國立屏東科技大學森林系 碩士班研究生

航測及遙測學刊 第十六卷 第 1 期 第 11-22 民國 100 年 03 月 11

Journal of Photogrammetry and Remote Sensing Volume16, No.1,March 2011, pp.11-22

1

國立屏東科技大學生物資源研究所 博士班研究生 收到日期:民國 100 年 04 月 08 日

2

國立屏東科技大學森林系 教授 修改日期:民國 100 年 05 月 25 日

3

國立屏東科技大學熱帶農業暨國際合作學系 碩士班研究生 接受日期:民國 100 年 07 月 21 日

4

國立屏東科技大學森林系 碩士班研究生

5

農林航空測量所調查課 課長

6

實踐大學觀光管理學系 副教授

＊

通訊作者, 電話:

886-8-7703202 ext. 7147 , E-mail: [email protected]

以變遷偵測技術探討高解析力數值航攝影像 於森林火災自動製圖之應用

謝依達 ¹ 鍾玉龍 ² 廖晟淞 ³ 余曜光 ⁴ 鄧國禎 ⁵ 吳守從 ^6*

摘 要

台灣全島面積一半以上為國有林地，若發生森林火災，往往造成生態環境之損害，因此快速的森林 火災製圖，便成為一項十分重要之工作。本研究以2009 年大埔事業區所發生的森林火災為研究對象，以 Z/I DMC（Digital Mapping Camera）數值航攝影像為材料，探討火災區域自動化製圖之可行性。具體方式 係採用NDVI 影像差值法(NDVI differencing)、光譜變化向量分析法(spectral change vector analysis, SCVA)、

主成份分析法(principal components analysis, PCA)三種變遷偵測技術，分別結合反覆自我組織分析技術 (iterative self-organizing data analysis technique, ISODATA)非監督分類方法進行受災區域分類，除針對高解 析航攝影像特性逐步去除雜訊外，並探討各偵測技術結合非監督分類之差異性，藉以建立高解析航攝影 像於火災區位自動製圖之適當處理流程。研究結果顯示，各種影像增揚處理方式皆能有效突顯火災區域 之特徵，然而搭配ISODATA 非監督分類法，區分火災受災與非受災區域時，會受到增揚影像的數值分布 所影響；在研究中，增揚影像的數值分布以單波峰偏斜分布，似乎較適合ISODATA 區分兩類。經陰影濾 除、形態學處理後皆可提升分類總體精確度，降低誤差。整體而言，以NDVI 影像差值法搭配陰影去除、

形態學後處理之精度最佳，總體精度達91.93%，且自動化程度高，本研究的森林火災自動製圖技術可供 相關單位應用。

關鍵詞：林火製圖、空載多光譜影像、變遷偵測、非監督分類

1. 前言

台灣全島面積一半以上為國有林地，係以國土 保安為主要經營目標，若發生森林火災，往往造成 生態環境之損害，並嚴重威脅國土保安目標的達成 (黃清吟、林朝欽，2005)。因此，迅速掌握森林火 災受災狀況，同時快速製圖以俾進行災後的環境監 測與經營管理，便成為一項十分重要之工作。往昔 國內對火災區位之界定，通常透過航空照片立體觀 察與人工數化取得圖層資訊，所得之圖資精度雖高，

但較費力且耗時，如能利用航遙測影像配合數值分

析增進火災災區製圖之自動化，相對而言就成為一 項較具效率且客觀的方式。然回顧前人研究，航遙 測技術於火災區位之製圖，多集中在使用低、中解 析度多光譜衛星資料，如利用National Oceanic and Atmospheric Administration/Advanced Very High Resolution Radiometer (NOAA/AVHRR) (Kasischke et al.,1993; Remmel and Perera, 2001) 、 SPOT-VEGETATION (Fraser et al., 2000)、Moderate Resolution Imaging Spectroradiometer (MODIS) (Zhan et al., 2000; Wang et al., 2008)、SPOT XS (林 朝欽等，2005；Fox et al., 2008)、Landsat (Richards,

1984; Ga 2001; Mi 然上述衛 其解析力 災細節。

之高解析 析力可達 行政院農 稱農航所 DMC (Di 代傳統的 攝影像除 光譜資訊 值分析的 區製圖與 火災 比較不同 所 採 用 differenci differenci Fox et compone 1999; Ga 法(spectr al., 2000;

陳可薰，

法、參照影 Chen et a 等方式設 受災區域 (unsuperv 覆 蓋 訊 息 self-organ 需給定欲 譜中心的 心值，如滿 分類(Tou 域自動化 綜上

arcia and Case iller and Yool, 衛星之空間解析 力並無法勾勒

然回顧前人 析度數值航攝影 達10-30cm，並 農業委員會林 所)於 2006 年

igital Mapping 的RMKTOP 系 除具有高空間解 訊(紅、綠、藍 的潛力，故可如 與監測。

災製圖多以變 同時間軸間地物

的 方 法 繁 多 ing) 、 植 生 ing) (Mas, 19

al., 2008) 、 nts analysis, arcia-Haro et a ral change ve

; Garcia-Haro 2006)等均屬 影像統計值、

al., 2003；陳 設定門檻值以 域自動化製圖

vised classific 息 ， 如 反 覆

nizing data an 欲分類的數目 的初始值，同時

滿足收歛條件 u and Gonzale 化製圖相對可行 上所述，為建立

elles, 1991; G , 2002 )等進行

析力介於10m 勒出如人工數

，較少討論或 影像進行火災 並可取得多光譜 林務局農林航空 年採購 Intergr

g Camera) 數 系列相機，其 解析力(25cm 藍、近紅外光)

