於混雜的區域，採用後分類分析(Post-classification analysis)方法可以提高分類的精確度(Harris, & Ventura, 1995、黃俊偉，2001)。研究者可藉由人工觀察、地真資料等輔以對應檢核，進而調整分類結果，如此呈現之整體分類結果會更加完整(Butt et al. 2015)。總結本段落回顧之影像分類演算技術後發現，分類演算法多樣且用途不一，研究者應選擇符合研究需求之分類方法；而本研究欲使用之分類演算法為支持向量機(SVM)，在前人研究中也指出，此分類法有較佳的分類表現(陳承昌等，2007；李文琳，2016；Aboelnour & Engel, 2018；林穎東等，2018)。. 二、分類正確率檢核為了檢驗影像分類結果的正確性，使用誤差矩陣進行分類結果檢核十分常見 (陳莉等，2004；林世峻等，2008；林承翰等，2013；林穎東等，2018)。由誤差矩陣可計算幾項分類評估指標： (1) 總體精度(Overall Accuracy)：. 式(8). 總體精度之計算，為檢核點中正確分類之數量，除以總檢核點數量，數值越接近 100%代表分類精度越好。 (2) Kappa 值：. 式(9). Kappa 值主要用來計算分類結果與參考資料之間的一致性，其中 P(A)是觀測一致性(observed agreement)，簡言之就是整體準確度；P(E)是期望一致性(chance agreement)，又可稱為期望準確度；Kappa 值介於 0 至 1 間，越接近 1 則代表分 16.

(25) 類精度越高。 (3) 生產者精度(Producer’s Accuracy). 生產者精度 = 某類別正確分類之數量/分類之參考資料數量. 式(10). 生產者精度之一體兩面為漏授誤差(Omission Error)，為應分類為該分類而未分入之錯誤，其計算式為：1 – 生產者精度。 (4) 使用者精度(User’s Accuracy)：. 使用者精度 = 某類別正確分類之數量/分類結果之數量. 式(11). 使用者精度之一體兩面為誤授誤差(Commission Error)，為不該分類為該分類卻分類進該分類之錯誤，其計算式為：1 – 使用者精度。. 三、地物分類指標常態化差異植生指標(Normalized Difference Vegetation Index, NDVI)，為遙測研究中經常使用的一個指標，藉由近紅外光(Near-Infrared band, NIR)與紅光(Red Band)的計算，主要可用來衡來目標區域的植被生長情況、監測地表乾旱或沙漠化的情形(Xiong et al., 2012；Aboelnou & Engel, 2018)。健康生長的綠色植物會吸收大部分的可見光，並反射大部分的近紅外光，若是不健康或是稀疏的植被，相比於健康植被，會反射較少的可見光與較少的近紅外光(Sobrino, et al., 2004)。其計算公式如下：. 式(12). NDVI 所計算得到的數值，介於正 1 與 -1 之間。數值小於 0 代表水體，數值介於 0 至 0.2 則可能是裸露地、建地、沙地等，數值介於 0.2 至 0.4 則有可能是疏林或草地，越接近 1 者則代表植被茂密程度越高，屬於密林等植被類型(Sobrino, et al., 2004；Avdan & Jovanovska, 2016)。常態化差異建物指標(Normalized Difference Building Index, NDBI)，最早由 Zha et al.(2003)提出，此指數藉由短波紅外光(Short-wave Infrared band, SWIR)與近紅 17.

