隨著遙感探測技術廣泛應用與商業衛星日益普及，愈來愈多的衛星影像可供研究選擇。各遙測衛星所拍攝的影像具有不同尺度的特性，一般而言，大尺度的資料可以提供大範圍的訊息，而小尺度則提供局部詳細的資訊；隨著應用目的之不同，均應有最其適合尺度之影像。而尺度轉換之方法即在於將某一尺度之衛星影像轉換為另一尺度，以擷取不同尺度上之優點，更有利於研究之進行。本研究之目的在於利用尺度轉換方法，將高解析度衛星影像以雙線性內插及立方褶積取樣法將尺度轉換為1 m, 2m, 4m, 10m, 20m, 30m, 100m, 250m 等 8 組共 16 幅不同尺度之影像，並依此多重尺度影像進行土地利用分類，比較分類結果之正確性，以尋求一最適合於台灣農業型態之影像尺度。

研究結果顯示經降階取樣後之高解析度影像並未能提供更多的地面資訊，僅是將像元切割為較小之尺寸，然所需要之磁碟容量以指數形式增加；而升階取樣之衛星影像經過平均化處理後，部分地面訊息趨於模糊。以水稻田分類整體精確度比較各尺度影像分類結果，顯示影像解析度在接近農地坵塊尺寸時，呈現最佳整體分類精確度，而雙線性內插或立方褶積取樣法並未有明顯之差異。此結果顯示衛星解析度並非愈高愈好，而是應該配合地面特性而選擇合適之衛星尺度。

高解析度之衛星影像通常取得之成本較高，影像涵蓋範圍較小，影像處理所需電腦時間長。依本研究結果，對水稻田之影像分類，並不需要極高解析度之影像，僅需約等於田間坵塊之解析度，如此既可節撙成本又能維持足夠之精確度。

(2)

Abstract

As the widespread of remote sensing application and the availability of various commercial satellites, there is an increasing number of satellite images could be adopted in research. Each satellite provides different image and scale characteristics. Generally speaking, large scale image provides wide range of information while small scale image provides local and detailed information. It should be able to find the most appropriate image scale for the purpose of different applications. The scale transfer is to convert one image scale to another in order to take advantage of the benefit from each image scale. The purpose of the study was to use the bilinear interpolation and the cubic convolution scale transferring techniques, converting high resolution Quick Bird image to 1, 2, 4, 10, 30, 100, and 250 m resolutions, respectively, and to examine the accuracy of the classified images, in order to find the most appropriate image scale for agricultural use in Taiwan.

The results showed that the high resolution images after downscale transfer had not necessary providing more information. The pixels were just interpolated into a finer resolution. As a result, the disk space to hold the images increased exponentially. The up-scaled images tend to aggregate some of ground information, so that they seemed fuzzy and smooth. The overall accuracy of the paddy field land use classification indicated that the most appropriate image scale emerged at the size of land parcel. It showed no apparent difference between bilinear

interpolation and cubic convolution methods. The results of the study indicated that it is not the higher the better for image scale. The scale should be in accordance with the ground characteristics. High resolution images usually denote high cost, smaller coverage, and longer processing

(3)

time. According to the results of the study, it is not necessary to use very high resolution images for paddy field classification. A resolution approximately to the size of land parcel is the most appropriate since it reduces the cost while maintaining enough accuracy.

(4)

誌謝

蒙恩師陳莉博士二年來不辭辛勞引領研究方向，在研究方針與治學態度上，悉心教誨始克有成。在學期間，除了專業領域悉心指導之外，老師常提及大學之道不僅止於傳道、授業、解惑，在處事思考邏輯上之委婉態度更重要，學生銘記在心。生涯規劃上亦多所啟發，使我受益良多，致以崇高之敬意。

感謝農業工程研究中心譚組長智宏博士給予遙測及地理資訊系統相關知識之啟蒙，且於論文研究工作階段與國立宜蘭技術學院森林學系阮忠信博士，提供相關資訊及問題之解決，使論文得以順遂完成，謹誌謝忱。

服務於新竹農田水利會，黃會長炳煌先生，以身向學並蔚成同仁在職進修風氣，研究期間，郭校長一羽博士及系上林文欽博士與楊朝平博士等，於研究與觀念，多方啟迪，農業工程研究中心朱副研究員振標、黃副研究員雲河、簡技士文煥，提供相關資訊及協助。詹益藏、

彭振偉、林兆青、林慶恩、林文棋、劉興聲、劉建岑諸位同仁給予支持，謹致最誠摯謝意。

口試審查，亦蒙交通大學葉教授克家、文化大學葉教授惠中及譚組長智宏博士指導，三位先生不辭諸煩，斧論文之謬誤，指觀念之偏頗，使臻完備，感念於心。

父母親諄諄善誘、薰得善良，並無使匱乏，多方支持，方有今日之小成，恩同天地！賢妻蕙禎忙於學校教學及家庭照料，生得以無後顧之憂，專心進修，兒聲曜、女若晴均能體諒犧牲共處時間，親情是最堅定的支柱，深感欣慰。

研究生：謹誌民國九十二年七月二十日於中華大學土木工程學系研究所

(5)

圖目錄

圖 1-1 研究流程圖 ……….………. 3

圖 3-1 研究區域範圍圖 ……….………. 18

圖 3-2 頭前溪流域圖 ……….. 19

圖 3-3 新竹氣象局雨量站配置圖 ……….. 21

圖 3-4 頭前溪流域地質圖 ……….. 22

圖 3-5 土壤、植物及水體之光譜反射特性曲線圖 ……….. 25

圖 3-6 影像尺度轉換概念示意圖 ……….. 28

圖 3-7 雙線性內插重新取樣法示意圖 ……….. 29

圖3-8 立方褶積重新取樣法示意圖 ………... 30

圖3-9 尺度升階解析度=1m 衛星影像 ……….. 32

圖 3-10 尺度升階解析度=2m 衛星影像 ……….. 32

圖 3-11 尺度降階解析度=4m 衛星影像 ……….. 32

圖3-12 尺度降階解析度=10m 衛星影像 ……….. 32

圖3-15 尺度降階解析度=100m 衛星影像 ……… 33

圖3-16 尺度降階解析度=250m 衛星影像 ……… 33

圖 3-17 ISODATA 流程圖 ……… 37

(9)

圖 3-18 監督式分類法之流程圖 ……… 41

圖 4-1 草生地訓練樣本區選取，圖中黃色區域為訓練樣本區，提供影像分類程式學習該樣區之光譜特性……… 49

圖4-2 水稻田訓練樣本區選取，圖中黃色區域為訓練樣本區 …. 49 圖4-3 裸露地訓練樣本區選取，圖中黃色區域為訓練樣本區 …. 50 圖4-4 道路地訓練樣本區選取，圖中黃色區域為訓練樣本區 …. 50 圖4-5 建築物訓練樣本區選取，圖中黃色區域為訓練樣本區 …. 51 圖4-6 水體訓練樣本區選取，圖中黃色區域為訓練樣本區 ……. 51

圖4-7 雜木林訓練樣本區選取，圖中黃色區域為訓練樣本區 …. 52 圖4-8 雙線性重取樣法影像分類（解析度＝1 m） ……… 53

圖4-9 雙線性重取樣法影像分類（解析度＝2 m） ……… 54

圖4-10 雙線性重取樣法影像分類（解析度＝4 m） ………. 55

圖4-14 雙線性重取樣法影像分類（解析度＝100 m） …………. 59

圖4-15 雙線性重取樣法影像分類（解析度＝250 m） …………. 60

圖4-16 立方褶積重取樣法影像分類（解析度＝1 m） …………. 61

圖4-17 立方褶積重取樣法影像分類（解析度＝2 m） …………. 62

(10)

