Volume 15, No.1, March 2010, pp. 29-49
1國立台灣大學土木工程學系研究生 收到日期:民國 99 年 03 月 31 日
2國立台灣大學土木工程學系 教授 修改日期:民國 99 年 04 月 29 日
3國立中央大學土木工程學系 教授 接受日期:民國 99 年 06 月 11 日
4財團法人中興工程顧問社 研究員
＊通訊作者, 電話: 886-2-33664348, E-mail: [email protected]
物件導向分析方法應用於遙測影像之分區及崩塌地 與人工設施分類
黃韋凱
1林銘郎
2陳良健
3林彥享
4蕭震洋
4摘 要
本研究利用物件導向式遙測影像分析方法進行大範圍坡地與河川災害快速判釋，以改善像元式影像 分析方法於分類時常有之雜訊問題。研究使用福爾摩沙二號衛星在莫拉克颱風事件前後遙測影像，利用 災害前後期影像同時進行均質化分割技術，於兩張影像上產生出相同區塊，以解決不同時期影像之地貌 分類邊界問題；以區塊為分析單元，依照人工判釋經驗與階層式的邏輯，加入合適之空間特徵資訊（包 括光譜值、坡度等），訂定分類規則流程，由單純至複雜的地貌進行十四種分類，建立出有系統之分類程 序，以作為未來災前後影像快速判釋之參考。
應用於研究區之分類結果，進一步與航照判釋及現地踏勘比對，訓練成果由誤差矩陣評估得整體精 度達81.6%；崩壞比由災前的 1.5% 增加為 10.5%、河道變遷河段達 307 處，災後河道面積相對於災前增 加32%、受影響之開發地達 26%、受影響之房舍達 26%（1179 處）、受影響之道路達幾 18%（2281 處）。
關鍵詞：莫拉克颱風、物件導向、分區、分類、最鄰近法、影像變異、崩塌、人工設施
1. 前言
台灣位處歐亞板塊及菲律賓板塊交界地帶，地 質狀況偏屬破碎。加上近年來氣候變遷影響，極端 降雨引發之劇烈自然環境變化造成台灣頻繁的天 然災害，如民國98 年 8 月 7 日至 11 日之莫拉克颱 風事件在台灣南部地區帶來累計降雨量超過 2,000 毫米，造成南台灣坡地嚴重崩塌、道路中斷及河道 變遷致災的情形（李維峰、等，2009）。
利用遙測影像可以在短期內獲得大區域災情 資料，但藉由傳統人工判釋與數化方法對於廣域影 像判釋分類頗為耗時，可能無法滿足救災與復建決 策所需之即時性與快速性，因此如何利用自動判釋 方法快速進行影像之地貌分類（尤其是受影響之道 路、房舍、開發地等）是相當重要的課題。過去常 用之自動判釋方法大多採用像元式（pixel-based）
的分析方法，藉由特定統計方法的分析與分類，逐
一賦予影像中每個像元一種類別。然而既有像元式 分類法大多僅藉由光譜分布的差異進行分類，不易 呈現地貌間之空間關聯性，且分類結果易常有雜訊
（salt & pepper）產生，影響分類的精度和結果。
作者等有幸參與行政院公共工程委員會「莫拉 克颱風高雄縣甲仙鄉小林村及那瑪夏鄉、桃源鄉致 災原因調查計畫」（陳清泉、等，2010），取得由中 央大學太空遙測中心提供的福爾摩沙衛星二號所 拍攝多光譜影像進行分析。
綜觀前人使用物件導向分析方法之相關研究 整理如表1。了解前人研究多以影響生活環境之災 害（崩塌、河道變遷…等）作分析，鮮少進一步對 人工設施做分類及討論，但其人工設施與災害的相 互關係通常是防災設計所依據之重要資訊。
有鑑於此，本文將利用物件導向式之遙測分析 方法，以遙測影像人工判釋的成果為基礎，以區塊
（segment）為分析單元依照人為判釋經驗與邏輯，
結合既有地貌判釋知識，訂定電腦判釋的規則（rule
set），加入合適空間特徵資訊進行分類，其中包括 形狀、光譜值、坡度等資訊，最後利用階層式的邏 輯，由單純至複雜共十四種地貌進行分類，以了解 災前後地貌狀況及變遷情形，最後建立出一系統化
「災害與人工設施判釋系統」。期未來在災後利用 此技術於有限的時間內，以本研究的分析流程和方 法進行之大範圍遙測影像判釋，迅速瞭解災害發生 規模、範圍，以及受災害影響之重要人工設施位置 等重要資訊，以利決策者瞭解災害的情況，做為決 策的參考依據，幫助救災及重建工作之推行。
2. 分析資料簡介
2.1 研究區域概述
研究區域以莫拉克颱風造成災害最為嚴重之 六村進行分析（圖 1），本研究區位處高雄縣那瑪 夏鄉之南沙魯村（民族村）、瑪雅村（民權村）及 達卡努瓦村（民生村）、甲仙鄉之小林村、桃源鄉 之桃源村及勤和村等六村，屬於旗山溪流域上游及 荖濃溪流域中游部分地區。面積各分別為：南沙魯 村4,849 公頃、瑪雅村 5,701 公頃、達卡努瓦村 6,734
公頃、桃源村4,448 公頃、小林村 3,833 公頃、勤 和村1,834 公頃，總面積約 27,400 公頃。以下對研 究區域之流域至局部區域概述說明。
2.1.1 旗山溪流域-小林村及那瑪夏鄉
旗山溪主要為東北-西南流向，河岸兩側與山 稜線平行，研究區在旗山溪流域之平均坡度以地理 資訊系統軟體-ArcGIS 從 40m × 40m 高程數值模 型計算，主流沿線從北-達卡努瓦村村界至南-小林 村五里埔其平均溪床坡度為1：60，另因上游河段 坡度大之地形條件，使河流下切嚴重形成兩岸陡峭 地形。旗山溪溪床在上游那瑪夏鄉地區河道狹窄，
流至小林村區域河道則逐漸變寬且溪床坡度漸緩，
略成沖積地形。地質條件方面，於旗山溪流域為第 三紀沉積岩區，屬砂岩及頁岩之岩性分佈，有數條 斷層構造線通過（甲仙、平溪、小林斷層等）(圖 1)，地質構造發達，沿岸邊坡破碎程度高，經過此 次颱風事件造成小林村至那瑪夏鄉沿岸產生多處 崩塌。土地利用在沿岸開發主要以稻作、畜禽、農 業用地；靠山稜線處則為林務局的林業事業用地；
交通狀況以台21 線公路為重要聯外道路。
表1 物件導向分類相關研究整理
研究學者 文章發表
時間 分類探討對象 分類選用之
特徵值、資料圖層
洪凱政 2009 崩塌 光譜、形狀、紋理、植生指數
Martha 等人 2009 崩塌（破壞形式）
數值地表模型（DSM）、數值高 程模型（DEM）、坡度、流向、
