高解析影像應用於土地利用分類之探討

1工研院能環所 研究員 收到日期:民國 97 年 09 月 22 日

2工研院能環所 正研究員 修改日期:民國 97 年 12 月 04 日

3工研院能環所 副研究員 接受日期:民國 98 年 03 月 02 日

4國土測繪中心 測量員

高解析影像應用於土地利用分類之探討

蕭國鑫

劉治中

劉進金

何心瑜

黃英婷

摘 要

本研究採用航空照片與高解析衛星影像進行國土利用之第三級分類，並搭配外業調查評估影像分類 精度。分類中之航空照片結合立體像對與正射照片，直接在螢幕上判釋與數化地物類別，衛星影像則以 監督式及非監督式分類方式為之。初步結果顯示，航空照片判釋國土利用調查之土地利用第三級分類，

對於農地、林地、水利與交通用地之全體精度在97~98%之間，人為建物區則難以分辨到第三級分類；衛 星影像適合分辨林地與水利用地之第一或第二級分類，分類精度為60~75%，但對於第三級分類別，則需 輔以 GIS 資料及結合多時期影像，方可達到較高的分類精度；對於人為建物之第三級分類，航空照片與 衛星資料均無法明確分辨。另以多時期衛星影像結合農作坵塊資料，單獨判釋桃園地區2006 年二期稻作 之第三級分類水稻類別，全體精度達 96.47%，但生產者與使用者精度為 73.38%與 74.23%，仍低於平均 精度之85.76%；因此，若水稻類別的辨識若能再結合種植頻率分析，則分類精度應還有再提昇的空間。

關鍵詞：空載光達、人工編修、過濾

1. 前言

航空照片具有公分到公寸級的地面解析力，可 顯示地表上相對細微的資訊，並據以辨識地物類別，

特別是農作物種類之研判，所以頗適合用來提供國 土利用農地調查之使用；但對於土地利用第三級分 類之建築用地 (附錄)、遊憩用地…等類別而言，

則需藉由外業調查的輔助，方能決定其確切的類別 屬性。另高解析衛星影像雖然也能顯示較細的地表 資訊，而對於第三級地物類別的研判，則受限於空 間解像力(resolution)限制與混合像元(mixed pixels) 影響，判釋精度仍不高。故研究中乃嘗試藉由高解 析之單一時期SPOT-5 融合影像(fused image)，分 別採用監督式與非監督式方類方法，測試在空間解 像力提昇後，能否增加影像對於地物之自動分類辨 識能力(蕭國鑫、等，2007)。

另遙測衛星影像可多時段攝取地表資訊，可據 以研判大範圍農地 GIS 資訊，特別是結合多時期 衛星影像、耕地坵塊 GIS 資料、特定作物生長知

識及其光譜資訊，將可增加特定農作物的分類精度；

因此，亦嘗試結合多時期影像及耕地坵塊資料，並 參考水稻全生育期的光譜反射特性，分析多時期影 像提供判釋水稻類別的分類精度，以評估是否能提 供國土利用調查使用。

2. 研究區範圍與影像

單一時期影像判釋分類，以台灣中部埔里地區 (圖號:95204096，圖名:坪頂)為自動分類測試區；

地貌分布為半山半野狀態，土地覆蓋包含丘陵、平 地、河川、農地、林地及聚落等類別，故可提供較 多土地利用類別的測試。分類資料使用空間解像力 為 0.5 公尺的正射照片、10 公尺的 SPOT-5 多光 譜資料及 2.5 公尺的融合影像；如圖 1 為研究區之 正射照片及超解像模式影像的組合的假色影像。另 結合 GIS 資料與多時期衛星影像判釋水稻類別分 布則以桃園地區為範圍，選用的 Formosat-2 及 SPOT-5 影像如圖 2 所示，空間解像力均配合福衛 多光譜資料，再取樣為 8 公尺。

(212559,2630004) (212596,2629969)

(a)正射照片

(215190,2627146)

(b)SPOT-5融合影像

(215149,2627196)

圖1 95204096 圖幅正射照片與 SPOT5 融合影像 (249005,2777495)

(283000,2745996)

(a)FS-2: 2006/07/21,31 (b)FS-2: 2006/09/27,28 (c) FS-2: 2006/10/11 SPOT-5: 2006/10/20

圖2 桃園地區 2006 年多時期 Formosat-2 與 SPOT-5 校正影像 (212559,2630004)