(26) 外光(NIR)的計算，可有效區辨影像中的不透水面與人工建物區域。其計算式如下：. 式(13). NDBI 所計算的數值，介於 1 與 -1 之間。越接近正 1 越可能為建物，而越接近 -1 則是植被區域。此指數可做為影像分類判釋時，區別研究區建成區的參考，在前人研究中證明了此指數辨識上的可信度(Zha et al., 2003)，因此廣為研究者採用(Aboelnou & Engel, 2018；Alhawiti, 2016)。在 Landsat-5 中，短波紅外光(SWIR)波長為 1.55 - 1.75μm，近紅外光(NIR)的波長為 0.76 -0.9μm，紅光(Red)的波長為 0.63 - 0.69μm；在 Landsat-8 中短波紅外光 (SWIR)波長則是 1.57 - 1.65μm，近紅外光(NIR)波長為 0.85 - 0.88μm，紅光(Red)波長為 0.64 - 0.67μm。. 18.

(27) 第四節土地利用變遷理論與相關研究一、土地利用變遷理論土地利用(Land use and land cover, LULC)情形乃是反應人類活動的結果，人為活動多樣且複雜，人口成長帶來基礎建設，道路系統、糧食生產的需求等等，進而造成地景地貌改變，甚至是無法回復的破壞(Nzoiwu et al., 2017)。土地利用一詞其中包含兩個概念，一是土地使用(Land use)，另一個則是土地覆蓋(Land cover)；土地使用係指因為人類的生活活動所產生的使用方式，通常會強調土地與經濟活動的情況；土地覆蓋則為植被、水體、土壤或人造結構等所形塑的地球表面的物理特徵(Ioannis & Meliadis, 2011)。邏輯上可以從土地使用得知土地覆蓋的情況，如此處為公園用地，因此可以推斷土地覆蓋應以樹林植被等居多；但若此處的土地覆蓋為植被，並無法逆向推理確認土地使用型態是公園、農田或森林遊樂區等(顏子揚，2006)。土地利用變遷(Land use and land cover change, LULCC)為土地使用或土地覆蓋動態變化的過程，關注空間與時序上的變化，土地利用變遷研究大致上可分為三種不同的研究面向，分別是：型態 (pattern)、作用 (process)、預測 (prediction)。型態分析可了解土地利用的分布特性與變化，作用分析則是探討利用型態變遷的因果關係，預測分析則是去針對土地利用未來的可能變化，進行預測與因應(賴進貴等，2004；顏啟峯與張國楨，2015)。. 二、土地利用變遷相關研究李載鳴等(2007)利用衛星影像分析雲林縣濱海鄉鎮的土地利用變遷，將土地利用類別分為直接生產用地、建築用地、交通水利用地與其他用地共五類，加入鄉鎮的人口資料，探討人口結構變化與土地利用型態轉變之關係；鄒克萬等(2007) 探討土地利用與環境衝擊程度之關聯，並指出地表溫度可被視為環境惡化衝擊指標之一，熱島效應連帶地表溫度升高造成之環境衝擊也提高；劉名翔(2010)以 SOPT 衛星影像對南投竹山地區的植被進行研究，進行影像分類與計算植生指數，該研究將土地利用分為河道、樹林、都市與農地四項，由於著重於植被生長情況變化，因此以樹林與農地作為分類準確與否之依據，結果顯示監督式分類法可以提供較準確的植被分布結果；邱仁德等(2018)使用 Landsat-8 影像對台中新社花海節舉辦地區與台中地區高溫區域比較，研究結果顯示土地覆蓋物與人潮聚集足以對新社地區造成溫度變化，其高溫甚至可與工業區相比。 19.