邊坡曲率、河川流網、集水區資 料圖層
Moine 等人 2009 崩塌 形狀、光譜、紋理
Asselenand &
Seijmonsbergen 2006 山區型態（崩塌、河流
階地…等）
數值地形模型（DTM）、坡度圖、
河流中心線向量圖層 黃帥豪 2008 河道變遷 光譜、河流中心線向量圖層
Arroyo 等人 2010 河岸土地覆蓋地貌（河
道、裸露地…等）
數值地形模型（DTM）、植生樹 冠模型（TCM）
鄧佩欣 2009 土地利用（人工設施） 光譜、植生指數
圖1 研究區域 表2 影像資料
衛星影像編號/資料敘述 拍攝日期
(GMT) 分析光譜波段 空間解像力/解析度 (公尺) I0019367 2009/5/9 R、G、B、NIR 8
I20090817 2009/8/17 R、G、B、NIR 8
高程數值模型(災前) 40
坡度圖(災前) 40
2.1.2 荖濃溪流域-桃源村及勤和村
荖濃溪主要為東北-西南流向，研究區之荖濃 溪流域其溪床平均坡度為1：50，地形及河流演育 受到地質構造控制。地質狀況於土壟灣斷層東側區 域，屬堅硬之第三紀輕度變質岩區，造成高山峻嶺 及 V 型河谷之地形；斷層以西則為沉積岩地質與 旗山溪流域相似。土地利用多於沿岸之河階地進行 開發，桃源村及勤和村聚落即分布於其中；交通狀
況以台20 線公路為桃源村及勤和村之對外聯絡之 重要道路。
2.2 影像資料
本研究使用影像為中央大學太空遙測中心所 提供，係福爾摩沙衛星二號於2009 年 5 月 9 日及 2009 年 8 月 17 日所拍攝之多光譜影像（表 2）。此 兩期影像為莫拉克颱風災前後所拍攝，其分析之空
間解像力為8 公尺，各包含 R、G、B、NIR 4 種波 段，總計8 個前後期多光譜波段由本研究進行分析。
每 張 影 像 分 析 像 素 為 10,062,176 Pixels
（3064×3284），另外分析中加入以 40m×40m 高程 數值模型（digital terrain model , DTM）產製之坡 度圖層。
2.3 軟硬體設備
本研究所使用的系統平台為安裝 Microsoft Windows XP Professional SP2 之個人電腦；CPU 為 Intel Core2 Quad，記憶體為 3.48GB。分析軟體為 德 國 公 司 Definiens Image 所 開 發 之 Definiens Developer 7.0（Definiens , 2003），其前身名稱為 ECoginition，是為一套專用於影像物件導向式分類 之軟體。
3. 研究方法
本研究以物件導向為基礎，利用 Definiens Developer 7.0 軟體（以下簡稱 Definiens）進行地貌 判釋分類，依照人工判釋經驗與邏輯，結合既有的 地貌知識，訂定電腦判釋的規則流程，最後與人工 判釋分類作比對，決定出適合本分析影像的分類流 程，以做分類結果之應用。本研究之研究流程圖，
如圖2 所示。
3.1 物件導向介紹及分析流程
物件導向式分類是利用光譜、坡度圖層等資訊 進行區塊影像分類，根據像元的光譜將影像分割成 多個同質的區塊，此時最小的分類單元為影像物件
（image object）即區塊，將能降低傳統像元式分 類法雜訊問題。
3.1.1 影像分割
影像分割是物件導向分類方法的第一個步驟，
本 研 究 利 用 Definiens 軟體 以 多 重 解析 分 割 法
（multiresolution segmentation of image objects）的 概念將原始影像（圖3 a、b）分割成一個個小多邊
形物件使之成為多個同質區域（圖3 c）。此方法為 一 由 下 而 上 （ bottom-up ） 之 區 塊 合 併
（region-merging）的技術，影像中的最小組成單 位為像元，我們可以假想它為許多的種子（seed）。
每一種子經由電腦程式運算此種子周遭之異質性，
其 異 質 性 指 標 在 系 統 中 分 為 三 種 （ECoginition user’s guide, 2003）：（1）屬性值（attribute）異質 性指標；（2）形狀（shape）異質性指標；（3）整 體異質性指標，當整體異質性指標（為屬性值與形 狀異質性指標加總）低於系統程式判定標準以下，
它將會四面八方的找尋最佳鄰近種子作合併，直到 系統計算之整體異質性指標大於系統設置的「門檻 值」才停止合併動作，形成一個多邊形的區塊此門 檻值大小是由分割尺度來決定（詳3.2.1 節）。
以上所論述之形狀異質性指標是以平滑度
（smooth）與緊密度（compactness）之合量做為分 割的指標，這兩個數值會影響到分割區塊的邊界形 狀，作者使用Definiens 軟體內所提供的內定值來 設定。
圖2 研究流程圖
(a) 小林村-災前，原始影像。
(b) 小林村-災後，原始影像。
(c) 小林村-災後，分割尺度選擇 50，兩期影像同時進行分割區塊均質化處理後之區塊分割情形。
(d) 小林村-災後，分割尺度選擇 10，兩期影像同時進行分割區塊均質化處理後之區塊分割情形。
(e) 小林村-災前，分割尺度選擇 50，兩期影像同時進行分割區塊均質化處理後之區塊分割情形。
圖3 物件導向區塊均質化分割與不同分割尺度分割成果示意圖
3.1.2 分類特徵
本研究中將分類出14 種的地貌分類，其中道 路及房舍屬於人工設施（表 3），由於此二幅經仔 細挑選影像幾乎無雲，故本研究對於雲尚未進行分 類處理。為了建立研究區分割與分類成果的驗證資 料，選擇小林村附近區域左上及右下 TW67 座標
（210548 , 2563827）、（215572 , 2560603）以內的 區域做為訓練區。針對衛星拍攝之假色影像疊合分 割成果，進行人工判釋各分割區塊內之地貌屬性；
接著以航照為輔，檢核地貌是否判讀錯誤；最後再 利用3D 立體飛行模擬作第二次校正，主要檢核跟 坡度有相關之地貌（圖 4）。圖中因圖層顯示疊合 之關係，編號分類11~14 等四類未標示於圖上。