(215190,2627146)

(a)第一級分類 (b)第二級分類 (c)第三級分類

圖3 95204096 圖幅結合航照判釋與外業調查之分類參考圖

圖4 樣區位置分布圖 圖5 第一級土地使用光譜特徵圖

a.第一級土地使用類別 b.第二級土地使用類別

X=band1，Y=band2 圖6 土地使用類別的光譜空間類別圖

3. 影像分類方法

3.1 照片判釋

照片判釋採用正射影像顯示的地物特徵，直接 在螢幕判釋並數化類別邊界；另亦結合外業調查，

以輔助研判人為建物地物屬性，再綜合兩者的數化 資料結果，作為影像判釋精度評估的比對基準；如 圖3 為 95204096 圖幅的分類資料，為結合航照判 釋與外業調查之分類參考圖。

3.2 影像自動分類

為瞭解融合影像之各波段亮度值分辨土地使

用特徵能力，首先分析各類別的光譜特徵。而為了 避免遺漏部分土地使用類別，訓練樣區採用分層隨 機取樣方式(第三級土地使用類別共取 70 個樣區，

如圖 4 所示)；各樣區提供光譜資料測試各土地使 用類別在四個光譜波段的平均值、最大/最小及標 準差等敍述統計值；如圖5 為以訓練樣區為基準，

統計第一級使用類別的四個波段平均值比較圖，顯 示各類別在第1 及第 2、3、4 波段具有變化，但第 2、3、4 波段的變化較為一致，此與前述各光譜本 身的相關情形一致。

第一與第二級土地使用類別光譜特徵，套疊在 第1 對第 2 波段(模擬近紅光對紅光)影像離散圖上 成光譜空間類別圖(如圖 6)；其中第二級土地使用 (215149,2627196)

band1 band2 band3 band4 grayvalue

(212596,2629969)

類別的混淆程度較高，較難說明不同土地使用類別 在光譜上的差異性，但在第一級土地使用類別可以 得到一個具有差異性的比較；即第一級土地使用類 別大致可分離為三群，第一群含交通、水利及礦鹽 等三類，分布在較低的第1 波段(擬近紅外光)及較 高的第2 波段(擬紅光)；第二群包括農業、森林及 其他等三類，在第1 波段上較高而第 2 波段較低；

第三群為建築及公共類，類群中心平均值約在兩類 中間，但其標準差較大，類別在光譜上較不集中，

顯示反應這兩種土地使用類別較易混淆。

(a)非監督式分類

非監督式分類在統計上屬於集群分析(cluster analysis)，主要是將相似的像元歸類到所屬集群內；

集群分析是一種資料自行依結構合併的回復過程，

分類過程中是以資料本身的結構決定其歸屬；其過 程為(1)使用者指定分類數目(N)，本研究使用類別 數目的三倍，即27 類為分類數。(2)在光譜空間中 設置N 個初始類別中心種子(seed)，中心種子可以 隨機設置或系統性設置在波譜值出現頻率較高的 區域。(3)靠近中心種子處的像元，指定屬於該類 別。(4)計算新的類別平均值作為種子中心 (5)重覆 計算步驟(3)及(4)，直至無明顯變化為止。最後利 用上述流程分類所得的27 個類別，再使用已有的 地真資訊進行類別合併；其中若某些類別因光譜特 徵超過類別，合併後其類別總數目超過原訂數字，

則先刪除其出現頻度較低的類別，再指定到次高類 別。

(b)監督式分類

監督式分類是統計中的區別分析，訓練樣區提 供各類別的光譜訓練值作為量測未知像元屬某一 類別之依據；其中最常使用的分類法為最大似然法 (Maximum Likelihood classification)，它是假定各類 別的分佈函數為正態，並使用各類別的先驗機率 (prior probability)。最大似然分類首先計算像元值 向量x 屬於各類的條件概率（判別函數）：

P（w_i│x） (1) i＝1，2，…，m，式中 wi 代表第 i 類，共有 m 類。

(1)式中，如果 P（wi│x）＞P（wj│x） j≠i，

j＝1，2，…，m 成立，則 x w 條件機率可以貝氏 公式計算：

(2)式中之 p（wi）是分類影像中類別wi 出現的機 率，可以根據已知資料作人為認定，也可以假定各 類出現的機率相等；p（x│wi）是類別wi 的機率 分佈，它表示在wi 這一類別中像元 x 出現的機會。

