應用空間排列法於都市土地利用判釋之研究

(1)

應用空間排列法於都市土地利用判釋之研究

周天穎

¹

郭靜怡

²

摘要

都市地區之土地利用類別是由一群複雜的土地覆蓋型態所組成的，本研究運用空間後分類演算法 (Spatial Post-Classification Algorithm)以高解析度衛星影像判釋都市土地利用類別，第一階段利用高斯最大概似法將土地覆蓋(land cover)類別分成小型結構物、大型結構物、林地、作物、草地、裸露地、以及水體等七個類別，獲得整體精度92.72%。第二階段，則針對土地覆蓋分類結果進行 3*3、5*5、7*7、9*9、

11*11、21*21、31*31 等不同視窗尺寸之空間後分類處理，將土地使用(land use)分為低密度住宅區、中密度住宅區、工業區、耕地、牧草地、林地、裸露空地、以及水體等八個類別，獲得整體精度可達89.64%。

結果顯示在土地使用較複雜及破碎之都市地區，11*11 的視窗矩陣最適合進行空間後分類，這代表此視窗矩陣大小可以涵蓋不同土地利用類別的空間變化，且可將平滑化的程度減至最小。

關鍵詞：後分類、都市特徵、高解析度衛星影像

1. 前言

許多研究中指出利用衛星影像特定光譜波段可以有效地達成自動化分類的目的（Chetty, 1991），然而，大多數的分類法都是以單一像元依每個波段的灰度值來決定其代表的類別，此種分類法雖成功地應用於監測農地使用，但卻無法滿足於監測都市地區之應用（Forster, 1985；Toll, 1985），

除了一般多光譜感測器之光譜解析度不足的原因之外，大部分的原因在於早期資源衛星影像之空間解析度不足 (Jackson et al., 1980)，如 Landsat 資源衛星所承載的多光譜掃描儀 (Multispectral Scanning System；MSS)。

隨著目前衛星影像及數位航空照片解析度逐漸提昇，其空間解析度均可達一兩公尺，甚至數十公分，單一像元所代表的已不再是綜合後的光譜反映，而是個別地表物(如建物、道路、開放空間等) 的光譜反映，整體看來，都市地區的光譜反映變得

更多樣化。換句話說，都市地區之土地利用類別是由一群複雜的土地覆蓋型態所組成的，而每一個土地覆蓋型態均可能有不同的光譜反映特徵(Gong and Howarth, 1990) ，由於傳統以單一像元

（per-pixel）為基礎之分類演算法僅依據衛星影像之光譜反映特徵，藉由特定的統計方法計算、分析與歸類，來賦予影像中每一像元之類別，並沒有考慮其與鄰近像元間光譜反映之關係，故無法處理此類高度空間變化的問題。除此之外，由於各土地使用類別之組成具多樣性，更難以為監督式分類法定義適合的訓練樣區(Gong and Howarth, 1990)，且可能發生訓練樣本在每個光譜波段中有多型態分佈和高標準偏差統計結果等問題；前者違反了高斯最大概似法訓練樣區密集點分布所形成類屬訓練資料為高斯值(即常態分佈)的基本假設，而後者則會產生部分土地使用類別明顯重疊的現象，這些問題都會影響影像分類精準度。

為了克服光譜分類的問題，部分研究試圖利用

1 逢甲大學土地管理學系教授暨地理資訊系統研究中心主任

2 逢甲大學土地管理學系碩士研究助理

收到日期:民國 92 年 05 月 26 日修改日期:民國 94 年 02 月 03 日接受日期:民國 94 年 02 月 15 日

(2)

如中值濾波器(median filters)、各種影像紋理量化法、在分類過程結合其他輔助資訊、專家系統 (expert system)、以及類神經網路(artificial neural networks)等相關技術來提昇分類精度，但卻沒有一種應用可以直接地解決由光譜差異及空間混合所產生的土地使用萃取問題。舉例來說，如影像平滑濾波器之空間濾波，主要是藉由抑制影像的空間變化，使影像中具高變異性的類別區塊更為均調，以改進分類結果（Cushnie, 1987），但是這些變異性若不是由雜訊所造成的，以平滑化的方式將之消去，反倒是浪費了影像解析度提高後所帶來的進一步資訊。

故當影像空間解析度提升到一定程度以後，類別間的差異就不再只是光譜上的不同；相對地，地表物的形狀（shape）、大小（size）、圖樣（pattern）

以及排列方向（orientation）等，都是可供分辨的空間資訊（Hay et al., 1996）。遙測影像本身即富有光譜性及空間性資訊，若能以光譜資訊結合空間資訊輔助判釋，將使判釋結果更加精確。空間後分類演算法即提供了較其他分類法簡單的方式，來處理遙測影像中土地覆蓋型態的空間變化問題。此類空間重分類技術，大多將分類程序分成兩階段：第一階段，包括標準單一像元之影像分類；第二階段，