圖4-18 立方褶積重取樣法影像分類（解析度＝4 m） …………. 63 圖4-19 立方褶積重取樣法影像分類（解析度＝10 m） ………… 64 圖4-20 立方褶積重取樣法影像分類（解析度＝20 m） …….….. 65 圖4-21 立方褶積重取樣法影像分類（解析度＝30 m） ………… 66 圖4-22 立方褶積重取樣法影像分類（解析度＝100 m） ………. 67 圖4-23 立方褶積重取樣法影像分類（解析度＝250 m） ………. 68 圖 4-24 現地使用掌上型電腦記錄勘查點之座標及土地利用情形 69 圖 4-25 掌上型電腦搭配全球定位系統之軟硬體設備 ………….. 70 圖 4-26 研究區域之衛星影像及水田坵塊等相關資訊可於現地即時

顯示 ………..………. 70 圖 4-27 現地調查(Ground truthing)結果以地理資訊系統彙整，圖中

顯示各勘查點之土地利用情形 ……… 73 圖 4-28 雙線性重取樣法影像分類精度於對數座標解析度下整體精確

度變化情形 ……… 91 圖 4-29 立方褶積重取樣法影像分類精度於對數座標解析度下整體精

確度變化情形 ……… 92

(11)

表目錄

表 2-1 主要衛星資料來源之基本規格 ……….………. 15 表3-1 誤差矩陣關係〈Error matrix〉表 ……… 42 表 4-1 尺度轉換後之解析度及影像所佔之磁碟容量 ………..…. 47 表 4-2 訓練樣本區類別及基本資料 ………..…………. 48 表 4-3 現地調查樣本座標位置及土地利用情況 ……… 71 表4-4 雙線性重取樣法影像分類精確度誤差矩陣(1 m) ……….. 74 表4-5 雙線性重取樣法影像分類精確度誤差矩陣(2 m) ..……… 75 表4-6 雙線性重取樣法影像分類精確度誤差矩陣(4 m) ……….. 76 表4-7 雙線性重取樣法影像分類精確度誤差矩陣(10 m) ………. 77 表4-8 雙線性重取樣法影像分類精確度誤差矩陣(20 m) …..…. 78 表 4-9 雙線性重取樣法影像分類精確度誤差矩陣(30m) ……... 79 表4-10 雙線性重取樣法影像分類精確度誤差矩陣(100m) ….…. 80 表4-11 雙線性重取樣法影像分類精確度誤差矩陣(250 m) ……. 81 表4-12 立方褶積重取樣法影像分類精確度誤差矩陣(1 m) …… 82 表4-13 立方褶積重取樣法影像分類精確度誤差矩陣(2 m) ..…. 83 表4-14 立方褶積重取樣法影像分類精確度誤差矩陣(4 m) …… 84 表4-15 立方褶積重取樣法影像分類精確度誤差矩陣(10 m) ….. 85 表4-16 立方褶積重取樣法影像分類精確度誤差矩陣(20 m) ..… 86

(12)

表4-17 立方褶積重取樣法影像分類精確度誤差矩陣(30 m) ..… 87 表 4-18 立方褶積重取樣法影像分類精確度誤差矩陣(100 m) … 88 表 4-19 立方褶積重取樣法影像分類精確度誤差矩陣(250 m) … 89 表 4-20 雙線性重取樣法影像解析度與分類精度比較表 ………. 91 表 4-21 立方褶積重取樣法影像解析度與分類精度比較表 …… 92

(13)

第一章緒論

1-1 研究動機

近年來，遙感探測的技術與應用日趨廣泛，許多國家大量應用遙感探測之方法，來作為其分析以及決策規劃的重要資料來源。遙測資料涵蓋面積廣泛且具有即期的特性，相較於傳統的測量方式，可節省大量的時間與人力，也可作為建立環境資源資料庫之工具；所以將遙測技術運用在具有空間性或時間性的資料分析上，是一種有效而且可靠的資源調查及環境監測的利器。目前在國內一般常用的衛星影像資料是由國立中央大學太空即遙測中心衛星接收的站所接收的法國 SPOT 衛星以及美國 LANDSAT 衛星；SPOT 衛星的影像，以多光譜而言，其空間解析度為 12.5m×12.5m。而美國的 LANDSAT 衛星影像因系統有所不同，空間解析度也有所不同。另外，由 Space Imaging 公司發射的IKONOS 衛星已可達到 1m×1m 的空間解析度，Digital Globe 公司發射的 Quick Bird 衛星已可達到 61cm×61cm 的空間解析度，大大提升了製圖及環境監測應用上的能力。而由於不同遙測衛星所拍攝的影像具有不同尺度的特性，一般而言，大尺度的資料可以提供大範圍的訊息，而小尺度則提供局部詳細的資訊；隨著應用目的之不同，均有最其適合尺度之影像，而尺度轉換之方法即在於將某一尺度之衛星影像轉換為另一尺度，以擷取不同尺度上之優點，更有利於研究之進行。

(14)

1-2 研究目的

本研究之目的在於利用尺度轉換（Scale Transfer）方法，將高解析度衛星影像轉換為不同之影像尺度，並依此多重尺度影像進行土地利用分類，此土地利用分類特別注重於農業土地利用之分析，比較分類結果之正確性，以尋求一最適合於台灣農業型態之影像尺度。

1-3 論文架構

論文共分為五章，第一章敘述研究動機及背景，第二章回顧前人之研究，包括遙測基本原理，衛星資料種類與資料特性，分類方法之探討等，第三章敘述研究方法與使用之資料，包括衛星尺度轉換，土地分類方法等，第四章為研究結果與討論，第五章為本為之結論與未來研究之建議。論文研究之流程如圖 1-1 所示。

(15)

訓練樣區選取資料蒐集

衛星影像研究地區資訊

衛星影像分類

最佳尺度影像之評估精確度評估衛星尺度轉換

1. 雙線性取樣法 2. 立方摺積取樣法

圖 1-1 研究流程圖

(16)

第二章文獻回顧

2-1 遙測基本原理及應用

遙測主要是利用儀器而非是直接觀測的學問，遙測之內涵主要以非接觸之探測方式獲取資料，並依各種不同之應用從資料中萃取所需之資訊。現在所用的遙測資料，許多為空間式之點陣式資料，在分析過後，可以製作 GIS 的圖層，或是直接給 GIS 當底圖。遙測資料以影像為主，然而，在影像分析的工作中需要其它輔助性之資料。例如，

於影像之幾何處理中，衛星全球定位系統不但可提供地面控制點之座標，而且可以獲取影像探測器之位置。此外，數值地形模型亦是影像之嚴密幾何改正中消除高差移位之必要資料。

遙測利用的電磁波譜範圍主要是 Gamma 射線， X 光，紫外光、

可見光、短波及熱紅外光、微波。不同波長的遙測應用，其範圍如下：

Gamma, X-Ray 小於 0.4 microns，可以被大氣層阻擋，並且可利用衛星遙測作為大氣層效應的偵測及航空遙測進行漏油與雪地之偵測。可見光，0.4~0.7 microns，為雲層阻擋，主要是量測太陽光之地表反射能量，可應用於地表利用、地表資源調查。短波紅外光，0.7~3 microns，亦是量測太陽光之地表反射能量，主要用於地表利用、地表資源調查、植物生長狀況之評估，及地理方面（如：土壤、岩石等）

(17)