最大似然分類假定各類的分佈函數為正態，因此，

(3)式中的 N 是參加分類的特徵數（或波段數），

Mi 為平均值向量，Σi 為類別 i 的協方差矩陣，

其估計值分別為：

(4)式中的 ni 是類別 wi 的像元數，j 為像元標號，

T 為轉置矩陣，Mi 和Σi 可由樣本像元計算。

(c)多時期影像之水稻貝氏分類

貝氏機率分類為藉由NDVI 指數及其差值，導 出在某種條件情況下影像對應坵塊屬性的關係；因 此，引用貝氏定理統計多時段影像的NDVI 指數或 其差值對應坵塊為水稻或非水稻的機率，再進行實 際驗證及探討分類結果。

單一時期 NDVI 指數判斷坵塊屬性為水稻或 非 水 稻 機 率 ， 若 用 條 件 機 率 方 式 表 示 可 表 為 P(Ai|VI)。若引用貝氏定理，並以全機率理論展開，

可寫成：

P(Ai|VI) = P(VI|Ai) * P(Ai) / Σ [ P(VI | Aj) * P(Aj) ]

=P(VI|Ai)*P(Ai)/{P(VI|A1)*P(A1)}+

P(VI|A2)*P(A2)}} (5) (5)式中，P(Ai|VI)：已知 NDVI = VI 時，坵塊屬性 Ai 的機率；A1：屬性 1 = 水稻，A2：屬性 2 = 非 (2)

(3)

(4)

水稻； P(VI|Ai) = NDVI 為 VI 且屬性為 Ai 的坵塊 數/屬性為 Ai 的坵塊數；P(Ai)：坵塊屬性為 Ai 的 機率(Ai 的坵塊數/所有坵塊總數)。

若推衍到多時段影像分類，則可推求：

P(Ai| VI1, VI2,…VIn) =

P(VI1|Ai)*P(VI2|Ai)*…* P(Vin|Ai) * P(Ai) / [ P(VI1|A1)* P(VI2|A1)* … * P(Vin|A1) *

P(A1) ] +

[ P(VI1|A2)* P(VI2|A2)* … * P(Vin|A2) * P(A2) ] +

[ P(VI1|Aj)* P(VI2|Aj)* … * P(Vin|Aj) * P(Aj) ] (6)

提供水稻辨識的多時期影像並未經過大氣的 絕對校正，而是利用影像上的地面不變點進行相對 校正；即於多時期影像上找出地物不變地區，並以 第一期的影像為基準，利用仿射轉換法 (Affine transform )進行各時期之各波段的相對光譜校正。

4. 分類結果

影像分類測試包含兩部分，一為使用 SPOT5 融合影像之非監督式與監督式自動分類法，另一為 結合 Formosat-2、SPOT5 多時期影像及地籍坵塊 GIS 資料，以進行多時期影像之貝氏機率分類測 試。

4.1 SPOT5 融合影像分類結果

(a) 非監督式分類結果

經過如3.2 節所述之非監督式分類後，合併分 類的土地使用類別如圖7；以目視檢測成果大致如 光譜空間分析所示(參圖 6)，如交通、水利等類別 較易混淆，農業、森林則可在局部地區合併(依國 土利用調查規定之類別歸屬合併)；若將圖 7 的成 果資料與地真資料進行誤差分析，誤授率最低的是 水利及森林類別的0.252 及 0.275，而交通、公共、

遊憩、礦鹽及其他類別的誤授率多在0.8 以上；在 漏授率上亦是森林及水利類最佳，分別是0.221 及 0.353，而交通、建築、公共、遊憩、礦鹽等類別

都有0.8 以上的漏授率。另農業類別是傳統自動分 類中有較高精度的類別，但研究中則有很多農業像 元被指定到森林、遊憩及水利類別，同樣亦有很多 原森林及水利類別被指定到農業類別。

另 測 試 區 之 非 監 督 式 分 類 的 平 均 誤 差 是 0.4358；而各類別分類後與原地真的吻合度若以 Kappa 值表示，kappa 值由高至低依次排列是水利、