(28) Yu et al. (2011)以中國大陸黑龍江省大慶市為研究區，使用 Landsat MSS 與 TM 影像，進行非監督式分類與後分類技術演算，將大慶市的土地利用區分為農業用地、草原地、森林地、水體、裸露地、建成地，並與社會經濟資料做結合，探討不同土地利用在時間軸上的變化；Butt et al.(2015)使用 Landsat 5 及 SPOT 影像，將研究區土地利用區分為水體、耕作地、裸露地、建成地以及農業用地，交叉分析比對 1992 年至 2012 年間土利用型態之變化，該研究指出，經由監督式分類與影像後分類操作，可使影像判釋之結果正確率提高，更具研究意義；Nzoiwu et al. (2017)使用 Landsat 影像分析奈及利亞奧卡(Awka)在 1986、2002 與 2015 年之土地利用變遷，比較土地利用型態在不同時間的地表溫度差異，該研究將土地利用區分為六類：建成地、裸露地、耕地、密林地、稀樹草原與河岸地，研究指出植被能有效控制都市內部地高溫情況，若將其取代為裸露地或建成地，其溫度則有明顯升高的結果。 Akinyemi (2017)將土地利用類型區分為建成地、森林、水體、耕作地以及草原地，探究盧安達地區 1987 年至 2016 年之土地利用型態變化，該研究認為在進行土地利用變遷分析時將大致分為此五類地貌分類，可減少分類上的雜訊並增加比較的真實性；Aboelnour & Engel (2018)使用 Landsat 影像進行土地利用變遷與地表溫度的時空分析，比較 1990 至 2016 年間，裸露地、水體、植被與建成地之變化，並分析不同土地利用型態的地表溫度差異，得出地表溫度與 NDVI 有顯著負相關，而與 NDBI 有顯著正相關之結論。綜合上述土地利用變遷研究可以了解到，使用衛星影像進行土地利用類型影像判釋，分類項目視各研究需求與影像條件而定，其中又以建成地、森林地、水體、草生地與裸露地五類最為常見，另可結合其他地物分類指標進行比較分析，並分析地表溫度與土地利用類型之關聯，為土地利用與熱島效應研究之可行研究取徑；然而，前人研究在分析土地利用類型與地表溫度差異之時空變化時，往往以敘述性方式描述溫度相對變化量，去對應土地利用與地表溫度改變，本研究力求在此部分有所突破，嘗試以統計方法檢驗溫度變化量是否具有顯著差異，以檢定結果作為土地利用變化著實造成地表溫度改變之有力佐證。. 20.

(29) 第五節統計分析方法一、皮爾森相關係數皮爾森相關係數(Pearson correlation coefficient)在許多研究中，為衡量數據間相關程度之計算標準之一(黃俊英，1991)。其計算式如下：. 式(14). 皮爾森相關係數數值介於 1 與 -1 之間，相關係數 1 代表數據間有完美的正向線性關係，若為 -1 則代表負向的線性關係，若為 0 則代表數據間無線性關係。. 二、多元迴歸分析 (1) 多元迴歸分析統計概念多元迴歸分析的基本意義，為使用一組自變數來解釋或預測一個依變數，因此，自變數與依變數在邏輯上需有所關聯性(黃俊英，1995)。進行多元迴歸分析，首先須確認資料是否符合基本統計假設，多元迴歸分析之統計基本假設有：依變數與自變數為線性關係、資料為常態分配、殘差的獨立性以及殘差變異數相等性 (陳怡靜，2014)。多元迴歸的基本模型為(黃俊英，1991)：. 式(15). 其中，Y 是依變數，X1、X2 至 Xk 為自變數，而 B0 為常數項，B1、B2 至 Bk 為偏迴歸係數。建立多元迴歸模型後，應檢驗整體模式的適配性，最常見的檢驗方法為 R 平方檢驗(R-Square)，與計算均方根誤差(Root mean square error, RMSE)(黃俊英， 1991)。在數據滿足迴歸分析的統計前提下，R2 值越高則迴歸模式的適配性、解釋力越佳，若 R2 值較小則迴歸模式的適配性、解釋力較差，需再尋找其他自變數重新進行迴歸模型建立；而藉由迴歸分析結果之標準化係數 Beta 值，可以得知各自變數預測、解釋依變數的能力(閻克勤等，2014)；均方根誤差為檢驗模型預測值與實際觀察值差異之計算式，同樣也為衡量模式適配性之計算方法，其計算式如下(黃俊英，1991)：. 21.