之調查。中波紅外光為3~5 microns 觀測高溫的物體，如森林大火或是火山爆發；長波紅外光為8~14 microns 觀測大部分之地表溫度，

主要用於觀測地表或是雲層之溫度、土壤溫度、土壤水分及熱傳輸管之滲漏。微波，5~1000 mm，大多數可以穿透雲、霧、煙及植物而部分可以偵測雨滴；被動式微波可以用作地表溫度及土壤濕地之研究，

而主動式微波觀測即是所謂之雷達，可以用作高度及地貌之研究。

2-2 衛星資料種類與資料特性

衛星資料種類繁多，以資源探測而言，最常應用的衛星資料，在光譜解析度而言，具有可見光與近紅外光波段的衛星資料；而在空間解析度而言，數十米的解析度，則最為常用。諸多衛星資料中，最常見的衛星資料為法國史波特衛星（SPOT）與美國大地衛星（Landsat）

資料。近年來，又有一些高解析度的衛星升空或是即將升空，如 Quick Bird 捷鳥衛星、中華衛星二號，其空間解析度高達一米左右。

2-2-1 法國史波特衛星 SPOT

法國史波特衛星（SPOT）（王顯達等，1994）是一個太陽同步衛星，平均航高 832 公里，通過赤道的時間為當地時間上午 10 點 30 分，通過台灣上空約為 10 點 45 分。軌道與赤道傾斜角 98.77 度，

繞地球一圈週期約 101.4 分，一天可轉 14.2 圈，每 26 天通過同一

(18)

地區，SPOT 衛星一天內所繞行的軌道，在赤道相鄰兩軌道最大距離 108.6 公里，全球共有 369 個軌道（Track）。

法國史波特衛星（SPOT）衛星上有兩套 HRV（High Resolution Visible）感測器，每一套具多光譜態（XS）有及全色態（Pan）兩種能力。多光譜之三個波段分別為：綠光段（XS1：0.5µm─0.59µm），

紅光段（XS2： 0.61µm─0.68µm）與近紅外光段（XS3：

0.79µm─0.89µm）。全色態的波長範圍在 0.51µm─0.73µm。

每一個 HRV 之每一波段皆有 6000 個電荷耦合裝置（CCD）^（^註一^）。其中全色態對應之每一個CCD 對應一個像元。多譜態每一像元由兩個 CCD 之資料平均相加而組成。每一 HRV 之總視角（Total Field of View）為 4.25 度。在垂直往下看對應之地面寬度為 60Km（此時 PAN 之像元為10 公尺，XS 之像元為 20 公尺）。每一HRV 可在 ± 27 度內移動，以作傾斜拍攝。在27 度時其地面寬度為 80 公里，此時之 PAN 之像元為15 公尺，XS 之像元為 27 公尺。在± 27 度內共有 91 個角度位置，每一角度位置為0.6 度。 SPOT 之其傾斜能力使得 SPOT 可在其目標左右各400 餘公里內選擇。欲觀測 60 至 80 公里範圍可利用此一功能對一特定地區增加觀測次數。

註一：電荷耦合裝置（charge coupled Deuice；簡稱 CCD）電荷耦合裝置，其受光部有二次元與一次元 2 種。前者是用來取得畫像信號，諸如視訊攝影機或數位式照相機，另一方面，受光部屬於一次元之 CCD，被稱為 CCD 線狀感測器，

用於傳真通信，掃描器及條碼讀取器。CCD 受光部是 PN 接合界面，其受光之照射而產生電荷之原理，與光二極體或太陽電池完全相同，所產生電荷送至次一個二極體，完成電容器之類角色使電荷儲蓄下來，被儲蓄電荷以串列信號形式取出。並以啟動信號 ON/OFF 來進行光電變換。

(19)

2-2-2 美國大地衛星 Landsat

美國大地衛星 Landsat 亦為太陽同步地球資源衛星，在赤道上空 705 公里，高度運轉傾斜角為 98.2 度。每次約上午 9 點 42 分，由北向南南越赤道，繞地球一圈週期約98.9 分，每天繞行約 14 圈；每 16 天掃瞄同一地區。全球共有 233 個軌道，以 Landsat 所定義之全球參考系統（WRS）表示，定為 Path，Row 座標系，台灣地區處 Path 117-118，Row 42-45。 Landsat 掃瞄覆蓋地面每一像幅（SCENE）約 185Km×170Km；掃瞄一個像幅約費時 26.31 秒，在赤道附近相鄰兩張影像重疊量為百分之 7.3；愈向兩極重疊愈多，在台灣地區重疊約百分之14。

2-2-3 捷鳥衛星 QuickBird

QuickBird 捷鳥衛星為美國 DigitalGlobe 公司所擁有之商用高解析度光學衛星。 QuickBird 捷鳥衛星係從 450 公里外的太空拍攝地球表面上之地物、地貌等空間資訊，其影像解析度高達 61 公分，

為全球首顆提供 1 米以下解析度之商用光學衛星。

QuickBird 捷鳥衛星為太陽同步衛星，平均 4 至 6 天即可拍攝同一地點的影像。因此，QuickBird 捷鳥衛星可提供快速且品質清晰之衛星影像，使人們可更迅速掌握所處之環境訊息。

(20)

QuickBird 捷鳥衛星所提供之衛星影像，可分為三大類：

一為全色態影像（Panchromatic；即黑白影像），其影像解析度為61~72 公分；一為多光譜影像（Multi-Spectral；即彩色影像），其收集了藍色可見光、綠色可見光、紅色可見光及近紅外光等四個波段之影像，

影像解析度為 2.44~2.88 公尺；另一為彩色合成影像

（Pan-sharpened），其影像解析度為 70 公分。

2-3 衛星影像之分類方法

衛星影像土地覆蓋分類所應用的原理為不同的地表覆蓋，在不同波段的反射強度會有所不同的特性。在分類方式中，有所謂監督式分類（Supervised Classification）以及非監督式分類（Unsupervised Classification）兩種分析。茲將這兩種分類方式介紹如後：

2-3-1 監督式分類

主要是利用波譜形式類別（spectral pattern recognition）以及地面的真實資料，選定所需資料種類，再選定訓練區（training site），每一個訓練區都有其特定的波譜反應型式，為了正確估計各類的波譜分離情形，將同類型地物的波譜反應型式，合併成一致的波譜圖（coincident spectral plot），最後定出訓練區的類屬，

一般的監督式分類有最小距離法（Minimum Distance to Means

(21)

Classifier）、平行六面體法（Parallelepiped Classifier）與最大概似分類法（Maximum Likelihood Classifier）。

2-3-2 非監督式分類

群集（Clustering）分析則是利用統計的方式，將未知點進行統計分類，以達到一個群集中差異值最小之目的。

主要是利用接收使用者欲安置該數目的群集中心於量測空間中，並且反覆更換其位置至最理想之地方。最後自動將 N 維觀測中心分開為自然波譜分類，而達到最高波譜分離。故非監督式分類則是先定波譜分離類屬，再決定其資訊的利用。其優點為單純利用統計方法進行分類，可減少監督式分類法中圈選訓練樣區之人工時間，同時對地表實際類別較不會遺漏；缺點是只能判釋分類數目，

無法得知分類類別，在精確度方面亦因地貌複雜度不同而造成精確度品質不穩定，例如：地貌愈複雜則分類精確度愈差。常使用的方法有：K-均數聚集法（Generalized K-Means Clustering）、連續聚集法、反覆自我組織資料分析法（ISODATA）（Lillsand & Kiefer, 2000；

陳姜琦，2002）：

(22)