則針對該分類結果進行不同型式之後分類空間處理程序。如陳繼藩(1993)利用土地利用數化資料，

與第一階段所產生的土地覆蓋圖相疊合，建立土地利用類別組合成分對照表，並以 3*3、5*5、7*7 等移動視窗，將視窗內所有土地覆蓋類別的組成成份與土地利用類別之組成成份相比對，以得到土地利用資訊。

另外，朱子豪(1990) 運用以物件為基礎的空間後分類，共經過五個階段進行分類，初始先以像元為主做低階判釋，如以顏色、低階組織來判釋地物，並嘗試過濾出可能的地物，而後進行區格化與空間度量之步驟，反覆累積資訊，以得到地物詳細類別，並依此提出以地物為導向之自動化判釋系統架構。

本研究則藉由以核心為基礎的空間後分類

法，探討利用高解析度衛星影像所獲得之土地覆蓋型態，推得土地利用資訊之基本解決方案。

2. 空間後分類法理論

2.1 空間排列法

以空間排列分析來判釋都市土地利用類別的概念，最早是由Wharton（1982a；1982b）所提出，

其利用標準非監督式分類演算法（unsupervised classification algorithm）產生初始之影像分割，即土地覆蓋類別，再藉由一n*n 的像元矩陣計算該區域中各土地覆蓋類別出現之頻率，以定義該矩陣中核心像元的土地利用類別。許多研究如 Gong and Howarth（1992）及 Eyton（1993）等人均做過類似以不同土地覆蓋型態發生之頻率，與已知土地使用試區的頻率相比較，進行土地利用判釋。

然而，Wharton 所計算土地覆蓋頻率之方法，

並無將各類別間的空間分佈（spatial arrangement）

條件考慮在內。以下圖 1 舉例說明，該圖中兩個 3*3 像元矩陣，每個均有 4 個被標示成『建地』的像元，若將左邊之像元矩陣區域視為工業區或商業區，其『建地』像元可能被解釋為單一的大廠房或是倉儲地點，相較之下，將右邊之像元矩陣區域視為住宅區，其『建地』像元可能被解釋為排成列狀之房舍。這兩種不同的認定，若單純地以像元矩陣區域中土地覆蓋類別發生頻率來計算，則無法區分出工業區與住宅區等不同之土地使用類別。由此可知，土地覆蓋類別發生頻率與其空間分佈的重要性。

圖 1 3*3 像元矩陣

G B B

T B B

G T G

B G G

T B G

B T B

B=建地 ; T=樹; G=草地

(3)

Barnsley(1996) 發展了一改進演算法，稱為 The SPAtial Reclassification Kernel (SPARK)，該方法透過一個方形核心，檢查每一對鄰近像元的類別關係(如圖 2)，並由分析者選擇該方形之視窗尺寸，每一對像元鄰接的類別均建立一"鄰接事件

"(adjacency event)。例如，標有「建物」的像元和

「樹」的像元相鄰接，即產生一個「建物--樹」的鄰接事件。而標註的次序並不重要，亦即，鄰接事件「樹--建物」和「建物--樹」是相同的。

圖 2 3*3 像元鄰接事件

因此，圖1 左圖中有 6 個「建物--建物」的鄰接事件，4 個「建物--草地」的鄰接事件，4 個「建物--樹」的鄰接事件，並且依此類推。相較之下，

圖1 右圖中僅有三個「建物--建物」的鄰接事件，

但是卻有6 個「建物--樹」的鄰接事件，其鄰接事件矩陣如表1 所示。

表 1 3*3 像元鄰接事件矩陣

(a) B G T (b) B G T B 6 4 4 B 3 5 6 G - 0 5 G - 3 2 T - - 1 T - - 1

決定了每個移動視窗之鄰接事件矩陣後，接著再以該鄰接事件矩陣與樣本之鄰接事件矩陣以式 1 相較，式 1 中，M 為欲分類之鄰接事件矩陣；T 為樣本之鄰接事件矩陣；N 為此矩陣之鄰接事件總數，以3*3 矩陣大小為為例，N＝20；C 為土地覆蓋類別總量。若∆k接近1 者，表示接近該樣本之類別，則將給定矩陣中心像元該樣本之類別；相對

的，若∆k接近0 者，表示與該樣本之類別不符。

∑∑

= =

− −

−

=

∆ ^C

i C

j i

kij ij

k N M T

1

2

2 ( )

5 . 0

1 (式 1)

1 0 ≤ ∆

_k

≤

(式 2) 本研究所使用的影像空間解析度為 4 公尺*4 公尺之多光譜衛星影像，並以SPARK 之演算法來探討高解析度衛星影像分類方法，以解決傳統分類法於土地使用分類系統所帶來的問題，冀對未來高解析度衛星影像分類有實質之建議。