(30) 式(16). 共線性診斷，為檢驗自變數之間是否有相關性的問題，若自變數之間有較高的共線性問題，在模式的建立上會有估計錯誤的可能，導致迴歸係數高估或低估。共線性診斷主要可用兩種方式進行檢驗，分別是容忍度(Tolerance)與變異數膨脹因素(Variance inflation factor, VIF)。容忍度數值介於 0 至 1 之間，若容忍度值為 0，則代表自變數之間有共線性問題；VIF 值為容忍度值之倒數，一般來說 VIF 值以 5 為標準，超過 5 則代表有共線性問題(閻克勤等，2014)。. (2) 應用遙測資料進行多元迴歸分析相關研究 Yue et al.(2007)以 Landsat-7 的影像選擇上海進行地表溫度與 NDVI 值相關分析，在不考慮水體的情況下，地表溫度與 LST 呈現負相關的結果；Vicente-Serrano et al. (2005)使用 Landsat-7 的影像，以西班牙北部札拉哥沙(Zaragoza)為研究區，將海拔高度與 NDVI 數值作為多元迴歸分析依變數來預測熱島效應強度，結果雖然顯示海拔高度與 NDVI、熱島效應強度為負相關，且迴歸式預測具有解釋力，但該研究也提到應納入有關人類活動的社會經濟資料做為自變數，對都市熱島效應因子的分析才會更加全面；Pandey et al.(2012)以印度德里進行地表溫度與土地利用型態之空間相關分析，結果得到建成區與植被覆蓋區域，與日間氣溫有顯著負相關，與夜間氣溫則是有正相關的結果；Wazir(2017)納入天氣、居住密度、平均收入、屋頂類型、綠覆率等因子，與地表溫度進行迴歸分析，結果得出熱島效應強度與居住密度呈現正相關，並且是所有因子中對於熱島效應解釋力最高的因子，而綠覆率與平均收入這兩個因子則是呈現負相關。總歸上述迴歸分析理論與前人研究成果，本研究進行之多元迴歸分析時，必須注意資料多元共線性問題，在納入自變數時也應考量與依變數之邏輯性，除了常見的 NDVI 指數以外，可嘗試納入其他與都市人口活動相關的社會經濟因子，如此才能得出具邏輯性之多元迴歸模型。. 22.

(31) 三、熱點分析(Getis-Ord Local G-Statistic, G*) Getis-Ord Local G-Statistic 為一區域空間自相關指標(葉春國等，2013)，考量到每個 pixel 之相鄰網格與搜尋半徑，將其作為分析地表溫度冷熱區差異有其優勢(Navarro-Estupiñan, et al., 2017)，其計算式如下(Getis & Ord, 1992)：. 式(17). 其中，Wij(d)為包含距離權重(d)之空間相鄰矩陣，此計算式衡量 i 在距離(d)範圍內與 j 之相關程度，若 pixel i 與 j 小於距離(d)，則其 Wij(d)為 1，若不相鄰則為 0。藉由熱點分析 Getis Ord Gi*計算之結果，研究者可藉由 Z 值與 P 值判斷數值之集中程度，高且正的 Z 值代表高值集中的熱區(Hot spot)，低且負的 Z 值代表低值集中的冷區(Cold spot)(Mavrakou et al., 2018)。而 Z 值與所對應之 P 值、信心水準如下表 3：表 3. Local G-Statistic 對應之 Z 值 P 值與信心水準. 23.