各地貌分類人工判釋特徵之描述如下：
分類(1)道路（未受損）：顏色多亮白居多，形狀多 為細長線形。
分類(2)植生：暗紅色之不規則多邊形。
分類(3)稀疏植生：與植生比較為稍亮之紅色，屬 竹林、果樹、人工林等林相，且位置多位於崩塌、
房舍及開發地附近，表示可能和崩塌有關或是經過 人為低密度開發或墾植，其坡度與開發地相比，通 常坡度較陡。
分類(4)陰影：顏色多為灰黑色，位置多位於山稜 線下，形狀多呈不規則之形狀與周遭地貌不協調。
分類(5)舊河道：亮藍色，其位置多位於河谷，在 主河道部分形狀屬寬長條形；支流溪溝部分形狀屬 直且細長，坡度較河岸崩塌地緩。
分類(6)房舍：亮白色或淡紅色，位置多位於坡度 較緩之河道旁階地以及道路旁，面積形狀為矩形、
方形之細小之區塊。
分類(7)開發地：其判釋條件與房舍雷同；不同的 是其面積大小較房舍大且色調較房舍稍暗，且坡度 與房舍相比有些稍陡。
分類(8)新增崩塌地：亮藍色，經由兩期影像作判 釋後，增加在山稜線、及河道周遭之色調較亮之部 分，形狀多數為非細長的不規則多邊形，包括新生 及舊崩塌地擴大，坡度較舊河道及河道變遷陡。
分類(9)河道變遷：亮藍色，經由多期影像判釋出 舊河道擴大之河道，坡度較緩。
分類(10)舊崩塌地：亮藍色，多位於河道旁及接近 山稜線，形狀為非細長的不規則多邊形、坡度較 陡。
分類(11)道路中斷-河道變遷：在災後因河道變遷而 消失之道路。
分類(12)道路中斷-崩塌變遷：在災後因崩塌而消失 之道路。
分類(13)受影響房舍：在災後因崩塌及河道變遷消 失之房舍。
分類(14)受影響開發地：在災後因崩塌及河道變遷 消失之開發地。
表3 分類特徵規則
圖4 小林村人工判釋（災前後原始影像參照圖 3 a、b）
3.2 物件導向分析流程
將影像作分割區塊均質化後，接著經由人工經 驗判釋所得經驗，萃取出地貌分類特徵，設置門檻 值。其中直接用光譜、NDVI、坡度等單一特徵就 能做出分類者為單純地貌，進行分類中之植生、稀 疏植生分類。若無法利用單一特徵作出分類，則是 複雜地貌，為分類中之陰影、舊河道、房舍、開發 地、新增崩塌地、河道變遷、舊崩塌地、道路中斷 -河道變遷、道路中斷-崩塌變遷、受影響房舍、受 影響開發地；必須再藉由程式中開發的最鄰近法與 模糊隸屬函數（詳 3.3 節），經由選取樣本訓練的 方式，進一步將目標地貌鑑別出來。本研究中物件 導向分析流程如圖5 所示。
圖5 物件導向-判釋分類流程圖
分類誤差往往來自於地貌光譜組成之複雜度，
若能縮小分析範圍使目標單純化，盡可能以單一資 訊分析，就可將兩種地貌作出區別，如以植生指數
（normalized difference vegetation index,NDVI）即
可分辨崩塌地與植被分類（Goward et al., 1991）；
而縮小分析範圍最佳方式就是以階層式篩選以分 類（1）開始逐次向分類（14）進行。因此，一套 以專家判釋知識所建立於邏輯系統的分類流程規 則，將可利用邏輯推論的方式，變成一套符合邏輯 程序，將複雜的工作做有效率的簡化完成複雜之分 類工作。以下將對於各分類之分割尺度及特徵範圍 的選取做說明，統整成有程序的系統化分類規則流 程。
3.2.1 分類分割尺度之選擇
3.1.1 節所論述之「門檻值」在系統作分割時，
是依據影像性質及使用者需求（user-defined）加以 定義，此門檻值稱之為分割尺度（scale parameter）。
分割尺度在多重解析分割法是一非常重要的參數，
此參數可用於決定異質性門檻之上限，改變整體細 分過程；也可決定影像中分割物件的平均大小。換 言之，此數值設定較高表示允許物件合併之異質性 較高，因此物件將會有更多的合併，組合成更大的 物件；反之亦然（Rejaur and Saha, 2007) （圖 3 c、
d 分別用分割尺度 10、50 的分割成果）。
不同的分割尺度就會產生不同大小之區塊，不 是全部地貌特徵都可對應使用同一種分割尺度。至 於決定一個合適的分割尺度，就是在於分割出來的 區塊邊界能否對上影像中的地貌邊界（如：崩塌地 邊界）（鄭詠心，2009）。因此可以使用多重解析分 割法，針對不同的地貌設定不同之參數，將影像中 感興趣的地貌，決定出屬於它們的分割尺度（Baatz and Schape, 2000）。
本研究中依據分類地貌之「面積大小」、「空間 位置關係」、「內容豐富度」、「分割效率」做出分割 尺度的選擇。面積大小為分析對象於影像中之相對 大小，地貌相對較大則使用相對較大之尺度，反之 亦然；空間位置關係為兩個或兩個以上之地貌間之 空間關係，可以距離與方向描述，亦可以其相鄰、
相離、包含等關係來描述，若一個空間關係多為相 鄰之地貌則使用相對較大之尺度，相離則用較小之 尺度。若是A 地貌包含於 B 地貌，A 地貌之邊界 不符合人工判釋標準為前提，則對於 B 地貌選擇
相對較小之尺度做分割；內容豐富度與分割尺度呈 反比；分割效率與分割尺度呈反比。
此外，影像均質化分割部分，也可利用加入圖 層的方式，針對圖層的邊界特徵進行指定分割，如：
加入 DTM、道路中心線環域分析圖層對於舊河道 與道路邊界使用指定分割。以下將對於各分類所設 定的分割尺度參數做簡單闡述：
分類(1)道路：多位於山林間，其樹種茂密常遮蔽 住道路特徵，常無法辨認。以交通部之道路中心線 向量圖層，於ArcGIS 中進行道路平均寬度 5 m 環 域分析產生向量圖層後，加入 Definiens 進行多尺 度分割出線型。
分類(2)植生：面積大且空間關係多屬相鄰，使用 相對較大之分割尺度。
分類(3)稀疏植生：使用相對較大之分割尺度，理 由與植生相同。
分類(4)陰影：面積不一定，空間關係多屬相離，
但內容豐富度低，使用相對較大之分割尺度。
分類(5)舊河道：面積大且空間位置相鄰；河道與 河道旁側崩塌、開發地之光譜色調相似，因此加入 DTM 圖層使用相對較大之分割尺度對舊河道邊界 做出分割。
分類(6)房舍：面積小且空間關係多屬相離，使用 相對較小之分割尺度。