2-4 土地利用分類與辨識

大面積的空間資料分析，為遙測研究的主要對象。因此，關於土地利用分類與土地利用辨識，經常藉助遙測工具的幫忙，來達成其效率。而土地利用分類與辨識，為土地管理之基礎。在營建、都市鄉村規劃、水利、林業等，都需要土地類別之基本資料，以協助其管理。

因此，以下章節，分別就土地分類系統、遙測於土地利用分類與辨識、

與土地利用分類於農田水利管理之文獻討論之。

2-4-1 土地利用分類系統

土地利用分類為土地管理之基礎，因此，世界各國都製作土地利用圖。而土地利用分類之類別，常根據不同的管理需求，而區分為不同的類別。從土地利用分類系統的內容項目，可看出使用此分類系統單位之主要管理業務內容。而如果一個土地分類系統無法符合管理業務之需求，則這樣的土地分類系統將使土地管理工作之效率降低。以美國美國大地測量署（United States Geological Survey, USGS）

之分類系統為例，其為美國主要應用的土地利用分類系統，也常為其他國家所參考。其分類系統考慮，主要是以自然資源管理之角度出發。美國大地測量署之土地分類方式，主要是分為九大類，而九大類中，又各自區分為數種小類別（Jensen, 1995）。其分類方式如下：

(23)

（1）都市或建成地區（Urban or Built-up Land）：住宅用地

（Residential）、商業和服務用地（Commercial and Service）、

工業用地（Industrial）、交通運輸、公共和社會機構用地

（Transportation, Communications, and Service）、工業和商業混合用地（Industrial and Commercial land）、都市或建築混合用地（Mixed Urban or Built-up Land）、其他都市或建築用地

（Other Urban or Built-up Land）。

（2）農業用地（Agricultural Land）：耕地和牧場（Cropland and Pasture）、果園、菜園和園藝區（Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticulture Areas ）、飼牧區

（Confined Feeding Operations ）、其他農業區（ Other Agricultural Land）。

（3）草地（Rangeland）：草地（Herbaceous Rangeland）、短灌叢草地（Shrub and Brush Rangeland）、混合草地（Mixed Forest Land）等。

（4）林地（Forest Land）：落葉林地（Deciduous Forest Land）、

常綠林地（Evergreen Forest Land）、混合林地（Mixed forest Land）等。

（5）水域（Water）：河流和水道（Streams and Canals）、湖泊

(24)

（Lakes）、水塘水庫（Reservoirs）、海灣與河口（Bays and Estuaries）等。

（6）溼地（Wetland）：森林溼地（Forest Wetland）、非森林溼地

（Non-forested Wetland）。

（7）荒地（Barren Land）：鹽灘（Dry Salt Flats）、海灘（Beaches）、

海灘以外的沙灘（Sandy Areas Other than Beaches）、裸露岩石（Bare Exposed Rocks）、露天礦坑（Strip Mines, Quarries, and Gravel Pits）、改變利用中的地區（Transitional Areas）、

混合荒地（Mixed Barren Land）。

（8）苔原（Tundra）：灌木與灌叢苔原（Shrub and Brush Tundra）、

草叢苔原（Herbaceous Tundra）、裸露地（Bare Ground）、溼苔原（Wet Tundra）、混合苔原（Mix Tundra）。

（9）常年積雪地（Perennial Snow Ice）：常年積雪地（Perennial Snow Ice）、冰原（Glaciers）。

而在台灣也有不少土地利用分類之標準，常隨著主管機關的需求，而有所調整。朱子豪（1980）參考美國大地測量署分類方法，將台灣綜合土地利用分類，而這樣的土地分類之考慮，主要是考慮應用遙測之可適用性，以及台灣地政部門主要業務，其分類系統簡述如下：

（1）都市及工業地區：住宅、商業工業建地、公共設施、都市

(25)

內公園。

（2）農地：作物、牧、養殖、果園、茶園。

（3）林地：農地外之林木地。

（4）水體：河川、水池、水庫。

（5）低利用地：裸露地、荒草地、溼地。

（6）交通道路：都市外主要道路。

（7）其他。

由以上兩個分類系統的特性上，可以得知，美國大地測量署的考慮主要為自然資源的管理，因此，以生態系統來作為分類之大項，而細項部分則根據該生態系統之子系統分類來考慮，而人工系統部分則主要是以都會區、農業區兩大項，其中農業區部分，則考慮農業系統的特性。而所舉之台灣例子，則考慮地政上對於土地使用管理需求，

以生態系統而言，在此分類系統上並不明顯，而以農業系統而言，對於台灣最重要的耕作型態--水稻，也並未提出一特別之類別，所以，

這樣的分類系統，比較適合土地稅課徵、土地徵收與城鄉規劃等屬於地政與城鄉規劃等議題，並不適合自然資源與農業管理。對於自然資源與農業管理，宜考慮類似於美國大地測量署分類方法來建立我國之系統。

2-4-2 遙測於土地利用分類與辨識

遙測資料來源為衛星影像與航空影像，而這些資料本身在適當的幾何校正後，即具有地圖的內涵。而影像資料上的不同設計光譜波段，亦可以利用來針對不同土地類別之反射光譜之特性來比對，利用前述影像分類之技術，來加以辨識。此外，遙測資料，特別是衛星遙

(26)

測資料，可以週期性的取得其資料，對於長時間密集監測或不同時間資料之取得，有極大之助益。在影像之空間解析度上，也有不等之解析度可以選擇，唯獨在資料價格上與空間解析度之大小成比例。亦即空間解析度越精細，其價格越高。茲將前節所述的衛星影像資料特性，整理於後：

(27)

表2-1 主要衛星資料來源之基本規格

華衛二號 Landsat SPOT QuickBird IKONOS 高度 891 km 705 km 832 km 450 km 681 km

軌道形式太陽同步軌道太陽同步軌道太陽同步軌道太陽同步軌道太陽同步軌道軌道傾斜角 99.10 度 98.2 度 98.77 度 98 度 98.1 度空間解析度黑白解析度

2m

彩色解析度 8m

黑白解析度 15m

彩色解析度 30m and 60m

黑白解析度 10m

彩色解析度 20m

黑白解析度 0.61~0.72 m 彩色解析度 2.44~2.88m

黑白解析度 0.82m 彩色解析度 3.28m 光譜解析度黑白:

0.52~0.82µm 藍光:

0.45~0.52µm 綠光:

0.52~0.60µm 紅光:

0.63~0.69µm 近紅外光:

0.76~0.90µm

黑白:

0.52-0.90µm 藍光:

0.45~0.52µm 綠光:

0.53~0.61µm 紅光:

0.63~0.69µm 近紅外光:

0.75~0.90µm 短波紅外光:

1. 55~1.75µm 短波紅外光:

2.09~2.35µm 熱紅外光:

10.4~12.5µm

黑白:

0.61~0.68µm 綠光:

0.5~0.59µm 紅光:

0.61~0.68µm 近紅外光:

0. 78~0.89µm 短波紅外光:

1.58~1.75µm

黑白:

0.45~0.90µm 藍光:

0.45~0.52µm 綠光:

0.52~0.60µm 紅光:

0.63~0.69µm 近紅外光:

0.76~0.90µm

黑白:

0.45~0.90µm 藍光:

0.45~0.52µm 綠光:

0.51~0.60µm 紅光:

0.63~0.70µm 近紅外光:

0.76~0.85µm

影像圖幅範圍

對地24 km 183km×170km 60km×60km 16.5km×

16.5km

11 km×11 km

時間解析度每天通過台灣上空兩次

16 天 26 天 4~6 天 3 天

是否可以產生數位高程模型

可以不可以可以可以可以

價格中高中中高高

因此，遙測在土地利用分類之應用上，多考慮以下兩個因素：

（1）、上述之衛星資料之光譜解析度、空間解析度、時間解析度、價

(28)