森林、建築、農業、其他、礦鹽、交通、公共及遊 憩 (如表 1)；以 kappa 值而言，除水利及森林類別 較易分辨外，其他類別依國土利用調查定義之類別，

在遙測光譜空間上都容易被混淆。

(b)監督式分類結果

圖8 與圖 9 為使用 70 個訓練樣區之第一級及 第二級土地使用類別的判別函數成果，其中之第二 級分類結果誤差太大，故未進行後續的誤差分析。

而在第一級土地使用監督式分類成果的誤差評估，

分別使用平均機率及先驗機率計算；先驗機率是以 前述圖幅之各種土地利用佔面積比例為參考指定，

結果與前述非監督式分類雷同，如水利及森林類疊 的誤授率及漏授率都最低，但其他類別的誤授率較 漏授率高；遊憩、公共、礦鹽、交通、其他等類別 的誤授率都在0.8~0.9 之間，但漏授率則在 0.7~0.8 之間；而使用平均或先驗機率對誤差並無太大影響，

其至使用平均機率的平均誤差 0.4265 低於使用先 驗機率的0.4530，所以未來應用時，或不需計算各 圖幅之各類別的誤差。

兩種監督式分類成果與原始地真資料的吻合 度Kappa 值亦列於表 2，其中較佳的類別為森林與 水利用地類別(分類精度在 60~75%之間)，較差的 是建築與農業類別，最差的是遊憩、公共、礦鹽、

交通與其他等類別。基本上土地使用類別所包含的 土地覆蓋種類歧異度愈大，分類誤差愈大，如遊憩 與公共類別，因為其第二級以下類別包含建物、綠 地、空地…等覆蓋，在影像上較易混淆，所以判釋 分類誤差較大；對於森林及水利類的土地使用較為 均一，故分類誤差較低；另農業類別因包含農作、

畜牧、農業附帶設施…等具有不同光譜反應的地物，

所以分類精度亦不如預期的高。

另依據視為真值之外業調查成果，評估航空照片判 釋土地利用第三級分類之農地、林地、水利與交通 用地的全體精度在97~98%之間；人為建物及相關 設施等，在國土利用調查之第三級土地利用分類中，

仍需藉由外業調查輔助，才可以得到確切的類別歸 屬。

4.2 多時期影像貝氏機率分類 結果

多時期影像判釋水稻考慮因素包括 c影像對 應水稻生育期及其植冠光譜反射 d遙測影像對照 水稻全生育期(full-growth-period)的植冠光譜反射 (如圖 10) e多時影像與水稻光譜反射的時間曲線 關係 f影像與坵塊之套合等因素(吳啟南、等，

1999；劉治中、等，2002；蕭國鑫、等，2004)。

分類過程以貝氏機率分類法，統計各單一時段影像 的 NDVI 指數或其差值對應坵塊為水稻或非水稻 的機率，再綜合多時段影像貝氏機率統計結果，做

為判釋坵塊屬性為水稻或非水稻的條件機率分 布。

依劉治中、等(2002)之研究，在提高水稻分類 精度原則下，較可靠的方法是套疊最接近影像判釋 年份之同一期水稻耕地資料；且需參考種植屬性及 進行統計直方圖分析，以瞭解舊有水稻分佈在新影 像的NDVI 指數或其差值分佈範圍，並決定 NDVI 指數或其差值的判釋區間後進行判釋。如圖11 為 2006 年二期稻作期間，套疊航照判釋水稻資料後，

水稻與非水稻之NDVI 指數及其差值頻率分佈圖，

顯示單一時期影像 NDVI 指數不容易分離水稻與 非水稻類別，而NDVI 指數差值的分離度則相對較 佳(蕭國鑫、等；2005)。另最後之貝氏機率分類後 亦轉換為硬式二分類別(非彼即此的二分法)，並以 航照判釋水稻資料為真值，分別進行軟式分類(以 機率值代表分類結果)與硬式分類的分類精度評 估。

表1 非監督式分類影像與地真吻合度

使用類別 分類影像KIA 使用類別 分類影像KIA

1-農業 0.1993 6-公共 0.0200

2-森林 0.5487 7-遊憩 0.0016

3-交通 0.0589 8-礦鹽 0.0942

4-水利 0.6611 9-其他 0.1087

5-建築 0.3428 整體 Kappa 0.4032

表2 監督式分類影像與地真吻合度 kappa 分析

使用類別

使用類別

1-農業

0.3564 0.1614

2-森林 0.6049 0.5132 7-遊憩 0.0042 0.0049

3-交通 0.0997 0.0998 8-礦鹽 0.0827 0.1128

4-水利 0.6876 0.7326 9-其他 0.1109 0.0984

5-建築 0.5341 0.2823 整體 Kappa 0.4299 0.3833

圖 7 第一級土地使用非監督式分 類成果圖

圖 8 第一級土地使用分類監督式 分類成果圖

圖 9 第二級土地使用分類監督式 分類成果圖

圖10 遙測水稻全生育期光譜反射分布曲線 (吳啟南、等，2001)