分類(7)開發地：使用相對較小之分割尺度，理由 與房舍相同。
分類(8)新增崩塌地：面積不一定，空間關係不一 定，但內容豐富度高，使用相對較小之分割尺度。
分類(9)河道變遷：使用相對較小之分割尺度，理 由與新增崩塌地相同。
分類(10)舊崩塌地：使用相對較小之分割尺度，理 由與新增崩塌地相同。
分類(11)道路中斷-河道變遷：理由闡述及尺度選擇 同道路。
分類(12)道路中斷-崩塌變遷：理由闡述及尺度選擇 同道路。
分類(13)受影響房舍：使用相對較小之分割尺度，
理由與房舍相同。
分類(14)受影響開發地：使用相對較小之分割尺度，
理由與開發地相同。
3.2.2 分類特徵值之選擇
經分割區塊，構成影像的最小單位為區塊物件，
每一區塊將有各自的地貌值（如：光譜值、坡度…
等）。接著配合人工思考邏輯以及遙測知識找到凸 顯各地貌之分類特徵值。分類植生為例，全幅圖層 的災後NDVI 範圍值介於 -0.48~0.63（圖 6 a）。以 災後NDVI 作出調整篩選後與人工判釋比對，調整 後災後影像NDVI 值介於 0.26~0.63 即為植生區域
（圖6 b）。顯示藍及綠之漸層表示在設定範圍內，
相對值低顯示為藍色，高則為綠色；顯示黑及灰則 為未在選取範圍內之區域，相對值低顯示黑色，高 則為灰色。
(a) 災後全幅 NDVI 值範圍於-0.48~0.63
(b) 災後植生 NDVI 值範圍於 0.26~0.63
圖6 (a)~(b)植生之分類特徵(災後 NDVI)及其適用範圍
應用以上的方法於各地貌之判釋，即可依序找 到非植生部分之各地貌分類特徵及其特徵值範圍，
做出合理參數選擇(表 3)。各分類使用鑑別特徵及 理由說明如下：
分類(1)道路：多位於山林間，當林相茂密遮蔽住 道路特徵，常無法辨認。因此使用道路中心線做5 m 環域分析之圖層做指定分類。
分類(2)植生：災後之非植生區域為本研究分析重 點，因此使用災後NDVI 值≤0.63 者分類為植生。
分類(3)稀疏植生：其位置於開發地、房舍及崩塌 地周邊的植生範圍為稀疏植生，就已屬植生部分，
進一步以災前NDVI 值≦0.46 區分出。由災前影像 才可取得災後房舍及開發地資訊，因災害變遷使之 消失或被土石覆蓋無法得其位置，而房舍及開發地 除落於災害變遷中，尚有落於稀疏植生中之物件。
分類(4)陰影：對於 NIR 及 NDVI 反應明顯，使用 災後NIR、NDVI 值選取樣本後，做模糊隸屬函數 及最鄰近法訓練分類；縮小災後非植生區域，簡化 分類複雜度。
分類(5)舊河道：對於 NIR 反應明顯，且坡度較緩，
使用災前NIR、坡度圖選取樣本後，做模糊隸屬函 數及最鄰近法訓練分類。
分類(6)房舍：對於災前 NIR 反應明顯，面積小，
多位於坡度較緩，使用災後NIR、NDVI 值選取樣 本後，做模糊隸屬函數及最鄰近法訓練分類。
分類(7)開發地：對於災前 NIR 反應明顯，面積小，
多位於坡度較緩，但與房舍相比其面積稍大且坡度 較陡，使用災後NIR、NDVI 值選取樣本後，做模 糊隸屬函數及最鄰近法訓練分類。
分類(8)新增崩塌地：為 NDVI 值災前與災後有產 生變化且坡度較陡，因此使用NDVI 變異值及坡度 篩選分類。
分類(9)河道變遷：為 NDVI 值災前與災後有產生 變化且坡度較緩，使用變異值及坡度選取樣本後，
做模糊隸屬函數及最鄰近法訓練分類。
分類(10)舊崩塌地：對於坡度反應明顯，使用坡度 選取樣本後，做模糊隸屬函數及最鄰近法訓練分 類。
分類(11)道路中斷-河道變遷：落於河道變遷之道路
分類。
分類(12)道路中斷-崩塌變遷：落於新增崩塌之道路 分類。
分類(13)受影響房舍：落於河道變遷與新增崩塌之 房舍分類。
分類(14)受影響開發地：落於河道變遷與新增崩塌 之開發地分類。
3.2.3 分類規則流程敘述
本研究將人工判釋經驗邏輯轉換成電腦輔助 之分類規則流程，災後影像分析總共九個步驟，簡 述說明如下：
• 步驟(一)-分割 1：以災前及災後 R、G、B、NIR 共4 個波段 8 張影像加入道路經環域分析圖層進 行多重解析分割法做分割；分割尺度選擇50。
• 步驟(二)-分類 1-道路、植生、稀疏植生、陰影：
1. 對整幅影像物件進行道路指定分類。
2. 對剩餘未分類物件在災後 NDVI≧0.26 分類 為植生。
3. 對植生分類物件在災前 NDVI≦0.46 為稀疏 植生。
4. 對剩餘未分類物件作最鄰近法-災後 NIR、災 後NDVI 樣本選取訓練，分類為陰影。
• 步驟(三)-分割 2 (分割出舊河道)：
1. 對剩餘未分類物件作合併。
2. 對剩餘未分類物件以災前後 R、G、B、NIR 共8 個波段加入 DTM 圖層進行多重解析分割 法做分割；分割尺度選擇50 對整幅影像作分 割。
• 步驟(四)-分類 2-舊河道：對剩餘未分類物件作最 鄰近法-災前 NIR、坡度圖、DTM 樣本選取訓練，
分類為舊河道。
• 步驟(五)-分割 3 (分割出房舍、開發地)：
1. 對剩餘未分類物件作合併。
2. 對剩餘未分類物件以災前 R、G、B、NIR 共 4 個波段分割尺度選擇 10。
3. 對稀疏植生分類物件以災前 R、G、B、NIR 共4 個波段分割尺度選擇 10。
• 步驟(六)-分類 3-人工結構 (房舍、開發地)：
1. 對剩餘未分類及稀疏植生分類物件作最鄰近 法-災前面積、災前 NIR、坡度圖樣本選取訓 練，分類為房舍。
2. 對剩餘未分類及稀疏植生分類物件作最鄰近 法-災前面積、災前 NIR、坡度圖樣本選取訓 練，分類為開發地。
• 步驟(七)-分類 4-變異點 (河道變遷、新增崩塌 地)：
1. 對剩餘未分類、房舍、開發地、道路分類物 件在NDVI 災前後變異值>0.04 ，分類為變異 點。
2. 對變異點分類物件作最鄰近法-坡度圖樣本 選取訓練，分類為河道變遷。
3. 對變異點分類物件在坡度圖>12.2°，分類為新 增崩塌地。
• 步驟(八)-分類 5-舊崩塌：對剩餘未分類物件以最 鄰近法-坡度圖樣本選取訓練，分類為舊崩塌 地。