如光譜衛星影

遷偵測(chang 物空間變化之 多 ， 如 影 像 生 指 標 差 值

999; Garcia-H

、 主 成 份 分 PCA) (Rich al., 2001)、光

ctor analysis, o et al., 2001;

屬之，然上述 訓練樣本統計 陳可薰，2006

區分變遷與非 圖相對困難；

cation)可分類 自 我 組 織 分 nalysis techniq

，分類器將自 時反覆疊代運 件即可將影像 ez, 1974)，因

行。

立國內高精度

Garcia-Haro et 行相關議題探 m 至 1Km 之 化航空照片之 或應用已日漸成 災製圖，其空間 譜資訊。在國內 空測量所(以下 raph Z/I Ima 數值航攝相機 其所拍攝之數值

m)外，亦可記錄 )，提供了影像 影像般進行火災

ge detection)進 之情形，變遷偵 像 差 值 法(im

值 法 (vegeta Haro et al., 2 分 析 法(princ

ards, 1984; M 光譜變化向量分 SCVA) (Zha

Chen et al., 2 述方法須藉由試

計值(Singh, 1

；鄧淑萍，2 非變遷區域，使

而非監督分類 類影像並提取地 分 析 技 術(itera

que, ISODATA 自動指定各類別 運算以修正光譜 像依群集特性自 因此應用於受災

度森林火災自動 t al., 探討，

之間，

之火 成熟 間解 內，

下簡 aging

，取 值航 錄多 像數 災災

進行，

偵測 mage

ation 2001;

cipal Mas, 分析 an et 2003；

試誤 989;

010) 使得 類法 地表 ative A)僅 別光 譜中 自動 災區

動製

圖技 DM 製圖 結合 像特 討各 高解 流程

2.

處所 200 勢才 地形 確認 林。

技術，以取代 MC 數值航攝影

圖之可行性，具 合非監督分類 特性逐步去除 各偵測技術結 解析航攝影像 程。

2.

1 研究區

研究區位於 所轄管的大埔 09 年 1 月 12 才撲滅，因此 形陡峭，經比對 認主要林型類

。

圖

代傳統數化方式 影像為材料，

具體方式係採 類方法進行之 除變遷分析產生 結合非監督分類 像於火災區位

材料與

區域概述

於嘉義縣境內 埔事業區第22

日發生森林火 此以該地點為分 對土地利用相 類別為草生地、

圖1 研究區位

式。本研究以

，探討火災區 採用多種變遷

，除針對高解 生之誤差與雜 類之差異性，

位自動製圖之

與方法

述

，林務局嘉義 27、228 林班 火災，至1 月 分析樣區(圖 相關圖層及現

、麻竹林及闊

位置圖

以兩期 Z/I 區域自動化 遷偵測技術 解析航攝影 雜訊，並探 藉以建立 適當處理

義林區管理 班，本區於 月14 日火 1)。本區 現場勘查後，

闊葉樹混淆

謝依達、鍾玉龍、廖晟淞、余曜光、鄧國禎、 吳守從：以變遷偵測技術探討高解析力數值航攝影像

13

於森林火災自動製圖之應用

2.2 研究材料

為 探 究 火 災 發 生 前 後 之 變 遷 狀 況 ， 採 用 Intergraph 公司 Z/I Imaging DMC 航照數位相機所 拍攝之兩期航照數值多光譜影像為材料。兩期影像 拍攝日期分別為 2007 年 10 月 25 日與 2009 年 3 月 5 日 ， 由 農 航 所 拍 攝 ， 並 完 成 正 射 糾 正

（ Ortho-Rectification ） 以 建 立 正 射 影 像

（Ortho-Image）。正射影像的空間解析力為25cm，

可提供詳細的地表特徵，正射影像包含四個多光譜 波段，波譜特性示如表1。

表1 Z/I Imaging DMC 航照數值多光譜影像之波譜 特性

Band Wavelength (nm) Red 590 – 675

Green 500 – 650 Blue 400 – 580 Near-infrared 675 – 850

2.3 研究方法

依據前述研究目的，本研究之流程如圖2 所示，

相關步驟與程序分述如下：

2.3.1 影像前處理 2.3.1.1 影像幾何校正

機載感測器會導入飛機的翻滾、俯仰、偏航而 引入非系統性的畸變，進而造成幾何誤差；而本研 究所採用兩期影像之飛航狀況不同，在幾何上的誤 差也會影響變遷分析成果，故兩期影像間需有較高 的對位精度。影像對位以災後為參考影像(reference image)，並視災前影像為欲校正影像，以平均分布 原則選取兩影像間相同地物之點位為地面控制點 (ground control points, GCP)，並採用三階多項式轉 換模式(3-order polynomial)進行幾何校正，同時評 估其均方根誤差(root mean square error, RMSE) (式 1)。