格之特性；（2）、土地利用分類辨識問題之特性所需求光譜、空間、

時間解析度之特徵。根據這兩個因素之限制性，找到最有效率之平衡點。例如，在經費有限的狀況下所能選擇的資料種類，來決定土地分類之精細程度；或是依據土地利用分類辨識問題之特性，來決定所應採用的資料種類。

遙測技術應用於土地分類之研究在國內外都很多，在台灣應用 SPOT 衛星資料來對於台灣大範圍地區土地使用，區分為水體、都會區、郊區、森林、與開放地等五個主要類別。劉守恆（1992）比對不同時期之SPOT 衛星資料之分類結果，探討集集地震後新崩塌地之發生點，並建立自動辨識系統。由於SPOT 衛星之價格中等，在近年高空間解析度衛星如 IKONOS 等推出之前，為可利用之衛星中，空間解析度較佳的衛星資料，因此利用廣泛。然而，因為其空間解析度仍不是太精細，因此，所應用的例子多屬於中大面積的土地利用辨識，

與明顯地貌特徵之改變。

2-4-3 遙測技術於農田水利之應用

由於農田水利的管理，具有空間分佈與時變性之特性。因此，亦有遙測技術不少應用於農田水利管理相關議題上。利用SPOT 衛星資料辨識水田與旱田之土地利用，並應用地理資訊系統來規劃灌溉計畫。陳姜琦（1992）利用 SPOT 衛星影像資料進行土地利用分類，再配合蒸發散公式中不同的土地利用類別之參數，並以 NOAA 衛星之熱紅外光波段推估蒸發散公式中所需之溫度資料，推估區域的蒸發散量。

由這些研究可知，遙測資料可以應用在農業（或非農業）土地利用類別之辨識上，然後再間接應用到農田水利的管理上。然而，這些

(29)

研究多採用空間解析度中等（數十米內）之衛星資料，除了因為高空間解析度資料在 2000 年不可得之外，其單價亦高出許多倍，而降低了這些高解析度資料之被使用量。國人自行發射的高解析度遙測衛星 --中華衛星二號即將於 2003 年底發射，其價格定位預計低於其他高空間解析度資料，因此，可能可以增加高空間解析度衛星的使用率。

然而，在農田水利的問題上，使用高空間解析度衛星資料是否可以增加其農田水利問題的效益？而這樣的效益是否和額外價格的付出相當？在有限的農田水利管理經費下，應選擇適切價格與效益的衛星資料來協助管理。因此，本研究擬針對不同空間解析度的衛星資料，對於水田辨識之效果做進一步的研究，擬找出在農田水利應用上，最有效的空間解析度之衛星資料特性，以做為未來規劃應用之參考。

(30)

第三章研究方法及步驟

3-1 研究區域 3-1-1 範圍

本研究選定的研究區域位於竹東下員山地區，屬於新竹水利會竹東工作站灌溉轄區。研究區基本影像採用捷鳥（Quick Bird）衛星之多光譜影像，其空間解析度為2.8m×2.8m，範圍大小為

6995m×7675m，研究範圍如（圖 3-1）所示。

N E W

S

3 0 3 6 Km

圖3-1 研究區域範圍圖

新竹農田水利會竹東工作站灌溉轄區以頭前溪及其兩大支流上坪溪、油羅溪為主要灌溉水源如（圖3-2）所示、頭前溪為新竹地區第一大河，發源於霞咯羅大山，流經新竹縣與新竹市，於南寮流入臺灣海峽，北臨鳳山溪流域，東接大漢溪流域及大安溪流域，南有客雅溪流域及中港溪流域，幹流長63.40公里，流域面積565.97平方公里，

本流平均坡降約1/90。其主要支流有上坪溪與油羅溪。支流上坪溪流

(31)

域面積252.87平方公里，流長44公里，平均坡降1/49。其年平均降雨深度約2,600公厘，換算為年平均降雨量約470百萬立方公尺，年引水量約16.3百萬立方公尺，而寶山水庫自上坪溪年引水量約27.5百萬立方公尺，上坪溪目前水資源利用約32%。油羅溪流域面積177.8平方公里，流長26公里，平均坡降約1/47。其年平均降雨深度約2,500公厘，

換算為年平均逕流量約300百萬立方公尺，目前除耕地自油羅溪引水灌溉，其餘水源尚未開發利用。頭前溪流經之行政區域包括新竹縣尖石鄉、五峰鄉、關西鎮、橫山鄉、竹東鎮、芎林鄉、竹北巿和新竹巿等。流域之地勢傾斜，流路短促，故水流湍急，夏季則山洪驟至，而常氾濫田園，冬季則常河床乾涸。

圖 3-2 頭前溪流域圖 3-1-2 氣象

1.氣溫與濕度

本流域位於亞熱帶海洋性氣候，全年氣候溫和，近十年來平均溫度約22 度，全年氣溫最高為七月之 33.2^oC，最低為一月之 15.4 ^oC。

(32)

相對濕度平均為82%，其中以三月之 83.1%最高，九月之 75.1%最低。

2.風向與風速

本區受東北季風及西南季風影響，東北季風於每年九月至翌年四五月，平均風速約為 10-20 公尺間，是台北的 1.2 倍，台中地區的 1.6 倍，西南季風則為每年六月至八月間吹襲，在台灣地區屬於風勢較強之地區。

3-1-3 地形

新竹地區大部分為平地，屬新竹平原，東南地區部分屬丘陵地帶，地形較為陡峻，新竹平原東側為寬闊之頭前溪沖積河床，餘為低矮之丘陵地形，屬西部麓山帶之最西緣，北隔竹東斷層與竹東丘陵相接。

新竹地區範圍內包括三個地形分區，分別為新竹沖積平原、竹南沖積平原、竹東丘陵，茲分述如下：

（1）新竹沖積平原

由鳳山溪與頭前溪之下游所搬運之泥沙及礫石堆積而成，其北緣為湖口台地和鳳飛山丘陵，南緣為竹東丘陵。

（2）竹南沖積平原

形成於中港溪與其支流之南港溪下游，竹東丘陵與竹南丘陵之間，沙丘發達，高度約為五十公尺。

（3）竹東丘陵

為頭前溪與中港溪間之切割台地，地勢由東向西逐漸降低，其西端以直線狀之陡崖臨海，樹枝狀水系甚密，向源侵蝕頗為盛行，許多河谷、河溝均由小侵蝕溝所形成，其坡度陡峻，平時乾涸，雨季或豪雨時聚水成流。

(33)

3-1-4 水文

根據中央氣象局新竹站之雨量資料，頭前溪流域雨量站共有清泉、太閣南、梅花、烏嘴山、新竹五站，如（圖 3-3）所示，其中新竹站已廢止。根據統計，從民國 27 年至 90 年七月底，年平均降雨量為1,729 公厘，平均降雨天數為 118 天，受季風及颱風的影響，雨量集中於二月至九月，佔總降水量 78%，月平均雨量為 98.8 至 238.1 公厘，而每年十月至翌年一月份為乾季。

圖3-3 新竹氣象局雨量站配置圖

3-1-5 地質

(34)

頭前溪流域中、上游地區屬於山岳丘陵地區，竹北至橫山段大多位於頭前溪及鳳山溪流域之新竹河谷平原上，下游為沖積而成的新竹平原。流域南部及東南部，由於地勢陡峻，造成本流域之鞍型低地，