• 步驟(九)-分類 6-災害影響之人工設施 (受影響 房舍、開發地、道路)：
1. 對河道變遷分類物件進一步作道路分類物件 指定分類，分類為道路中斷-河道變遷。
2. 對新增崩塌地分類物件進一步作道路分類物 件指定分類，分類為道路中斷-崩塌變遷。
3. 對河道變遷、新增崩塌地分類物件進一步作房 舍分類物件指定分類，分類為受影響房舍。
4. 對河道變遷、新增崩塌地分類物件進一步作開 發地分類物件指定分類，分類為受影響開發 地。
3.3 最鄰近法與模糊隸屬函數
承接3.2 節所提到最理想的分類狀態，不外乎 為利用單一影像資訊，就可將欲分類地貌萃取出來，
但實際上自然界地貌之影像資訊複雜，電腦輔助判 釋通常難以單純利用光譜分析就可將地貌鑑別出 來，因此本研究利用「最鄰近法」配合「模糊隸屬 函數」對影像資訊複雜的地貌進行分類。
3.3.1 最鄰近法
最鄰近法(nearest neighbor)（Clark and Evans, 1954）的分類過程，首先從欲分類之地貌中選取數 個具有代表性之取樣物件，然後對每個影像物件搜 尋其最接近距離之取樣物件，以此物件為中心；特 徵空間標準距離（d）為半徑，將此最鄰近法的特 徵空間內的物件都攫取為欲分類之物件，而其空間 標準距離的計算式如下：
( )s ( )o 2
f f
f f
v v
d
(1)
式（1）中，d 為取樣物件 s 和影像物件 o 間的 距離，ݒሺ௦ሻ為取樣物件對特徵 f 的特徵值（如光譜 中的DN 值），ݒሺሻ為影像物件對特徵 f 的特徵值，
ߪ為特徵 f 之特徵值的標準差，所以 d 之物理意 義為所有特徵值的標準差，將取樣物件和影像物件 在特徵空間的距離標準化。
3.3.2 模糊隸屬函數
模糊集合理論（fuzzy set theory）於 1965 年 由美國加州大學柏克萊分校 Zadeh 教授首先提出
（Zadeh,1965），其採用模糊集合的概念，以模糊 邏輯（fuzzy logic）來描述現實的事物，有別於傳 統的二值關係，例如「是」為 「1」及「否」為「0」，
在現實世界中，有許多事物並非只有是與否的關係，
而是具有位於是與否中間過渡的差異，故模糊理論 更能用來表現真實世界所呈現的事與物，例如影像 中定義二值影像黑與白的範圍，其假設灰階小於等 於0.26 定義為黑，大於等於 0.28 則定義為白，而 在 0.26~0.28 間就是黑與白之間的過渡地帶，在 Zadeh 教授則使用「隸屬度函數值」（membership functions）來描述其間的關係，因此可以使用模糊 理論來表示人類思考時常會發生的「不確定」或「含 糊」的概念。
本研究使用之隸屬度函數是利用樣本訓練後 產生，以河道變遷為例說明（圖 7）；各物件之坡 度值對應到包絡線將決定出隸屬度函數值，其函數
值大於0 則明確定義為「是」；函數值等於 0 則定 義為「否」。定義「是」之物件將會被鑑別出為河 道變遷物件。
圖7 河道變遷-樣本訓練之隸屬函數，當坡度介於 0°~12.2°之區塊定義為河道變遷分類，反之當 坡度大於12.2 者被定義為新增崩塌(表 2)。
3.4 影像變異法
在影像前處理階段若可達到幾何零誤差、輻射 值標準化，並且處理影響分析之物件（如：雲霧、
陰影）；在解決大多數影響兩幅事件前後期影像的
資料後，只要簡單的將前後期影像相減（每一個在 空間上對應像元的輻射值相減），就可得到所謂的 差值影像，此差值影像即代表該事件前後期的環境 變化圖（change map），差異值越高的區域表示變 化越大。Coppin 等人（Coppin et al., 2004）回顧 了幾種變化偵測的方法（change detection algorithm）
（表 4），其中也包括本研究中所使用的直接相減 法（univariate image differencing）。
一般而言在大規模災害發生時，影響人類生活 環境（道路、房舍、開發地）最嚴重的因素，莫過 於自然變遷中的崩塌及河道變遷。在對單一影像作 崩塌等分類時，通常因為崩塌塊體滑落覆蓋植生，
因此可由NDVI 將崩塌物件等萃取出來，接著配合 直接相減法（Eastman and Mcendry, 1995），偵測影 像之變遷。本研究以此單一事件中的災前、後 NDVI 值，相減後之結果平方（式 2）得到自然環 境之變異值作為篩選分類變異點的指標，平方為了 將此差值放大，使的有變異的物件更能凸顯出來。
變異值=(災前 NDVI－災後 NDVI)
2(2)
表4 變異偵測演算法適用情況之比較(Coppin et al., 2004)
4. 影像分類之改進與成果
利用上述之研究方法進行影像之分割及分類 曾遭遇一些問題，以下將針對在分類時產生的問題 及改進後的成果加以論述。
4.1 以事件前後兩期影像同時 均質化區塊分割處理
以物件導向式電腦輔助分析進行影像分類，與 像素式分析相比，固然有許多優點。但是在瞭解災 前、後變遷情形的面積增加估算時，不管是物件、
像素式分析都會有災前、後變遷作相減，其分類結 果邊界不符合邏輯之狀況，如：以物件導向式分析，
對單一期影像作均質化區塊分割分類後，災前崩塌 邊界會超出災後崩塌邊界的情形（圖8 a）。問題產 生原因可能為災前、後衛星影像拍攝之時間、氣候、
拍攝方位條件不同，使災前、後變遷在分類後進行 相減對面積估算時產生問題，這種狀況即使在經過 精準的影像前處理校正後，仍會些微偏差的問題發 生。
本研究將以3.1.1 節所敘述的影像分割方法應 用於兩期影像各自4 個波段（R、G、B、NIR）總 共8 幅影像；同時做均質化的區塊分割處理，其區 塊分割結果（圖3 c、e），可看到災前、後影像之 分割區塊大小一致，經由前後期影像的光譜填色後，
仍能將未區塊均質化處理的原始影像重要資訊展 示出來，因此克服以上所述之邊界問題。
(a) 布唐布納斯溪上游崩塌-以單期災前、後作分割，災前後邊界不一致情況。
(b) 布唐布納斯溪上游崩塌-以兩期災前、後同時作分割，災前後邊界已趨於一致，且左下角方框中 可見崩塌漏估減少情況。
(c) 布唐布納斯溪上游崩塌-災前原始影像。