2.2 移動視窗大小

以空間域影像處理法處理像元時，會受此像元的鄰接像元所影響，而在計算每個像元值時，需同時考量該像元周圍之影響範圍，且利用該範圍中心像元不斷移向下一個像元位置，並重覆處理，直到所有的像元均處理完畢，故該範圍常被稱為遮罩或移動視窗。

然而，移動視窗範圍大小會直接影響分類精準度，Marceau et al. (1990)在研究中指出，這個參數對於分析結果的影響約佔90%之多。實際在做分析時，若是移動視窗的大小比要分析的紋理圖樣還小時，則視窗中所包含的資訊將不足以代表此一圖樣；反之若是視窗取的過大，則可能會包含過多其他圖樣的資訊進來，影響分析結果。

研究自動化分類最大的問題在於如何決定最適當的視窗大小來量測影像區域內的資訊，從計算機觀點而言，最理想視窗大小即是能產生最高精確度之最小尺寸。在自動化分類研究中，最常用實驗結果來決定適當之視窗大小。一般來說，以像元光譜反映為基礎的分類法所用的適當視窗大小範圍由 3*3 像元矩陣到 9*9 像元矩陣大小(Jensen, 1996)，且由過去的研究中顯示，更大的視窗大小並無法增加分類精確度，還可能減少分類精確度，

但確實增加了在計算上的需求。而對於以區域為基礎的分類法來說，目前並無探討最適視窗大小之研究。本研究就以經驗及認知兩個觀點來探討決定最適視窗大小的方式。

Vertex Adjacency

events

Edge Adjacency

events

(4)

2.2.1 經驗法則

視窗大小主要用來定義樣區以及一部份遙測影像資訊的空間範圍。在空間域影像處理法中，移動視窗一般均用於數位影像分類的三步驟中，包括在分類階段前計算影像邊線及紋裡特徵(Haralick et al., 1973)、在分類期間評估鄰近像元影響程度或異質性(Swain et al., 1969; Fung and Chan, 1994)以及在後分類階段重新分類像元或移除分類後結果的"干擾" (Harris, 1985; Barnsley and Barr, 1996)。

以往不論在以像元為基礎或以區域為基礎的分類研究中，均經常使用視窗來定義周遭地區的附加空間資訊，以提昇判釋精度，但只有少數研究使用一系列視窗大小來比較分類結果(Haralick et al., 1973; Wang and He, 1990)，且大多數研究均僅探討小於9*9 像元矩陣視窗大小(Gong et al., 1992)。

2.2.2 認知法則

如果我們試圖要設計仿效人類視覺解釋的自動化分類邏輯，我們便需要研究人類在判釋上所使用的方法和其表現。最基本工作為需事先定義人類需要多少資訊或資料以正確地判釋土地使用/土地覆蓋型態，我們才能描述此資訊量以作為決定視窗大小之依據。而與視窗大小有關的問題如下所列：

1. 視窗大小和分類精確度之間的功能關係為何？

2. 人類精確地分類土地使用型態所需要的最小視窗大小為何？

3. 當視窗大小增加時，人類的判釋精確度會增加嗎？

Michael(1998)以人類判釋遙測影像過程的概念性模型來說明如何架構決定最適視窗大小的研究步驟，該模型分為三個階段：第一階段，說明人類是從灰調(tone)或顏色(color)來萃取影像基本空間資訊。第二階段，說明中間抽象類別(如建築物、

樹等) 是由第一階段的基本提示來判定，並且有可能是從原始灰調、顏色及過去其他判定類別回饋。

最後，從這些中間類別的判釋結果來決定最後分類 (如土地使用/土地覆蓋類別)。

Michael E. Hodgson(1998)指出，以像元為基礎之分類成果，小視窗(如 3*3 到 7*7 像元)有最高之分類精確度，且隨視窗大小增加而減小；而在灰階空間從屬矩陣(Haralick, 1973)及紋理光譜(Wang and He, 1990)的研究中，則建議使用較大的矩陣(如大於 20*50 像元)來進行分類，而處理高空間解析度影像學者也建議需要以較大視窗作視覺判釋，且隨視窗大小增加而分類精確度越高(Wharton, 1982a)。為了要證明該理論，Michael E. Hodgson 利用住宅、商業，和運輸等土地使用做為研究分類類別，並以100*100 像元為最大視窗尺寸；10*10 像素為最小視窗尺寸進行分類。研究結果顯示，此三個土地使用類別的分類精確度立即隨著視窗大小增加而增加，大約在 40*40 個像元大小達到飽合。