(32) 四、單因子獨立變異數分析(One-way ANOVA) 變異數分析(ANOVA)屬於統計檢定之假設檢定，而單因子獨立變異數分析 (One-way ANOVA)，為只有一自變項之變異數分析。在此分析中，虛無假設(H0)為各組樣本之母體平均數沒有顯著差異，而對立假設(H1)為至少有一組樣本之母體平均數與他組有顯著差異；進行變異數分析有幾三統計前提假設：母體為常態分配、樣本間需獨立以及母體變異數具有同質性 (黃俊英，1991)。 ANOVA 之分析過程，可使用變異數分析表呈現(表 4)。經此表計算可得最後 F 值，F 值越大意味著組間與組內之差異越大，反之亦然；此 F 值亦可查表得到 p 值，若 F > Fa(K-1, n-K)，則拒絕虛無假設(H0)，接受對立假設(H1)，代表兩組變數具有顯著差異(黃俊英，1991)。表 4. ANOVA 變異數分析表. 24.

(33) 第三章. 研究方法與流程. 第一節研究資料取得與處理一、衛星影像衛星影像在資料使用上之優勢為可大範圍、同時間、且可橫跨多年度獲取研究區資料，然而其缺點為受限於時間、空間與光譜解析度而有其研究限制。本研究欲進行時空變遷分析，因此選擇六個時間點的 Landsat 衛星影像進行分析，同時本研究也藉由 Landsat 熱紅外光波段(Thermal band)反演地表溫度，為了減少季節因素造成計算地表溫度時，可能有高估或低估的情形，因此本研究選擇秋季的衛星影像。本研究在此解釋選擇影像之季節因素考量。不選擇夏季的影像的原因，主要乃因夏季氣候致使整體溫度上升，連續多日高溫日曬下，地物儲存之輻射熱能較多，擷取之數值易呈現整片高溫的情況，無法忠實反映溫度分布差異情形；而冬季影像則是整體溫度普遍較低，建物等不透水面之人造物所蓄存之熱能已開始佚散，此外，冬季也易有寒流等大氣系統影響溫度條件，因此在此時期所擷取之影像數據較無法反映合理情形；至於春季的影像的部分，則是建物或植被等地物，經過整個冬季的冷卻，內部已幾無熱能儲存，此時衛星擷取之地表溫度，也無法反映合理的地表熱能分布；因此，秋季影像的優點在於，經過夏季的高溫之後逐漸降溫，但尚未進入冬季的寒冷，地物仍有夏季存蓄之熱能，因此衛星所擷取之地表溫度應較能反映真實地表溫度分布。本研究選擇之影像年度與日期如下： 1991-10-20(Landsat 5) 、 1998-1108(Landsat 5)、2003-11-06(Landsat 5)、2009-11-06(Landsat 5)、2015-11-07 (Landsat 8)與 2019-10-17(Landsat 8)。本研究選擇之衛星影像日期，已藉由報紙與中央氣象局歷史資料進行天氣資料查核，確認在該日前一至二日皆屬為穩定天氣型態，未有寒流、酷暑、颱風等劇烈天氣事件，因此選擇取像時間為十月底至十一月初枝影像。由於本研究選定之影像年度區間並未固定，本研究另於表 5 呈現 1990 年至 2019 年 Landsat 影像可用與不可用之原因，其中 2013 年起為 Landsat 8。. 25.

(34) 表 5 選擇影像可用不可用原因彙整. 取得各年度衛星影像後，皆先進行輻射校正與大氣校正，以 PCI Geometica 之 ACTOR 模組進行，而後使用 ERDAS 2015 切割影像至研究區範圍；由於橫跨了不同 Landsat 衛星，原始影像在幾何定位上有些微誤差，因此本研究以 2019 年 Landsat 8 影像為基準，對 Landsat 5 與 Landsat 8 他年度影像進行幾何糾正重新定位，以求前後期位置精準。. 二、地表溫度反演本研究欲使用 Landsat-5(TM)與 Landsat-8(OLI)之熱紅外光波段進行地表溫度反演，兩衛星之地表溫度反計演算公式及步驟，參考前人研究總結如下： (1) Landsat 5 TM Band6. 式(1). 式(2). 式(3). 26.

(35) 式(4). 式(5). 式(6). (2) Landsat 8 OLI Band10 式(7). 式(2). 式(3). 式(4). 式(5). 式(6). 27.