(d) 布唐布納斯溪上游崩塌-災後原始影像。
圖8 影像分割後邊界展示圖
4.2 物件導向之變異點監測
變異情形在許多的前人研究中，多半利用影像 光譜及紋理資訊，找到在單期影像中欲分類的地貌 後再做比對得取。但通常因為變異判釋單在比對前 的分類就會產生判釋誤差之問題；而兩幅影像各自 分類後再作比對時又會因為邊界之不同再一次產 生4.1 節所論述之問題。因此，在本研究中除使用 兩幅影像均質化區塊分割處理解決邊界問題後，以 3.4 節之影像變異法作以變異點的監測將可使判釋 誤差降低。
以位於荖濃溪支流布唐布納斯溪上游大規模 崩塌作一說明（圖8 b），黑色實線部分為以變異法 做出之NDVI 變異值其變異點情形；綠色實線及黃 色圖框為單以災前、後NDVI 值作出之崩塌塊體圈 繪的情形，由此可發現以影像變異法分析後使得崩
塌漏估狀況降低。
4.3 變異點區別-河道變遷與新 增崩塌地
河道變遷與新增崩塌地分類在單期影像分析 中，不論是以光譜或是坡度作分析常會有難以區分 之窘境發生。
因此，本研究利用3.3 節所論述之最鄰近法與 模糊隸屬函數，從中選取樣本進行分類訓練。先經 由影像變異法作出變異點分類（圖9 a），接著從變 異點分類物件中，配合坡度為特徵，選取河道變遷 分類的樣本作以訓練，直線條為在影像中選取的物 件樣本的坡度分佈（圖9 c）；訓練運算處理後產生 一包絡線，接著系統將以此包絡線判定河道變遷之 地貌分類（圖9 b）。
(a) 以影像變異法作出變異點分類情形。
(b) 以最鄰近法及模糊隸屬函數以坡度圖為特徵，選取樣本訓練分類後之新增崩塌地及河道變遷分 佈情形。
(c) 以最鄰近法與模糊隸屬函數選取河道變遷分類樣本訓練之隸屬函數值與坡度關係圖，落於隸屬 函數外的資料為產生誤判的樣本。
圖9 變異點區別-河道變遷與新增崩塌地
4.4 誤差矩陣
災後影像對以上14 種地貌分類進行物件導向 影像自動判釋後，使用誤差矩陣（error matrix）進 行精確度計算，在此需注意的是道路分類，如3.2.2 節所述為指定分類，因此有關於道路分類之3 種分
類都不納入計算（表5），最後得到整體精度（overall accuracy）為 81.6%，Kappa 值為 0.798。災前影像 分類成果利用誤差矩陣對 7 種未受災害影響之地 貌 分 類 進 行 精 確 度 計 算 ， 最 後 得 到 整 體 精 度
（overall accuracy）為 87.4%，Kappa 值為 0.853（表 6）。
表5 災後分類成果之誤差矩陣
表6 災前分類成果之誤差矩陣
5. 成果展示應用
5.1 各分類成果
應用先前建立之分類規則流程，對福爾摩沙衛 星二號衛星在莫拉克颱風事件災害前後期，作拍攝 之影像進行研究區域-高雄縣那瑪夏鄉、小林村、
桃源村及勤和村分析，災後影像分類成果如圖10；
災前影像分類成果如圖11。
災後之成果以小林村區域（圖12 a）配合現地 照片及航照圖由西至東做一細部分類成果說明（圖 12 b~e）：
1. 小林村西側崩塌細部展示中（圖 12 b），左上之 現地照片配合成果相對位置以虛線圈繪表示，
其災後冠部崩塌向稜線延伸毀及道路之判釋情 形；右上之現地照片配合成果相對位置以虛線 圈繪表示其災前舊崩塌判釋情形。
2. 五里埔耕地細部展示中（圖 12 c），左上之現地 照片配合成果相對位置以虛線圈繪表示落於五 里埔耕地之房舍；右上之現地照片配合成果相 對位置以虛線圈繪表示開發地及稀疏植生判釋 情形。
3. 小林村南側台 21 線 224k+600 第八號橋細部展 示中（圖12 d），左上之現地照片配合成果相對 位置以虛線圈繪表示台 21 線因河道變遷使之 道路下邊坡掏刷造成毀損之判釋情形；右上之 現地照片配合成果相對位置以虛線圈繪表示第 八號橋受河道變遷影響毀損之判釋情形。
4. 小林村原址細部展示中（圖 12 e），左上之現地 照片配合成果相對位置以虛線圈繪表示上方小 林村大規模崩塌以及河道變遷使之房舍及開發 地受影響之判釋情形；右上之現地照片配合成 果相對位置以虛線圈繪表示小林村上方崩塌影 響房舍、開發地以及道路之判釋情形。
圖10 災後影像十四種地貌分類成果，黑色虛線圖框為圖 4 人工判釋訓練區範圍及局部區域分類成果
圖11 災前影像七種地貌分類成果 災後之成果以小林村區域（圖12 a）配合現地
照片及航照圖由西至東做一細部分類成果說明（圖 12 b~e）：
1. 小林村西側崩塌細部展示中（圖 12 b），左上之 現地照片配合成果相對位置以虛線圈繪表示，
其災後冠部崩塌向稜線延伸毀及道路之判釋情 形；右上之現地照片配合成果相對位置以虛線 圈繪表示其災前舊崩塌判釋情形。
2. 五里埔耕地細部展示中（圖 12 c），左上之現地 照片配合成果相對位置以虛線圈繪表示落於五 里埔耕地之房舍；右上之現地照片配合成果相 對位置以虛線圈繪表示開發地及稀疏植生判釋 情形。
3. 小林村南側台 21 線 224k+600 第八號橋細部展 示中（圖12 d），左上之現地照片配合成果相對 位置以虛線圈繪表示台 21 線因河道變遷使之 道路下邊坡掏刷造成毀損之判釋情形；右上之 現地照片配合成果相對位置以虛線圈繪表示第 八號橋受河道變遷影響毀損之判釋情形。
4. 小林村原址細部展示中（圖 12 e），左上之現地 照片配合成果相對位置以虛線圈繪表示上方小 林村大規模崩塌以及河道變遷使之房舍及開發 地受影響之判釋情形；右上之現地照片配合成 果相對位置以虛線圈繪表示小林村上方崩塌影 響房舍、開發地以及道路之判釋情形。
(a) 小林村區域成果。
(b) 小林村西側崩塌細部成果與現地照片、災前後航照比對。左上之現地照片配合成果相對位置以虛線圈繪 表示，其災後冠部崩塌向稜線延伸毀及道路之判釋情形；右上之現地照片配合成果相對位置以虛線圈繪 表示，其災前舊崩塌判釋情形。
(c) 五里埔耕地細部成果與現地照片、災前後航照比對。左上之現地照片配合成果相對位置以虛線圈繪表示，
其落於五里埔耕地之房舍；右上之現地照片配合成果相對位置以虛線圈繪表示其開發地及稀疏植生判釋 情形。