本研究同時採用經驗法則及認知法則之研究設計來探討最適視窗尺寸，以3*3、5*5、7*7、9*9、

11*11、21*21、31*31 等一系列視窗大小來評估分類結果，冀對未來高解析度衛星影像分類有實質之建議。

3. 實證成果與分析

3.1 研究試區與材料

台灣地區的土地利用型態複雜，對於建立土地利用分類與空間排列資訊應從地區性的觀點，來審視、分析每一地區的土地利用特性，本實驗採用的高解析度衛星影像，為IKONOS 衛星於民國 89 年 8 月拍攝於台中市南屯區之部分影像，此地區位處新、舊開發並存之都市計畫地區，同時包含了住宅區、商業區、農業區等多種分區，其都市環境介於鄉村與都市之交界，為空間後分類最佳之示範地區。地面控制點選取考量需符合：(1)控制點須均勻分佈；(2)控制點位置須具明銳性；(3)控制點數目須足夠等基本因素，以提高校正之量測精度。經過本研究利用台中市 1/1000 地形圖、航空照片為選擇地面控制點及影像幾何校正之參考資料，所採

(5)

用 30 點控制點與 33 點檢核點，以多項式糾正法 (Polynomial Transformation)進行幾何校正，以及最鄰近指定法(Nearest Neighbor Assignment，NN)及重新取樣處理(Resampling)。

3.2 研究流程

本研究分為二個分析階段：首先，藉由高解析度衛星影像之光譜資訊，以高斯最大蓋似法萃取土地覆蓋類別；第二階段，利用空間後分類法從土地覆蓋推得土地利用資訊，冀有效解決傳統分類法對高解析度衛星影像進行分類時之困難，且能建立都市土地利用之判釋機制，對於土地利用問題提供具即時性、高精度之土地利用現況資訊，以促進有規律的土地利用。故本研究分別對第一階段之土地覆蓋分類以及第二階段之空間後分類法作一實驗及

成果探討，以分析此都市土地利用判釋機制之適用性。研究設計流程如圖3 所示。

3.3 土地覆蓋 (landcover) 分類成果

空間後分類所要進行第一階段為產生土地覆蓋分類圖，本研究參酌國內外所定分類系統條件 (Jensen, 1996)、土地利用與土地覆蓋之概念、及分類系統所需注意之事項，依實證地區當地環境的特性與社會經濟背景，予以訂定實證地區7 項土地覆蓋類別包括：小型結構物、大型結構物、林地、作物、草地、裸露地、以及水體。小型結構物相對應於道路、一般住宅型建物等；大型結構物則相對於工廠廠房、倉庫等建物。

圖 3 研究設計流程圖

原始影像

影像前處理

校正後影像

選取土地覆蓋訓練樣區

獲取土地覆蓋光譜資訊

統計分析

合併訓練樣區

求得各波段之平均數、標準差、...、

最大最小等統計值訓練樣區合併

檢定通過不通過

刪除訓練樣區

監督式分類

土地覆蓋成果影像精準度評估

通過不通過

選取土地利用訓練樣區 (3*3~31*31)

獲取土地覆蓋光譜資訊 (3*3~31*31)

訓練樣本相似度檢定

不通過

空間後分類 (3*3~31*31)

通過

精準度評估

土地利用成果影像 (3*3~31*31)

NDVI影像選取土地覆蓋

訓練樣區

土地利用成果影像監督式分類

...

通過

(6)

藉由相關地表現況資料（包含台中市 1/1000 地形圖、航空照片及現地調查等地真資料）之輔助，針對影像上一些具代表性並確定其覆蓋型態類屬的位置，定義影像分類之”判讀關鍵”（即”訓練樣區”），其目的在為每一種地物類別定義其數值化之光譜形式，劃設判釋分析所須之訓練樣區。並根據樣本地區之群體光譜之平均值、變異數與峰度等統計值加以檢定，以求取各類別之光譜特徵值。

通過相關檢定後，隨後進入分類階段，依其光

譜特徵計算結果對全影像各像元進行空間群落分析，以標示每一個未知像元成為最近似之類別，待全部資料組均分類完畢，進行整體分類結果精準度評估，若整體之分類精準度不足，則需重複訓練資料取樣階段，直至分類精準度達一定之標準方止。

最後，再於輸出階段進行整合並製作分類成果主題圖。經由監督式分類方法的運用，得到實證區土地覆蓋分類結果如圖4 (a)，圖 4 (b)為研究區原始影像。

表 2 誤差矩陣、使用者與生產者準確度評估表(土地覆蓋類別) 土地覆

蓋類別小結構物大結構物裸露地水體草地林地作物總計使用者準確度

小結構物 108 0 4 1 0 0 1 114 94.74%

大結構物 3 22 5 0 0 0 0 30 73.33%

裸露地 3 0 31 0 0 0 0 34 91.18%

水體 0 0 0 29 0 0 1 30 96.67%

草地 0 0 0 0 48 0 0 48 100.00%

林地 0 0 0 0 1 34 1 36 94.44%

作物 0 0 0 0 6 0 59 65 90.77%

總計 114 22 40 30 55 34 62 357 - 生產者

準確度 94.74% 100.00% 77.50% 96.67% 87.27% 100.00% 95.16% - -

總體準確度 92.72% Kappa 統計值 0.9104

表2 顯示本研究第一階段土地覆蓋分類之誤差矩陣、生產者精度與使用者精度評估(Cogalton, 1999)。透過參考完整的地真資料以及重複訓練資

料挑選，運用監督式分類方法，本研究得到總體精確度92.72%、Kappa 值為 0.9104 之實證區土地覆蓋分類結果，提供做為第二階段空間後分類之資料來源。

(

(a) (b)