(36) 三、地物分類方法本研究取得六個年度之 Landsat 衛星影像進行影像分類判釋，參酌前人研究之演算法分辨正確率與地物分類類別成果，本研究將以監督式分類(Supervised classification)進行，使用之分類演算法為支持向量機(SVM)，目標分類為五類：建成地(Built-up land)、森林地(Forest)、農作與草生地(Cropland and grass land)、裸露地(Bare land)與水體(Water)。監督式分類操作首先須選取訓練樣區，本研究使用 e-Cognition 進行物件式導向分類，將影像多尺度分割(multiresolution segmentation)，進行此分割主要有三參數需調整，分別為分割尺度(Scale)、形狀(Shape)與緊密度(Compactness)，參考前人研究與本研究實測結果，本研究之 Landsat 5 影像三個參數依序設為 5、 0.2、0.5，Landsat 8 則是 75、0.5、0.5；於 e-Cognition 軟體產生多尺度空間單元後選訓練樣區(Training site)，此步驟可減少人工框選所耗費的時間，亦可控制單元大小。訓練樣區選取後，將其匯入 ENVI 5.2 軟體中作為 ROI(Region of interest)，並使用支持向量機(Support vector machine, SVM)演算法進行分類演算，由於影像分類結果有些許部分是明顯的分類錯誤，比如因建物產生之陰影與水體之光譜值混淆等，本研究在這部分會進行分類結果修正。關於影像分類正確度檢核部分，由於本研究使用之影像年分橫跨甚廣，早期的分類結果實找無相應之地真資料(Ground truth)進行檢核，因此本研究僅檢核 2009、2015 與 2019 年之影像，雖然僅檢驗一半，但本研究認為在同一研究者、同樣的操作流程所產製之地物分類結果，其精確度可推論前期應也有相應表現。本研究遂將研究區內各鄉鎮市按面積比例生成隨機點抽樣，以面積平方公里數值取至個位數後除以 3 之值作為隨機點個數，若小於 0 者則調整為 3 個隨機點，地真資料以 Google Earth 提供之過去影像作為參照，計算整體精確度、Kappa 值、生產者精度與使用者精度。. 28.

(37) 四、都市熱島強度計算本研究使用多時期衛星影像進行都市熱島效應之時空變遷分析，地表溫度數據易受不同年度之氣候、整體大氣升溫等系統性因素影響；本研究認為進行跨年度比較時，數據必須進行正規化，站在同一基準上比較分析才有意義。本研究總結過去研究對於都市熱島效應強度(Urban heat island intensity, UHII) 之計算，定義本研究熱島效應強度(UHII)計算式為：. 式(18). 其中，UHII 為各 pixel 之熱島效應強度，Ts 為各 pixel 之地表溫度，Tmin 為研究區之最低地表溫度。此計算式為原始地表溫度轉換為熱島效應強度之過程，本研究認為減去研究區最低溫之計算方式，足以作為本研究跨年度比較之數據正規化之基礎；跨年度比較的是各年度地表溫度的等級，而非原始地表溫度，好比判斷一個學生的學業表現時，看其班上排名而非原始考試成績。而計算研究區各年度平均熱島效應強度之計算式為：. 式(19). 其中，UHIImean 為平均熱島效應強度，n 為計算之 pixel 個數。依此式計算之結果本研究將視為研究區該年度之平均熱島效應強度。在跨年度分析上，本研究已參酌前人研究中，將熱島效應強度標準化後再進行比較之作為，本研究認為前人研究中標準化轉換之數據，較難以直觀體現實際溫度差異，本研究既已將原始地表溫度進行數據正規化，藉由式 18 之計算方式，各 pixel 原始溫度值減去研究區最低溫，應已具有跨年度比較基準，故本研究將不採取前人研究中將熱島效應強度標準化之過程，直接進行強度比較，如此數據呈現較為直觀也可保留其基準。 29.