(d) 小林村南側台 21 線 224k+600 第八號橋細部成果與現地照片、災前後航照比對。左上之現地照片配合 成果相對位置以虛線圈繪表示，其台21 線因河道變遷使之道路下邊坡淘刷造成毀損之判釋情形；以及 右上之現地照片配合成果相對位置以虛線圈繪表示其第八號橋受河道變遷影響毀損之判釋情形。
(e) 小林村原址細部成果與現地照片、災前後航照比對。左上之現地照片配合成果相對位置以虛線圈繪表示，
其上方小林村大規模崩塌以及河道變遷使之房舍及開發地受影響之判釋情形；以及右上之現地照片配合 成果相對位置以虛線圈繪表示其小林村上方崩塌影響房舍、開發地以及道路之判釋情形。
圖12 小林村區域成果展示
各影響人民生活環境經ArcGIS 分析各分類統 計，其統計運算如表7。研究區內之崩壞比由災前 的1.5% 災後增加為 10.5%、河道變遷河段達 307 處，災後河道面積相對於災前增加32%、受影響之 開發地達26%、受影響之房舍達 26%（1179 處）、
受影響之道路達幾18%（2281 處）。
5.2 崩塌地成果
本研究成果與經濟部中央地質調查所於此次 莫拉克颱風事件後，對崩塌地圈繪圖層作比較（圖 13），經由比對後了解地調所圈繪之圖層只對單幅 災後影像作崩塌地之圈繪；本研究對於災前後影像 之舊崩塌與新增崩塌各別作出圈繪，且另外在崩塌 圈繪包含主流及支流河道側蝕、下切之側崩塌。於
本研究中對於陰影及河道變遷尚有做出分類，因此 部分於比對圖層中（圖13）如藍色方框內之地貌，
會有判釋差異。
5.3 崩塌災害與河流關聯探討
河流（包括主流與支流）距離5m 以內之崩塌 成果經ArcGIS 分析計算後，佔新增崩塌比例高達 58%（表 7）。其崩塌位置多位於河道轉彎之攻擊岸 與河道之兩側，於現勘調查旗山溪及荖濃溪沿岸，
由水痕高度、沿岸樹皮刮落痕跡及邊坡土石流動之 擦痕，推論為莫拉克颱風帶來之豪大雨引致河水暴 漲、溪水快速洩降及夾帶土石刮蝕，使之護岸及邊 坡趾部受損引致沿岸崩塌。
圖13 地調所與 Definiens 崩塌圈繪比對
表7 影響人民生活環境之分類統計運算
6. 結論與建議
6.1 結論
本研究利用物件導向的遙測分析方法來對地貌作 以分類，所獲心得與結論說明如下：
1. 使用物件導向之方法針對災前、後兩幅影像內 的影像光譜與地形資訊。同時進行多尺度分割 分析，將可解決在對影像比對時邊界產生不符 合邏輯之現象，可使的災前、後分割均質化後 之區塊大小一致。
2. 由影像判釋邏輯中，只針對災前、後之重要資 訊做分類（如：災前房舍、開發地；災後新增 崩塌、河道變遷），將可忽略不感興趣之類別 間之數量及節省前、後期影像判釋及比對時 間。
3. 分類規則流程的建立，其順序若能以簡易的地 貌至複雜為原則，則可將複雜的工作做有效率 的簡化，可參考本研究分析整理規則（表3）。
4. 最鄰近法與模糊隸屬函數，對複雜的地貌分類，
作有效的樣本選取後，配合相關的特徵資訊作 以訓練，將能把複雜的分類萃取出。
5. 經由判釋分類與現地調查，了解研究區域之崩 塌災害多與河流切割坡腳有關連性。
6.2 建議
好的影像邏輯判斷，須對判釋分類地貌之地質 構造及地貌知識有一定了解，才能依人為判釋語意 和物件導向之遙測分析作連結。
本研究中以電腦判釋約 27,400 公頃之面積，
花費總計約為5 個小時的工作時間；人工判釋小林 村局部區域約 3,000 公頃花費約 15 個小時。由此 可知其電腦自動判釋之快速性，而電腦判釋花費較 長時間為樣本選取之部分，一個好的分類結果可能 由1~5 個樣本選取就可決定；而所謂好的樣本，就 是可決定出分類地貌其特徵範圍的上下限。未來若 能以各地貌分類特徵之反應建立資料庫，更能縮短 時間以便遇到不同之分析區域時不用再重新訓練 模型。
而經由以上論述的結論將可將 80%以上的分 類完整的標示出來，但尚有少部分物件因特徵設定 限制與訓練後的結果鑑別效果較差，因此造成誤差 及未分類之情形，例如表4 中之房舍及受影響開發 地（生產者精度為 66%、62%）。若未來能成熟運 用及發展此技術，除可得到更多人工結構物和其自 然災害的關係，若應用於災害潛勢分析，相信能更 加準確的預測災害可能發生位置，對於土木工程的 發展建設規劃，將能有更佳之參考依據。
參考文獻
李維峰、冀樹勇、王昭雯、黃佳駿、廖洪鈞、陳正 興，2009，莫拉克風災地工災情統計分析，地 工技術，第122 期：第 5-12 頁。
陳清泉、李咸亨、王乾盈、陳堯中、謝玉山、林銘 郎、陳國華、林國峰、陳賜賢、李光敦、鄭克 聲、陳明杰、郭一羽、陳良健，2010，莫拉克 颱風高雄縣甲仙鄉小林村及那瑪夏鄉、桃源鄉 致災原因調查，中國土木水利工程學會，台 灣。
洪凱政，2009，應用多光譜影像多種特徵偵測崩塌 地之研究，國立成功大學測量及空間資訊學系，
碩士論文。
黃帥豪，2008，運用影像處理於航照影像之自動河 道變遷分析，私立中原大學資訊工程學系，碩 士論文。
鄧佩欣，2009，物件導向式分類應用在土地利用類 別判釋之研究，私立逢甲大學土地管理學系，
碩士論文。
鄭詠心，2009，利用 LiDAR 對第一生產力資源參 數與林相自動判識差異分析，國立成功大學資 源工程學系，碩士論文。
Arroyo, L. A., Johansen, K., Armston, J., Phinn, S., 2010, Integration of LiDAR and QuickBird imagery for mapping riparian biophysical parameters and land cover types in Australian tropical savannas, Forest Ecology and Management, Vol. 259, Issue 3, pp. 598-606.