圖 4 (a)土地覆蓋分類結果圖 (b)實證區原始影像

(7)

3.4 空間後分類成果

本研究依實證地區之地理、人文特性將土地使用(land use)類別分為八項，包括：低密度住宅區、

中密度住宅區、工業區、耕地、牧草地、林地、裸露空地、以及水體等。其中，低密度住宅區與中密度住宅區之區別較顯主觀，本研究廣泛地將中密度住宅區定義為集合式、或透天式住宅配合少量開放空間之綠地為主；而低密度住宅區定義為透天式、

或別墅式住宅配合較大量之開放空間之綠地為主。

為進一步探討高解析度衛星影像判釋之最適視窗大小選定，本研究加入經驗法則常探討之視窗尺寸，即以小於 9*9 像元矩陣視窗大小進行後分類，並選定土地覆蓋較複雜、細碎之實驗區，針對 3*3、5*5、7*7、9*9、11*11、21*21、31*31 等一系列視窗大小來比較分類結果。首先針對8 項土地使用類別各別設計各視窗之樣本矩陣，也就是說，

針對每一項土地使用類別選取多個樣本點，每一樣本點均有7 種大小(3*3 像元到 31*31 像元)的相鄰事件矩陣。

3.4.1 土地利用訓練樣本評估

訓練的目的在於定義影像判釋之基準樣本，利用特定之決策法則，可根據這些樣本將影像的未知像元判釋為某一類別，而訓練樣本之優劣，乃是分類成果精準度之關鍵。故本研究於空間後分類階段對於訓練樣區選取、評選以及分離度檢定，如同土地覆蓋分類階段般嚴格。

為了評估訓練樣本之分離度，本研究在決定了每一矩陣範圍之土地利用類別訓練樣本後，隨即定義每一樣本視窗之鄰接事件矩陣，接著再以該鄰接事件矩陣與其他樣本之鄰接事件矩陣以式 1 兩兩相較。若∆k接近1 者，表示兩樣本之分離度極低，

即兩樣本具高相似性，若兩樣本非屬同一土地利用類別，則將考慮是否剔除該樣本；相對地，若 ∆k

接近0 者，表示兩樣本之分離度高。以下圖 5 舉例說明，該圖兩個3*3 像元矩陣中，若將左邊之像元矩陣區域視為工業區訓練樣本，右邊之像元矩陣區

域視為水體訓練樣本，並決定兩視窗之鄰接事件矩陣後，接著再以該鄰接事件矩陣與樣本之鄰接事件矩陣以式1 相較，計算出 ∆k約為0.17，接近於 0，

表示兩樣本之分離度高。以此類推，針對不同視窗大小進行17 個樣本兩兩相較。

圖 5 3*3 土地利用訓練樣本評估範例各訓練樣本實際結果，除了低密度住宅區與中密度住宅區樣本之外，大部分樣本間相似度均很低，這表示大多數樣本表現出具有不同土地覆蓋等空間混合之特性，即各土地利用類別是由不同土地覆蓋類別所組成，且不同之土地利用類別其組成成分之比例均不相同。隨著視窗尺寸增大，部分工業區樣本會與低密度住宅區、中密度住宅區樣本越趨相似，水體樣本會與低密度住宅區、牧草地、林地之樣本相似，牧草地樣本會與林地之樣本相似，原因可能為這些土地利用之範圍並不大，以大視窗尺寸進行分類時，容易與鄰近土地利用類別均化，降低判釋精準度。

然而，本例中低密度住宅區、中密度住宅區兩樣本不論在何種矩陣大小範圍中，其相似度很高 (∆k > 0.77)，無法進一步分離其差異。

3.4.2 空間後分類成果

決定8 項土地使用類別之樣本矩陣後，即可利用各種視窗大小之樣本矩陣對分類後之土地覆蓋成果進行空間後分類，視窗內相鄰事件矩陣一一與每一相同視窗大小之樣本點的相鄰事件矩陣進行比較，並選取最接近樣本類別，做為新像元的類別，依此類推，直到整張影像分析完畢為止，分類結果如圖6 所示。

2 2 2

5 2 5

4 4 4

4 5 4

2=大型結構物 ; 4=水體; 5=草地

(8)