南部多為2,500 公尺以上高山，多溪谷、峽谷，北部山勢較低，在 1,000 至1,500 公尺之間，可知向下游西北方向緩坡下降。

地層分屬漸新世、中新世及上新世等，上坪溪上游為漸新世，中新世位於頭前溪流域中游及下游。其中，中新世地層都受到來自東南方及東北之造山壓力向西北擠壓，造成流域中游一帶岩層部段重複或折疊，且斷層頗多；一般而言，地形大部分為北東走向，以中高度向東南傾斜。

本流域地質分佈自東南向西北為澳底層、大桶山層、野柳群、瑞芳群、三峽群、卓蘭層及頭嵙山層等之砂岩、頁岩及泥岩，而河谷地區大多由沖積層之礫石、土和砂等組成。頭前溪流域山坡地之土壤分布有黃棕壤石質土，灰黃色灰化土石質土及石質土灰棕色灰化土，河谷地區則大多為沖積土。頭前溪流域之地質圖，如（圖3-4）所示。

圖3-4 頭前溪流域地質圖 3-1-6 水質

(35)

「北部地區水源運用調配檢討（一）報告」為瞭解新竹地區地面水源之水質概況，特收集民國84 年至 86 年「台灣省河川水質年報」

之頭前溪竹林大橋站支流上坪溪寶山水庫取水口站及支流油羅溪內灣吊橋站之水質檢驗成果，顯示生化需氧量、氨氮及懸浮固體物等項受污染之程度較為嚴重，溶氧量則尚稱良好，經評估頭前溪上坪溪兩檢驗站之水質屬中度污染，故建議有關單位加強監測、管制污染源，

以確保良好之水質。

(36)

3-2 遙測之理論

所謂遙測，即為遙感探測（Remote Sensing）之簡稱，是利用科學儀器遠距離觀測來研究地表物體性質之技術，具有不需與該物體及地區接觸便能獲得相關資料之科學；一般利用空中偵測器（如飛機或衛星載台）做為探測儀器，攜帶電磁波感測儀器接收各種反射或發射的能量，對地表之物體從事偵察及測量的工作，並對地面攝取影像，

以便能獲得分析該類資料所需資訊。近年來，遙測科學所發展的分析技術及所提供的空間與光譜資訊，趨向於結合各類地理資訊系統構成一完整空間分析系統，以便有效應用資源環境空間資訊的管理、分析與規劃，進一步更可以用在天然資源蒐集與地表環境監測等方面。

依載台與地面相對高度之不同，常使用的遙測技術有航照遙測

（Airborne Remote Sensing）、雷達微波遙測（Radar Remote Sensing）

與衛星遙測（Satellite Remote Sensing），目前國內遙測技術已漸趨成熟，應用範圍有四大類：自然資源調查、環境污染調查、地理資訊系統及區域規劃，其主要目的就是希望減輕資料蒐集之負擔，避免過去現場勘察或是設立觀測站的不便。本研究所採用的遙測工具主要是以太陽同步資源衛星系統為主，利用數位化的遙測多光譜影像的原因，

主要是因為可以直接經由計算機儲存及處理所有數位資訊，並且具有儲存大量資訊的方便性與傳送快速的優點。而多譜影像之目的，在於利用地表對不同之波長有不同反應之特性，來達到易於分類（或辨別）

地表上的不同圖徵之目的。其電磁波長可從可見光、近紅外光、熱紅外光、微波等等，視主要應用之需要而採用不同之波長，如氣象衛星利用紅外線測地表溫度，LANDSAT 及SPOT 衛星用可見光及近紅外光辨識植物、河川、建築、馬路等。

目前國內接收使用的衛星主要有兩個系統，分別是資源衛星以及

(37)

高解析度商用衛星，資源衛星以美國的大地衛星（LANDSAT）與法國的資源衛星（SPOT）為代表，高解析度商用衛星以美國Space Imaging公司的IKONOS衛星及Digital Globe公司發射的Quick Bird衛星為代表。

3-2-1 多光譜資料特性

分類時首先針對遙測資料波段作選擇，波段選擇愈多則分類所得的資訊愈多，但分類所耗用電腦時間也愈久，有時還會引入雜訊造成錯誤。以Quick Bird多光譜衛星影像而言，必須先對其光譜特性有充分的了解，了解其各波段與地物反射波譜間的關係，才能依其光譜特性當作分類依據得到土地類型的資料。圖3-5為三種基本型式的地物：健康的綠色植物、乾燥的土壤以及透明的水體等典型的波譜反射率曲線。

圖3-5 土壤、植物及水體之光譜反射特性曲線

（引用自：Lillesand & Kiefer，2000）

(38)

一般而言，應用這些曲線的內容可作為判斷地物的類別及狀態的指標。以Quick Bird衛星多光譜波段對主要地物之光譜特性敘述如下：

1. 植物：

（1）波段一（波長0.45 µm~0.52 µm）：屬於藍光波段，藍光波長較短，能量較高穿透性亦較其他可見光波段為佳，對於水體的穿透、水中葉綠素的辨別有較好的結果。

（2）波段二（波長0.52 µm~0.60 µm）：屬於綠光波段，葉綠素吸收少，反射綠光，受植物本身的影響小。在0.55 µm 處有一反射高峰，使葉綠素無法集中，減少吸收，所以反射綠光，

使肉眼所見植物為綠色，但於分類時易與其他土地利用混淆。

（3）波段三（波長0.63 µm ~0.69 µm）：屬於紅光波段，為綠色植物行光合作用的波段，電子轉移時亦吸收此波段的能量。

葉綠素於0.68 µm 處吸收現象特別強烈，故植物有較低的反射，而對土壤及建築物等非植物有較高的反射，此波段土壤與植物反射程度不同，有明顯的差異。

（4）波段四（波長0.76 µm ~0.90 µm）：屬於近紅外光波段，不被葉綠素吸收，此波段對綠色植物的反射強，因此對植物有很大的辨識力。假若欲將針葉林與、闊葉林分類，則要用到

(39)

近紅外光或中紅外光段；若要再細分不同植生則要用到可見光與近紅外光或中紅外光部分的波段組合。

2. 土壤及建築物：

土壤反射強度與土壤類型、表面崎嶇度、太陽照射角度及土壤含水量等因素有關，一般而言，在可見光區域，土壤的反射強度較植物高，而在近紅外光區域之情形正好相反，植物之反射強度大於土壤。

建築物之反射強度與土壤類似，在可見光裡其反射強度較植物為高，

在紅外光裡則較低；但在新建之水泥建築平面其反射特性與裸露地及河床相近而難以分辨，易被分類為裸露地。

3. 水體：

清澈的水體對電磁波之反射甚弱，在0.4µm 處可反射10%之入射光，並隨波長之增加而遞減，到0.8µm 處時已趨於零，在第四波段（紅外光）的影像中，水體幾乎呈黑色，甚易辨明。相對地，污濁或水深甚淺的水體在可見光區域之反射值有時會比林地的反射值還高。因此若要從影像中分類出水體的範圍，通常以波長較長的波段來進行較適當。

(40)

3-3 衛星尺度轉換

尺度轉換（Scale Transfer）在許多不同的時空尺度之研究中，是一個重要的概念。根據不同來源的資料取得，以及運算模式的不同，

在不同時空尺度轉換的研究上，成為熱門研究課題。在尺度轉換中，

由小尺度的資料轉為大尺度的資料稱為升階（Upscaling），反之，由大尺度的資料轉換為小尺度的資料，稱之為降階（Downscaling）。

本研究中即討論在不同尺度的遙測影像，經由一些尺度轉換，可以擷取到影像上更廣泛詳細的資訊。對地表利用不同尺度關係式推估整個區域比較詳細的值，藉由尺度轉換的過程來完成此一目的。影像尺度轉換之概念如（圖 3-6）所示。