Asselenand, S. van, Seijmonsbergen A.C., 2006, Expert-driven semi-automated geomorphological mapping for a mountainous area using a laser DTM, Geomorphology, Vol. 78, Issues 3-4, pp.
309-320.
Baatz, M., Schape, A., 2000, Multiresolution segmentation - anoptimization approach for high quality multi-scale image segmentation,
Angewandte Geographische Informationsverarbeitung XII, Beitrage zum
AGIT-symposium salzburg 2000: pp. 12-23.
Clark, P. J., Evans, F. C., 1954, Distance to nearest neighbor as a measure of spatial relationships in populations , Journal of Ecology, Vol. 35, Issue 4:
pp. 445-453.
Coppin, P., Jonckheere, I., Nackaerts, K., Muys, B., Lambin, E., 2004, Digital change detection methods in ecosystem monitoring: a review.
International Journal of Remote Sensing, 25: pp.
1565-1596.
Definiens AG, 2003, ECoginition user’s guide, Definiens Image, Germany.
Eastman, J. R., McKendry, J. E., 1995, Change and time series analysis: Explorations in Geographic Information Systems, United Nations Institute for Training and Research, Vol. 1: pp. 6-34.
Goward, S. N., Markham B., Dye, D. G., Dulaney, W., Yang, J., 1991, Normalized difference vegetation index measurements from the advanced very high resolution radiometer, Remote Sensing of Environment, Vol. 35 , no.
2-3: pp. 257-277.
Martha, T. R., Kerle, N., Jetten Victor, Westen, C. J.
van., Kumar, K. V., 2009, Characterising spectral, spatial and morphometric properties of landslides forsemi-automatic detection using object-oriented methods, Geomorphology, Vol.
116, Issues 1-2, pp. 24-36.
Moine, M.; Puissant, A., Malet, J.-P., 2009, Detection of landslides from aerial and satellite images with a semi semiautomatic method.Application to the Barcelonnette basin (Alpes-de-Haute-Provence, France), Landslide Processes: from geomorphological mapping to dynamic modellin, pp. 63-68
Rejaur Rahman, Md., Saha, S.K., 2007, Multi-resolution segmentation for object-based classifi cation and accuracy assessment of land use/land cover classification using remotely sensed data , Journal of Indian Society of Remote Sensing, Vol. 36: pp. 189-201.
Zadeh L. A., 1965, Fuzzy sets, Volume 8, Information and Control, Issue 3: pp. 338-353.
1Department of Taiwan University Civil Engineering Graduate Student Received Date: Mar. 31, 2010 2 Department of Taiwan University Civil Engineering Professor Revised Date: Apr. 29, 2010 3Department of National Central University Civil Engineering Professor Accepted Date: Jun. 11, 2010 4Sinotech Engineering Consultants, INC. Research Engineer
*.Corresponding Author, Phone: 886-2-33664348, E-mail: [email protected]