水稻 非水稻農作

圖11 桃園地區 2006 年二期稻作福衛影像 NDVI 指數之水稻與非水稻頻率分布

0 20 40 60 80 100 120 140 160 180 200

0 20 40 60 80 100 120

波譜反射值

生 長 天 數

SPOT 影像一期稻光譜反射

綠光段

紅光段

紅外光段

0 20 40 60 80 100 120 140 160 180 200

0 20 40 60 80 100 120

波譜反射值

生 長 天 數

SPOT影像二期稻光譜反射

綠光段

紅光段

紅外光段

攝像日: 2007/07/29

0 500000 1000000 1500000 2000000 2500000 3000000 3500000 4000000

-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 NDVI

Frequency

攝像日: 2007/09/27

0 500000 1000000 1500000 2000000 2500000 3000000 3500000 4000000 4500000

-1.2 -1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6

NDVI

Frequency

攝 像 日 : 2 0 0 7 /1 0 /1 1

0 5 0 0 0 0 0 1 0 0 0 0 0 0 1 5 0 0 0 0 0 2 0 0 0 0 0 0 2 5 0 0 0 0 0 3 0 0 0 0 0 0 3 5 0 0 0 0 0 4 0 0 0 0 0 0

- 0 .8 - 0 .6 - 0 .4 - 0 .2 0 0 .2 0 .4 0 .6

N D V I

Frequency

攝像日: 2007/09/27 - 07/29

0 1000000 2000000 3000000 4000000 5000000 6000000 7000000

-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1

NDVI 差 值

Frequency

攝像日: 2007/10/11 - 07/29

0 500000 1000000 1500000 2000000 2500000 3000000 3500000 4000000 4500000 5000000

-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1

NDVI 差值

Frequency

表3 桃園地區 2006 年二期稻作之影像分類統計結果

檢 核 資 料

種 類 水 稻 其它農作 合計(像元) 生產者精度

(未統計雲及雲影區面積) 全體精度：96.47 % 平均精度：85.76 %

kˆ

其它農作 28281144113333 141499115500000000 115511996644113333 9898..1155%% 合 計 1010992211551144 151522009911336677 116633001122888811

使用者精度 7474..2233%% 9898..0077%%

圖 12 桃園地區 2006 年二期稻軟式分類後轉換為 二分類別分類圖

圖 13 桃園地區 2006 年二期稻軟式分類後轉換為 二分類別成果評估圖

2006 年桃園地區多時期影像經由貝氏機率分 類後，經轉換為硬式二分類別，探討全體精度與 k 指標分別為96.47%與 0.72 (參表 3)；另影像分類成 果如圖 12，對照航照判釋水稻資料後之分類成果 如圖13 所示。

若討論水稻分類別的生產者精度(Producer’s Accuracy, PA)與使用者精度(User’s Accuracy, UA)，

分 別 為 73.38%與 74.23%，均低於平均精度之 85.76%；即辨識水稻類別的精度仍低於其他農作分 類結果，故水稻類別的辨識能力應有再提昇的空間。

另再探討同時考慮生產者與使用者精度，以表示分 類成果與檢核資料相似程度的 k指標為 0.72，顯示 生產者與使用者分類結果頗為均衡，且與檢核資料 有高的相似程度。

5. 分類結果

本研究嘗試以正射照片研判適合國土利用調 查的第三級土地利用分類，並利用SPOT5 之融合 影像，以監督式及非監督式分類方法測試自動化分 類之適用性。初步結果顯示：

(一) 以圖號 95204096 為例，高解析的正射照片判 釋國土利用調查之土地利用第三級分類結果，

評估農地、林地、水利與交通用地分類的全 體精度在97~98%之間；人為建物及提供特定 用途的相關設施，在第三級土地利用分類中 仍需藉由外業輔助，才可以得到正確的類 別。