原始影像

降階

升階

圖3-6 影像尺度轉換概念示意圖

本研究中降階（1m，2m，4m）轉換分別採用二種不同的重新取樣法雙線性內插法及立方摺積法，而升階轉換乃採用 2m 之降階影像經平均化處理而得10m，20m，30m，100m 及 250m 之影像。

(41)

3-3-1 重新取樣法（Re-sampling Method）

重新取樣是影像幾何校正或尺度變換中各座標位置中數值（DN）

大小決定之方法，而尺度變換中之重新取樣牽涉到數值的平滑化，主要可分為二類重新取樣方式，即雙線性內插法（Bi-linear Interpolation Method）以及立方褶積法（Cubic Convolution Method），茲分別敘述如下：

1. 雙線性內插法（Bi-linear Interpolation Method）

雙線性內插法係以四個鄰近的像元依距離之遠近加權平均值 作為轉換值，轉換後之座標位置（xr,yr）由鄰近點1,2,3,4 決定（如圖3-7），轉換後之數值 r（Vr）依式 3-1 計算。

圖3-7 雙線性內插重新取樣法示意圖

（r 為重新取樣後之座標位置）

(3-1) 其中：∆xi = x方向介於(xr,y_r) 及i 像元座標之位移量；

∆yi= y方向介於(xr,y_r) 及i 像元座標之位移量；

i i

r V

D

y D x

V =

∑

D−∆ −∆ ×

= 4

1 2

) )(

(

(42)

Vi= i像元之數值;

D=來源影像中X或Y方向像元之間距;

2. 立方褶積法（Cubic Convolution Method）

立方褶積法是一種經過改良之影像重建方法，此法中像元值之估計由每一格子的16 個鄰近值而定，轉換後之座標位置（xr,yr） 將使用（i,j）像元座標如下式所示：

i =int（xr） j =int（yr）

如此可保証（x_r,y_r）以像元座標系統表示，像元（i,j）週邊 4×4 矩陣格網組成轉換輸入像元，如圖 3-8。

圖 3-8 立方褶積重新取樣法示意圖

立方摺積法並非線性內插，在 16 個輸入像元中，愈遠的位置之影響力以指數形式遞減，立方摺積法有數種不同之計算方法，

於本研究中採用 ERDAS IMAGINE 之方式介於高頻與低頻過濾

（high & low filter）之間，使用之公式如式 3-2。

) 2 ) 2 ,

2 ( ( ) ,

2 (

) 1 ) 2 ,

1 ( ( ) 2 ,

1 (

)) 2 ,

( ( ) 2 ,

(

) 1 ) 2 ,

1 ( ( ) 2 ,

1

4 (

1

−

− + +

× + +

+

− + +

×

− + +

+

− +

×

− + +

+

− +

−

×

− +

−

=

∑

=

n j i

d f n j i

V

n j i d f n

j i

V

n j i d f n

j i V

n j i d f n

j i V V

n r

(43)

(3-2) 其中：i= int (xr)；

j= int (yr)；

d(i,j) = 像元位置(xr,yr)及影像位置(i,j)；

V(i,j) = 像元(i,j)之數值；

V= 像元 r 位置之數值；

a= -0.5 常數。

f

( )

x =由以下方程式定義

參考資料：Atkinson 1985

本研究中將捷鳥衛星多光譜影像固有之 2.8m 尺度，分別轉換為 1 m, 2 m, 4 m, 10 m, 20 m, 30 m, 100 m, 250 m，等共八種尺度供後續探討分類精度。

經過升階或降階後之多重尺度衛星影像，像元呈現細緻或粗燥等不同變化，圖 3-9 至圖 3-16 中分類前原始影像顯示前述八種尺度之影像。

( )









<

− +

−

<

+ +

− +

=

otherwise

0

2 x 1 if 4

8 5

1 x if 1 )

3 ( )

2 (

2 3

a x a x

a x

a

x a

x f

(44)

圖3-9 尺度降階解析度=1m衛星影像圖3-10尺度降階解析度=2m衛星影像

圖3-11 尺度升階解析度=4m衛星影像圖3-12尺度升階解析度=10m衛星影像

(45)

圖 3-13 尺度升階解析度=20m衛星影像圖 3-14 尺度升階解析度=30m衛星影像

圖 3-15 尺度升階解析度=100m衛星影像圖 3-16 尺度升階解析度=250m衛星影像

(46)

3-4 影像分類理論

本研究採用ERDAS Imagine 軟體進行自動分類，至於自動分類法有非監督分類法（Unsupervised Classification）和監督分類法

（Supervised Classification），此兩種方法之分類理論分述如下（Erdas Inc., 2001）：

3-4-1 非監督式分類法

非監督式分類法之原理乃依據像元的自然分佈特性，用聚集演算的方法聚集成類組，理論基礎為性質相同的個體具有聚集成群的趨勢；即利用數學運算，依據統計及群集之觀念，檢查一大串未知像元之波譜自然群，利用群集分析以分離類屬，再決定其資訊的應用，故各點將依照光譜特性歸於應屬的類組中。優點為單純利用統計方法進行分類，可減少監督式分類法中圈選訓練樣區之人工時間，同時對地表實際類別較不會遺漏；缺點是只能判釋分類數目，無法得知分類類別，在精確度方面亦因地貌複雜度不同而造成精確度品質不穩定，例如：地貌愈複雜則分類精確度愈差。常使用的方法有：

K-均數聚集法（Generalized K-Means Clustering）、連續聚集法、

反覆自我組織資料分析法（ISODATA），步驟如下：

1. K-均數聚集法之步驟

（1）設定最初之聚集中心，此中心可任意設定。

（2）計算每一像元至聚集中心之光譜距離－歐基里德距離

（Euclidean Distance）)，公式如（3-3）式，並指定其歸入於最適切之聚集中心所屬之類組。

(47)

) (

)

2 (

k T

k

x x

d

= −

µ

⋅ −

µ

(3-3) 式中， dk ：像元至第k個類組的歐幾里得距離。

x ：未知像元向量。

µk ：第k個類組的平均值。

（3）計算新類組之平均數，為新聚集中心，當新聚集中心與原聚集中心不符時，即回到步驟 (2) 以重新計算，直至新聚集中心與前一運算中心相符為止。

（4）計算各類組的分散度，以決定各類組的數據。

2. 連續聚集法之步驟：

（1）建立新類組。

（2）分派新像元於所建立之類組中。

（3）合併過多之類組。

3. ISODATA 法：

反覆自我組織資料分析法（ISODATA）是依據像元至各類組中心平均值的光譜距離代表像元數據和分類類組特徵的相似程度，當距離最小時表示像元與類組相似度最大。開始計算時可任意給定數個類組中心，然後計算每個點位至每個類組中心的光譜距離（歐幾里得距離），若某一點位到某類組中心的距離為最短，

則將此點歸於某類組，而後根據所分出的類組重新計算每個類組中心的平均值，如此不停迭代計算，直到滿足所給定的限制條件為止。而ISODATA 基本步驟如下，詳細流程如（圖3-17）。

（1）選擇類組中心的起始平均值。

(48)

（2）計算像元和所有類組平均值的距離，將像元指定至最小距離的類別。

（3）重新計算每個類組中心的平均值。

（4）以此新的平均值重新進行最小距離的分類，前後兩次迭代的結果若像元類別多數有變動則回到（2）重新計算；直到達到收斂（多數像元類別無變動）則停止。

(49)