3*3 矩陣大小 5*5 矩陣大小 7*7 矩陣大小

9*9 矩陣大小 11*11 矩陣大小 21*21 矩陣大小

31*31 矩陣大小

圖 6 不同視窗大小之空間後分類成果圖

本階段以 357 個像元依所分類之類別個數等比例選取樣本點，作為整個研究區各土地利用類別精準度評估之參考。表 3~表 9 顯示各視窗大小分類後之誤差矩陣、整體精度、Kappa 指標。由下列表格分析結果顯示，11*11 之視窗矩陣大小，其土地利用分類整體精度可達 89.64%，Kappa 指標 0.8630，越大的視窗矩陣則出現較嚴重之均化現象。

雖然本研究進行空間後分類前已檢視過各土地利用類別訓練樣本之分離度，且大部分樣本間相

似度均很低(<0.38)，證明樣本間並無重疊，但為了進一步確認影像中每個像元均歸屬到相似度極高的類別，亦即像元不會因沒有適當之訓練樣本仍歸屬到不適當的類別，本研究統計分類後各像元之

∆

k值，如圖7 所示，百分之 99 以上的像元其

∆

_k

值大於0.5，且接近百分之 60 以上的像元其

∆

_k值大於0.75，這表示絕大部分的像元均分配至適當的土地利用類別。

(9)

表 3 3*3 土地利用類別誤差矩陣、使用者與生產者準確度、總體準確度、Kappa 統計值土地利用類別低密度

住宅區中密度

住宅區工業區耕地牧草地林地裸露

空地水體總計使用者精確度低密度住宅區 27 3 0 13 0 0 1 5 49 55.10%

中密度住宅區 39 29 1 3 3 0 0 2 77 37.66%

工業區 30 3 3 6 7 0 1 3 53 5.66%

耕地 9 0 1 40 0 0 0 2 52 76.92%

牧草地 22 0 0 2 8 0 2 1 35 22.86%

林地 9 1 0 5 1 6 0 9 31 19.35%

裸露空地 14 1 0 0 2 0 9 4 30 30.00%

水體 2 0 0 1 2 4 0 21 30 70.00%

總計 152 37 5 70 23 10 13 47 357 - 生產者精確度 17.76% 78.38% 60.00% 57.14% 34.78% 60.00% 69.23% 44.68% - -

住宅區中密度

中密度住宅區 25 21 1 2 0 0 0 0 49 42.86%

工業區 3 0 2 0 0 0 0 0 5 40.00%

耕地 6 0 0 49 0 0 0 4 59 83.05%

牧草地 15 0 0 1 14 0 2 4 36 38.89%

林地 8 0 0 3 3 8 0 12 34 23.53%

裸露空地 4 0 0 0 2 0 7 2 15 46.67%

水體 2 0 0 1 1 2 0 18 24 75.00%

總計 154 35 4 71 23 10 12 47 357 - 生產者精確度 59.09% 60.00% 50.00% 69.01% 60.87% 80.00% 58.33% 38.30% - -

住宅區中密度

中密度住宅區 16 21 0 0 0 0 0 0 37 56.76%

工業區 1 0 2 0 0 0 0 0 3 66.67%

耕地 5 0 0 52 0 0 0 4 61 85.25%

牧草地 12 0 0 0 16 0 0 5 33 48.48%

林地 3 0 0 2 1 6 0 9 21 28.57%

裸露空地 2 0 0 0 1 0 7 0 10 70.00%

水體 6 0 0 3 2 4 0 28 43 65.12%

總計 154 34 4 70 22 10 11 48 357 - 生產者精確度 70.78% 61.76% 50.00% 74.29% 72.73% 60.00% 63.64% 58.33% - -

(10)

住宅區中密度

中密度住宅區 11 28 0 0 0 0 0 0 39 71.79%

工業區 1 0 3 0 0 0 0 0 4 75.00%

耕地 2 0 0 59 0 0 0 2 63 93.65%

牧草地 6 0 0 1 16 0 0 1 24 66.67%

林地 0 0 0 0 1 9 0 5 15 60.00%

裸露空地 1 0 0 0 0 0 7 0 8 87.50%

水體 8 0 0 5 3 1 0 38 55 69.09%

總計 152 35 4 70 22 10 11 47 357 - 生產者精確度 80.92% 80.00% 75.00% 84.29% 72.73% 90.00% 63.64% 80.85% - -

住宅區中密度

空地水體總計使用者精確度低密度住宅區 133 4 1 0 1 0 4 0 143 93.01 中密度住宅區 12 30 1 0 0 0 0 0 43 69.77%

工業區 0 0 2 0 0 0 0 0 2 100.00%

耕地 0 0 0 66 1 0 0 2 69 95.65%

牧草地 0 0 0 0 19 0 0 0 19 100.00%

林地 0 0 0 0 0 9 0 0 9 100.00%

裸露空地 0 0 0 0 0 0 7 0 7 100.00%

水體 5 0 0 4 1 1 0 45 56 80.36%

總計 150 34 4 70 22 10 11 47 357 - 生產者精確度 88.67% 88.24% 50.00% 94.29% 86.36% 90.00% 63.64% 95.74% - -