(二) SPOT5 融合影像之非監督式分類法，測試分 辨農地、林地、水利與交通類別之第一或第 二級分類，分類精度在70~85%之間；但綜合 國土利用調查第一級分類之 9 種類別，評估 的全體精度為 56.42%，kappa 滿意度分析為 0.40。以監督式分類法測試成果，使用平均機 率式分類之全體精度為 57.35%，kappa 分析 為 0.43；而先驗機率式分類之全體精度為 54.705%，kappa 分析為 0.38，均遠低於國土 利用調查所需得精度成果；另針對林業、水 利及農業等分類評估其分類結果，亦無法達

到90%之精度需求。

(三) 應 用 SPOT5 融 合 影 像 ， 光 譜 資 訊 經 過 RGBÆISHÆRGB 轉換後，與原始的光譜資 料已有明顯差異；所以融合資料應用於影像 自動分類，將會因光譜資料的轉換而影響分 類成果。

(四) 結合多時影像與 GIS 資料應用於水稻作物分 析，藉由全生育期的光譜資訊與 GIS 資料輔 助，對於水稻全體分類精度可達96.47 %以上，

若探討生產者與使用者精度，分別為73.38%

與74.23%，仍低於平均精度之 85.76%，顯示 水稻類別的辨識能力應有再提昇的空間；因 此，若可再結合特定作物之種植頻率，則分 類精度應可提高，對於特定農作物的土地利 用調查亦可提供重要之規劃。

(五) 國土利用調查之各分級類別，其定義除了土 地覆蓋外，亦包含土地利用因子，例如:水利 用地別除了河道外，尚包括溝渠、蓄水池、

水道沙洲與灘地、水利構造物、防汛路面…

等類別，明顯與遙測定義分類之河流不同；

因此，若遙測影像欲有高的分類精度，則各 類別的歸屬需以土地覆蓋為主，且定義類別 的內容需要相同，如此遙測影像方可發揮較 大的效用。

參考文獻

吳啟南、蕭國鑫、李元炎，1999。結合遙測與 GIS 建置水稻田辨識系統(1/5)，工研院能資所第 063-89-W025 號報告，共 137 頁。

吳啟南、蕭國鑫、廖子毅、徐偉城、劉治中，2001。

水稻生育狀況與環境監測系統~水稻生長、逆 境及產量之監測與估測技術研究~SPOT 衛星 與地面近紅外成像儀之監測應用，工研院能資 所第063-90-W011 號報告，共 95 頁。

劉治中、蕭國鑫、徐偉城、廖子毅，2002。結合遙 測與GIS 建置水稻田辨識系統(4/4)，工研院能 資所第063-91-0468 號報告，共 130 頁。

蕭國鑫、劉治中、徐偉城，2004。不同影像分類方

法應用於水稻辨識之探討，航測及遙測學刊，

9 (1): 13-26。

蕭國鑫、劉治中、劉進金、黃國恩、黃淑娟，2005。

福衛二號影像應用於水稻坵塊辨識之研究，

TGIS 2005 研討會。

蕭國鑫、顏厥正、陳大科、劉進金、徐偉城、李惠 容、陳敏祥、黃國恩，2007。95 年度國土利用 調查作業 (第 2 作業區)，內政部國土測繪中心 委託，共102 頁。

附錄 建築用地之土地利用三級分類系統表

第Ⅰ級 第Ⅱ級 第Ⅲ級

類

別 代碼 類別 代碼 類別 代碼 說明

建 築 使 用 土 地

05 商業 0501 零售批發 050101 係指從事買賣貨品活動之土地，包括零售、批發及量販店，如百 貨公司、商店、市場、大型量販店和購物中心。其中零售業之銷 售對象以一般民眾為主，批發業（意旨從事有形商品批發、經紀 及代理）批發業係以銷售大宗商品為主，其銷售對象多為機構或 產業（如中盤批發商、零售商、工廠、公司行號等）。相關細項 業別包括農、畜、水產品業、食品什貨、布疋、衣著、服飾品、

家庭電器、設備及用品零售（批發）業、藥品、化粧品及清潔用 品、文教、育樂用品、鐘錶、眼鏡、首飾及貴金屬、建材、機械 器具、汽機車及其零配件、用品、綜合商品及其他商品零售或批 發

服務業 050102 係指提供個人或工商服服務務使用之土地包括住宿（如賓館、旅 館、旅社、汽車旅館、民宿、觀光旅館、招待所）、餐飲（如餐 廳、食堂、小吃店、速食店、鐵板燒店、日本料理店、飯館麵店、