取消第i 個組類

是

是否

選定初始組類中心 Z_ij 輸入各迭代限制參數 I、T_s、T_c

對樣本像元進行群集偵測並統計 n_i、m_ij、σ_ij

ni>Tn

是否已達最大迭代次數或相鄰二次迭代組類中心變動是否小於門檻值

是否進行組類分裂，σ_{i max}>T_s

確定分裂後的組類中心Z_ij

是否進行組類合併，σ_ij>T_s

確定組類合併後的中心Z_jk

基本組類參數確定，轉入分類處理是

是

否

I：迭代次數界限直

T_s：組類分裂標準，即每組類所容許的最大標準差 T_c：組類合併標準，即二組類中心間所容許的最短距離 n_i：每類組i 的像元總數

mij：每類組 i 在 j 波段的平均值 σ_ik：每二類i、k 間的距離

n：所要求的類組數

Tn：每個組類中至少應有的點數

(50)

3-4-2 監督式分類法

監督式分類法的首要工作為訓練樣區（Training Area）的選取，需經過人工選取後再行自動分類，傳統選取方式大致採用逐像元（Per-Pixel）方式，其單個像元分類結果可能造成某一個區塊內光譜的異質性（Heterogeneous），以水稻田為例，水稻田內可能有數個像元分類正確，但另外數個像元卻受周圍地物影響而分類錯誤。若將水稻田區塊視為單元進行分類辨視得到的成果即為每個農地區塊的屬性，所以用區塊為單元的判釋方式與實際地表狀況較吻合，其分類概念亦與糧食局的調查方式一致（鄧敏松，1997）。

監督式分類法主要是根據地真（Ground Truth），如航空照片、像片基本圖或其他主題圖等地面實際資料，將已知特定類組的像元利用特定訓練樣區用訓練分類演算，依調查目的先決定欲分出的類組，再圈選出各類組的訓練樣區以決定每一像元應歸入的類組，並計算各類組的均數與共變異矩陣等統計值，再依統計值產生之機率密度函數對整個影像各像元作分類。監督式分類法的優點為透過人工訓練判釋，所判釋之精確度較為穩定；缺點也因為利用人工判釋方法，需要訓練較具專業的判釋人員，同時分類所花費的時間隨地貌的複雜程度而有不同。以下為監督式分類法主要的五個步驟：

1. 目標物的訓練樣區選取，例如林地、水體、裸露地等。

2. 從影像中判釋具有代表性的目標物像元，即訓練樣區，若能同時配合土地利用資料選擇，此方式較易找到足夠之數量與純淨之樣本像元。此步驟甚為重要，因為訓練樣區的

(51)

統計資料為分類時之標準，若其中摻雜太多的混合像元，

容易導致分類結果錯誤。

3. 檢查圈選樣區內的像元個數是否足夠，避免因像元數太少無法進行統計分析，並從選出的訓練樣區中，計算各波段之統計資料。

4. 多波段影像中，相鄰波段的相關性很高，不同的物質可能在某些波段具有近似的反應，若事先已知悉它們的相關程度，則分類時可減少波段數目，以節省時間、提高效率。

常用的方法是求取二類在某一波段的分離程度。

5. 利用上述步驟所決定之各項參數進行分類。

一般常見的監督式分類計算方法有：最小距離法（Minimum Distance to Means Classifier）、平行六面體法（Parallelepiped

Classifier）、最大概似法（Maximum Likelihood Classifier）。以下分別介紹此三種最常用之方法：

1. 最小距離法（Minimum Distance to Means Classifier）

最小距離法係首先訂出每一類波譜平均值，然後考慮波譜亮度值位置座標，經計算影像中每個未知分類像元與各類屬的平均距離後，再予以分類。此方法的優點為計算簡單。但並不考慮各訓練區的變異量。

2. 平行六面體法（Parallelepiped Classifier）

平行六面體法係依據訓練樣區在各波段的最大及最小灰度值

（門檻值）以繪出每一訓練樣區的範圍區域，若未知像元落在某訓練樣區的範圍內，則歸入該類組，否則令為未知類組。利用每個類組特徵的門檻值以判別像元是否落在此類組的範圍，門檻值

(52)

決定了特徵空間內環繞在類組均值周圍的每個平行六面體的大小，如果像元屬於某一特定類組的比率比預定的門檻值高，而落在平行六面體內，便歸為此類組，然而如果像元有多個類組所佔的比率相同且較其他類組大，便歸類至雙重類組或多重類組的區域（Code 255）；假若像元未落至任何類組，便分配至零（Null）

類組（Code 0）。平行六面體分類法是為求分類迅速時常用的方法，

但是如遇到有重疊區域，此演算法將無法正確分辨而將之歸於未知類。

3. 最大概似法（Maximum Likelihood Classifier）

假設選取的各訓練樣區點在光譜空間屬於常態分佈，則各類波譜反應形式與每一種類波譜平均值及協變方矩陣（Covariance Matrix）為相關。利用這些參數，即可計算每一像元為特定分類的統計機率。若將此機率值繪於三度空間圖上，垂直軸即表示一個像元屬於一種地物分類的機率，以最大機率當作判斷類別的標準。其方法除了考慮訓練樣區之中值外，同時亦考慮訓練樣區之變異量與協變方量，其方法正確率高且最為普遍被應用，但缺點是計算量很大。

非監督式與監督分類法兩者最大的不同是，非監督式分類僅考慮每一像元與分類類別之類組中心，而監督式分類則必須考量訓練樣區之平均值與共變異矩陣，因此監督式分類理論上會比非監督式分類之結果準確（Lillesand and Kiefer, 2000）。本研究採用含有機率概念的的最大概似法（Maximum Likelihood Classifier）進行分類，其流程如（圖3-18）。

(53)

是否

QuickBird 多光譜衛星影像圖

分類後衛星影像

監督式分類法之最大概似法進行分類

決定分類目標組類

初步分類影像

將初步分類結果進行合併

準確度評估

利用相片基本圖及地形圖輔助判釋

利用相片基本圖及現地調查結果

圖 3-18 監督式分類法之流程圖

(54)

3-5 影像分類成果的精確度評估

遙測影像經分類後所得到的資訊，分類成果的精確度評估是否達到需求，是遙測分類能否達到監測目的的一個研究重點，而目前對於影像精確度評估最常使用的方法是誤差矩陣，因此茲對誤差矩陣作一概略性介紹。

誤差矩陣為一個方形的矩陣，類別數方陣中的行、列數相等，行列數因種類數量而定，如表 3-1 為例有四種類別，行（column）表示參考資料的類別（reference data），而以列（row）表示分類類別

（classification），所有的結果皆可從於矩陣表現中得知，誤差矩陣是以比較取樣區域的參考類別和相同取樣空間中的遙測影像分類成果的差異狀況。

表3-1 誤差矩陣關係（Error matrix）表（資料來源：Verbyla，D.L.，1995）

分類成果（classification）

類別 A B C D 合計生產者精度 A X_AA X_AB X_AC X_AD X₁₊ PA₁₊

B X_BA X_BB X_BC X_BD X₂₊ PA₂₊

C X_CA X_CB X_CC X_CD X₃₊ PA₃₊

D X_DA X_DB X_DC X_DD X₄₊ PA₄₊

合計 X₊₁ X₊₂ X₊₃ X₊₄ X

地面參考真值 (reference data)

使用者精度 UA₊₁UA₊₂UA₊₃UA₊₄

目錄

摘 要

Abstract

誌 謝

目錄

圖目錄

表目錄

第一章 緒論

第二章 文獻回顧

第三章 研究方法及步驟

∑

∑

( )

( )

x x

d

µ

µ

摘要

誌謝

第一章緒論

第二章文獻回顧

第三章研究方法及步驟