住宅區中密度

中密度住宅區 9 10 0 2 0 0 0 0 21 47.62%

工業區 0 0 0 0 0 0 0 2 2 0.00%

耕地 24 1 1 47 1 5 0 15 94 50.00%

牧草地 10 4 0 0 2 0 0 1 17 11.76%

林地 0 0 0 0 0 0 0 0 0 --- 裸露空地 6 0 0 0 0 0 0 0 6 0.00%

水體 6 0 0 2 1 0 0 4 13 30.77%

總計 140 34 3 68 16 9 11 46 357 - 生產者精確度 60.71% 29.41% 0.00% 69.12% 12.50% --- 0.00% 8.70% - -

(11)

表 9 31*31 土地利用類別誤差矩陣、使用者與生產者準確度、總體準確度、Kappa 統計值土地利

用類別

低密度住宅區

中密度

空地水體總計使用者精確度低密度

住宅區 81 27 2 44 11 7 11 30 213 38.03%

中密度

住宅區 12 2 0 2 0 0 0 0 16 12.50%

工業區 0 0 0 0 0 0 0 0 0 ---

耕地 25 1 1 21 1 2 0 14 65 32.31%

牧草地 10 0 0 0 2 0 0 0 12 16.67%

林地 0 0 0 0 0 0 0 0 0 ---

裸露空

地 1 1 0 0 0 0 0 0 2 0.00%

水體 1 0 0 0 0 0 0 0 1 0.00%

總計 130 31 3 67 14 9 11 44 357 - 生產者

精確度 62.31% 6.45% --- 31.34% 14.29% --- 0.00% 0.00% - - 總體準確度 43.14% Kappa 統計值 0.2154

圖7 分類相似度累計百分比

4. 結論

為促進有規律的都市土地利用，必須充分掌握即時之土地相關資訊。但由於傳統以單一像元為基礎之分類演算法，僅依據影像之光譜反映特徵，來賦予每一像元之類別，並沒有考慮其與鄰近像元間光譜反映之關係，故無法處理具高度空間變化之高解析度影像。

本研究利用以核心為基礎之空間後分類法，在土地使用較複雜及破碎之都市地區，第一階段以高斯最大概似法進行高解析度衛星影像之土地覆蓋 (land cover)分類，獲得整體精度 92.72%、Kappa

指標 0.9104；第二階段，則針對土地覆蓋分類結果，應用空間資訊輔助，進行空間後分類處理，同時，因空間域影像處理法所處理之像元結果會受此像元的鄰接像元影響，且移動視窗範圍大小會直接影響分類精準度，本研究亦利用經驗法則及認知法則設計一系列之視窗矩陣，進行不同視窗大小之空間後處理，以探討進行整體分類時所需最佳視窗大小。分析結果發現11*11 的視窗矩陣，其土地利用分類整體精度可達 89.64%，Kappa 指標 0.8630；

這代表在此種解析度之遙測影像，以11*11 的視窗矩陣來進行空間排列分析，除可涵蓋本研究範圍大部分類別的空間變化，且可將大視窗矩陣平滑化的程度減至最小，對於未來自動化影像分類研究，亦提供探討個別土地使用類別最適視窗矩陣之參考。

參考文獻

朱子豪，1990，「以地物為導向之影像自動化判釋」，遙感探測，15：77-96。

陳繼藩，1993，「衛星影像多光譜土地分類：土地覆蓋自動轉化土地利用之探討」，國科會成果

0 . 4 0 . 5 0 .6 0 .7 0 .8 0 . 9 1

0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0

∆k 累

計百分比

(12)

報告。

Barnsley, M.J., and Barr, S.L., 1996, “Inferring Urban Land Use from Satellite Sensor Images Using Kernel-Based Spatial Reclassification”, Photogrammetric Engineering and Remote sensing, vol. 62, no. 8, pp.949-958.

Chetty, P.R.K., 1991. Satellite Technology and Its Applications, Blue Ridge Summit, PA: Tab Professional and Reference Books.

Congalton, R.G., 1999. “Assessing the accuracy of remotely sensed data : principles and practices”, Lewis Publication.

Cushnie, J.L., 1987. “The interactive effect of spatial resolution and degree of iternal variability within land-cover types on spatial classification accuracies”, International Journal of Remote Sensing vol. 8, no. 1, pp.15-29.

Eyton, J.R., 1993, “Urban land use classification and modeling using cover-type frequencies, Applied Geography, vol. 13, pp.111-121.

Forster, B.C., 1958, “An examination of some problems and solutions in monitering urban areas from satellite platforms”, International Journal of Remote Sensing, 6:139-151.