快餐店、牛排館自助火鍋店、飲酒店、啤酒屋）、運輸通信（如 路上運輸、水上運輸、航空運輸、旅行、報關、郵政、電信、快 遞）、金融保險（如銀行、信用合作社、農會、漁會信用部、信 託投資）、不動產租賃、專業、科學及技術服務業（如法律及會計服 務、建築及工程技術服務、專門設計服務、電腦系統設計服務業、資料 處理及資訊供應、研究發展服務業、廣告、其他專業、科學及技術服務 業（如市場研究及民意調查、攝影、翻譯服務、獸醫、環境檢測服務）、 教育服務（如補習班、才藝班）、文化服務（如出版、電影製作、廣播 電視、藝文及運動服務業）及其他服務（如洗衣、理髮及美容、殯葬服 務、家事服務業、相片沖洗、浴室、駕訓班）

住宅 0502 純住宅 050201 係指整體建築專供住宅使用者，不含其他使用之土地 兼 工業使

用住宅

050202 係指一樓供工業使用，其餘供住宅使用樓層比例超過 50%

兼 商業使 用住宅

050203 係指一樓供商業使用，其餘供住宅使用樓層比例超過 50%

兼 其他使 用住宅

050204 係指一樓供住宅、商業或工業以外之其他使用且其餘供住宅使用 樓層比例超過50%

工業 0503 製造業 050301 係指從事製造業使用之土地。包括食品、飲料、菸草、紡織、成 衣、服飾品、皮革、毛皮、木竹製品、家具、裝設品、紙漿、紙 製品、印刷、化學材料、化學製品、石油、橡膠、塑膠、非金屬 礦物、金屬、機械設備、電腦、通信、電子、電力機械、運輸工 具、精密光學、醫療器材、鐘錶等製造業，製造品零組件之組裝

（裝配業）亦歸於本類

倉儲 050302 從事經營租賃取酬之製造業相關原料、產品之堆棧、棚棧、倉庫、保稅 倉庫等用地均屬之（不包括農業、林業場地儲存活動所使用之土地）

其 他 建 築 用地

0504 宗教 050401 包括供寺廟、教（會）堂和其他宗教建築使用，但不包含070101 法定文化資產項目之土地

殯葬設施 050402 包含墓地、殯儀館、火化場和骨灰（骸）存放設施

興建中 050403 已興建地下層或地面層但在現況調查年度內無法建築完成者 其他 050404 係指宗教、殯葬設施、興建中以外之其他建築用地，包括人民團

體、財團法人等類別

(資料來源: 內政部國土測繪中心)

1 Researcher, Energy and Environment Research Laboratories(EEL), Industrial Received Date: Sep. 22, 2008 Technology Research Institute (ITRI) Revised Date: Dec. 04, 2008 2 Senior Researcher, EEL, ITRI Accepted Date: Mar. 02, 2009 3 Associate Researcher, EEL, ITRI

4 Surveyor, National Land Survey Center, Ministry of the Interior

Land cover and Land use Classification using High Spatial Resolution Images

Kuo-Hsin Hsiao

Chi-Chung Lau

ABSTRACT

High spatial resolution images applied in this study include digital orthophotos of 0.5m grid and pan-sharpened SPOT images of 2.5m grid. A land-cove/land-use classification scheme upto level 3 is adopted, with randomly-sampled field checks for accuracy verification. Manual interpretation with the assistance of on-screen tool-kit is adopted for the discrimination of various land-cover/land-use types on orthophotos. Whereas automatic classifications both supervised and unsupervised approaches are applied for satellite images. Preliminary results show that aerial photographs give an accuracy of 97~98% for agriculture, forestry, hydraulic and telecommunication land units. Satisfied results of level 3 of building up areas can never been achieved solely by photo-interpretation. For satellite classification, an accuracy of 60~75% can be achieved for level 1 and level 2 for the forestry and hydraulic land units. If the classes of level 3 are to be achieved, more ancillary information from GIS data-base should be incorporated. Level 3 can not be attained using satellite images. Multi-temporal images with complementary GIS polygons of field parcels can give rice parcels an overall accuracy of 96.47%. Whereas, the average accuracy (85.76%) is higher than the produce’s accuracy (73.38%) and user’s accuracy (74.23%). It is concluded that temporal plant histogram information is helpful and critical for the classification of agriculture lands.

Keywords: Remote Sensing, GIS, Classification