(38) 第二節研究流程本研究首先使用六個年度的 Landsat 影像，以支持向量機演算法進行監督式分類，謹慎選取訓練樣區後，將土地利用型態分為下列五類別：建成地(Built-up land)、森林地(Forest)、草生地(Grass land)、裸露地(Bare land)與水體(Water)。本研究藉由反演公式計算所選日期之研究區地表溫度，並以熱點分析 GetisOrd Gi*觀察其空間分布特性，計算平均中心以量化冷熱區移動情形，而後計算各 pixel 之熱島效應強度(式 18)，與各年度研究區平均熱島效應強度(Urban Heat Island Intensity, UHII)(式 19)。本研究亦分析植生指數(NDVI)、建物指數(NDBI)與地表溫度之統計關係，計算皮爾森相關係數，並進行簡單迴歸、多元迴歸分析；而後計算各分類類別之平均熱島效應強度，分析不同地物分類類別之熱島效應強度差異，並探究其與整體熱島效應強度之關係。本研究再分析六個年度、五個時期的土地利用時空變遷，分析土地利用類型面積變化多寡，與變化所帶來的熱島效應強度改變量，再以統計檢定強度變化量是否具有顯著差異，以此作為土地利用類型改變，造成熱島效應強度顯著變化之實證；最後，本研究聚焦於重劃區上，選擇七個重劃區進行分析，探討重劃區與整體熱島效應之強弱關係轉變過程。本研究研究架構與衛星影像資料處理流程如圖 2、圖 3 所示。. 30.

(39) 圖 2. 研究流程圖. 31.

(40) 圖 3. 衛星影像資料處理流程圖. 32.

(41) 第四章. 研究成果. 第一節土地利用型態影像判釋結果本段落旨在探討台中地區土地利用型態於各時期的分布情形，本研究採用監督式分類法，謹慎的選取訓練樣區後，以支持向量機(Support Vector Machine, SVM) 演算法進行地物分類。結果共分為五類，分別為建成地(Built-up land)、森林地 (Forest)、草生地(Grass land)、裸露地(Bare land)與水體(Water)。本研究選用六個時間點的 Landsat 衛星影像進行分析，分別是 1991-1020(Landsat 5)、1998-11-08(Landsat 5)、2003-11-06(Landsat 5)、2009-11-06(Landsat 5)、2015-11-07 (Landsat 8)與 2019-10-17(Landsat 8)。由於 1991、1998 與 2003 年找無地真資料做分類檢核，因此本研究僅檢核 2009、2015 與 2019 年之分類結果。此三年度分類正確率如表 6 所示，分類面積與比例統計於表 7，分類結果呈現於圖 4、圖 5。表 6. 2009、2015 與 2019 年分類正確率. 表 7. 各年度地物分類面積結果統計. 33.

(42) 圖 4. 1991、1999 與 2003 年之地物分類結果。. 圖 5. 2009、2015 與 2019 年之地物分類結果。. 本研究首先說明各地物分類中可能對應之地表地貌，建成地分類主要是以住宅、工廠、道路等以水泥、柏油為主體的不透水人造結構物；森林地為茂密的樹林；草生地主要為稻作農地、短草皮或雜草荒地等；裸露地為表土裸露、幾無植被覆蓋的區域；水體則主要為河道與湖泊。綜觀六個年度的地物分類結果可以得知，原先 1991 年建成地與草生地的面積相近，皆約佔總研究區面積 36%，但到了 2003 年建成地面積占比成長到 45%，草生地則降低至 27%，之後建成地面積微幅增加，至 2019 年佔總面積 49%，這是本研究區變化比例最多的兩個地物分類類別。森林地在本研究區內的變化比例皆不大，約在 15%上下，分類結果呈現森林地大多是台中盆地東側的丘陵地帶，少部分於西側大肚台地上。 34.