Fung, T., and K. Chan, 1994, “Spatial composition of spectral classes:a structural approach for image analysis of heterogeneous land-use and land-cover types”, Photogrammetric Engineering and Remote sensing, vol.60, no. 2, pp.173-180.

Gong, P., and Howarth, 1990. “The use of structural information for improving land-cover classification accuracies at the rural-urban fringe”, Photogrammetric Engineering and Remote Sensing, vol.56, no. 1, pp.67-73.

Gong, P., and Howarth, 1992. “Frequency-based contextual classification and gray-level vector reduction for land-use identification”,

Photogrammetric Engineering and Remote Sensing, vol.58, no. 2, pp.423-437.

Haralick, R.M., K. Shaunmmugam, and I. Dinstein, 1973, “Textural Features for Image Classification”, IEEE Transaction on System, Man, and Cybbernetics, vol.SMC-3, no.

6:610-621.

Harris, R., 1985, “Contextual classification post-processing of Landsat data using a probabilistic relaxation model”, International Journal of Remote Sensing, vol. 6, no. 6, pp.847-866.

Jackson, M.J., P. Carter, T.F. Smith, and W. Gardner, 1980. “Urban land mapping from remotely sensed data”, Photogrammetric Engineering and Remote sensing, vol. 46:1041-1050.

Jensen, J.R., 1996, Introductory Digital Image Processing: A Remote Sensing Perspective, Second Edition, Prentice-Hall, Englewood Cliffs, New Jersey.

Marceau, D.J., P.J. Howarth, J.-M.M. Dubois, and D.J. Gratton, 1990, “Evaluation of the Gre-Level Co-Occurrence Matrix Method for Land-Cover Classification Using SPOT Imagery”, IEEE Trans. On Geosci. And Remote Sensing, Vol. 28, No. 4, pp. 513-519.

Michael e. Hodgson, 1998, “What Size Window for Image Classification? A Cognitive Perspective”, Photogrammetric Engineering and Remote sensing, vol. 64, no. 8, pp.797-807.

Swain, P.H. and S. M. Davis, 1978: “Fundamentals of Pattern Recognition in Remote Sensing”, Remote Sensing: The Quantitative Approach, McGraw-Hill, Inc., pp.136-187.

Toll, D.L., 1985, “Effect of Landsat Thematic Mapper sensor parameters on land cover classification”, Remote Sensing of Environment, 17:129-140.

(13)

Wang, L., and D.C. He, 1990, “A New Approach for Texture Analysis”, Photogrammetric Engineering and Remote sensing, vol. 56, no. 1, pp.61-66.

Wharton, S.W., 1982a, “A contextual classification method for recognizing land use patterns in high resolution remotely-sensed data”, Pattern Recognition, 15:317-324.

Wharton, S.W., 1982b, “A context-based lad use classification algorithm for high resolution remotely sensed data”, Journal of Applied Photographic Engineering, 8:46-50.

(14)

Spatial Arrangement Algorithm Applied on Urban Land Use Identification Study

Tien-Yin Chou

¹

Ching-Yi Kuo

²

ABSTRACT

Specific satellite image spectrum can well perform automatically classification for monitoring agricultural land cover, but the obstacle for urban area land use classification application is still under research stage. The fundamental barrier is due to the fact that land use for urban area is composed by several groups of complex land cover types which reflect differently from any single land cover.

Traditional pixel based classification assign each pixel a certain land cover type from its spectrum reflectance value and through statistical analysis. The process ignores neighboring relationship between each pixel spectrum reflectance which cause the main reason for poor land use classification for urban area.

This study applied Spatial Post Classification Algorithm on high resolution satellite image for urban land use classification. The classification can be disaggregated into two stages, the first stage is standard per pixel based classification. At this stage, the land cover was identified as seven types (large construction, small construction, forest, crop, grass, bare, and water) by Gauss Maximum Likelihood method. The results showed an overall accuracy to 92.7% with 0.91 Kappa value. The second stage applied seven different window matrix sizes (3*3, 5*5, 7*7, 9*9, 11*11, 21*21, and 31*31) as post classification from first stage outcomes. The land use can then be identified as eight types (high density housing, middle density housing, industrial, farm, pasture, forest, open space, and water). The result showed an optimum window matrix size was 11*11 for complicated and fractal urban area land use type classification. This window size can well describe spatial changes of land cover through entire study area, and can minimize smooth effect from large window matrix size. The final land use classification can reach overall accuracy to 89.6% with 0.86 Kappa value.

Key Words：Reclassification; Urban Characteristic; High Resolution Satellite Image

Received Date: May 26, 2003 Revised Date: Feb. 03, 2005 Accepted Date: Feb. 15, 2005

1 Professor and Director, GIS Research Center, Fen Chia University.

2 Graduate Assistant, Department of Land Management, S Research Center, Fen Chia University.

應用空間排列法於都市土地利用判釋之研究