2

2 ( )

)

( _{r i r i}

error x x y y

RMS     (1) 式中xi、yi為地面控制點在原影像之x、y 座標；xr、 yr是對應於相對應多項式所計算的控制點 x、y 座 標。

將RMSE 誤差較大之 GCP 去除，並以最近相 鄰 法(nearest neighbor) 進 行 重 新 取 樣 ， 直 到 其 RMSE 值控制在 0.5 個像元以內(<0.125m)。

2.3.1.2 影像相對輻射校正

由於不同時期所拍攝之影像，其反射值會受到 大氣輻射、地形效應、地被植物生長特性、林冠表 層反射特性與太陽入射角、高度角、觀測角所影響，

進而產生偏差量，故本研究為減低不同時期拍攝影 像反射值之差異狀況，並減少上述因子之干擾，乃 進行兩期影像之相對輻射糾正(relative radiometric normalization)。

具體方式係利用人工判釋，選取偽不變特徵 (pseudo-invariant features, PIFs)當成輻射地面控制 點，本研究共計挑選300 個不易隨時間改變之地物 (如建築物、道路…等)作為樣點；其次以雲霧較少、

品質較佳之災後影像(2009/03/05)為參考影像，並 藉線性迴歸分析(regression analysis)推導兩期影像 於各波段之迴歸式；最後將欲校正之災前影像  

圖2 研究流程圖

(2007/10/25)代入所求得之迴歸式中，即可將兩影 像間的輻射偏差量降低(Schott et al., 1988；鍾玉龍 等，2006)。

2.3.2 陰影偵測

高空間解析力的航攝影像會受地形或太陽角 度影響而產生許多陰影。此等陰影在兩期影像中會 被偵測為變遷地物，然由於前後期影像陰影區位並 不相同，因此會造成分析上極大之誤差，故應先行 加以濾除。具體方法乃以亮度值法(brightness)進行 陰影區域偵測，並將影像分為陰影區域及非陰影區 域(式 2)。

4

NIR BLUE GREEN

BrightnessRED  

(2) Brightness 為亮度值，RED 為紅光波段，GREEN 為綠光波段，BLUE 為藍光波段，NIR 為近紅光波 段。

由於陰影與非陰影區域之亮度值會呈現雙峰 分 布 ， 因 此 能 利 用 雙 峰 直 方 圖 分 裂 法(bimodal histogram splitting method)判斷陰影與非陰影區域 之亮度值門檻(Zhou et al., 2009)。本研究之門檻值 採用兩波峰間波谷之值，並透過 Arc GIS 9.2 的 Reclassify 工具進行實際調整；門檻值決定後，將 偵測區域之網格資料轉化為向量資料，以製作陰影 遮罩(shadow mask) 濾除影像陰影區域。

2.3.3 火災區位萃取

針對火災區位之萃取，本研究採用常態化差異 植生指標差值(dNDVI)、主成份分析法、光譜變化 向量分析(spectral change vector analysis, SCVA)等 三種方式進行影像資料增揚；而後再以ISODATA 將上述增揚之影像進行非監督分類，以俾將火災區 位分出；最後利用陰影遮罩將陰影區域濾除，並比 較各處理之分類成果。

2.3.3.1 常態化差異植生指標差值法

常態化差異植生指標(NDVI)為近紅外光與紅 光組合之公式(Rouse et al., 1974) (式 3)，本研究將

前期 NDVI 影像(NDVIpre)減去後期 NDVI 影像 (NDVIpost)，可取得 NDVI 差值影像(dNDVI) (式 4)。

當dNDVI 為正值時，代表綠色植物覆蓋率減少；

為負值時，代表綠色植物覆蓋率增加，透過dNDVI 影像可了解火災前後植生之變化情形，並利後續分 類影像。

RED NIR

RED NDVI NIR



  (3)

post pre NDVI NDVI

dNDVI  (4) 式中NIR 代表近紅外光波段，RED 代表紅光波段，

NDVIpre為前期NDVI 影像，NDVIpost為後期NDVI 影像，dNDVI 為差異值。

2.3.3.2 光譜變化向量分析

當地物在兩時間點內發生變化或受到擾動時，

其光譜也會跟著變化。刻劃兩個時間變化方向與大 小的向量稱為光譜變化向量(Jensen, 1996)，像元總 變化幅度由通過 n 維變化空間中兩個端點之間的 歐基里得距離決定(式 5)，本研究計算兩期影像不 同波段光譜值的變化情形，並以其作為後續分析之 材料。



_RED

 

² _GREEN

 

² _BLUE

 

² _NIR



²

pixel

CM         (5)

式中CMpixel為像元總變化幅度，△_RED、△_GREEN、

△_BLUE、△_NIR分別為兩期影像間紅、綠、藍、近紅 外光值之變化，如△_RED=災前紅光-災後紅光。

2.3.3.3 主成份分析法

此法係將原始影像的光譜特徵空間(spectral feature space)轉換到新的主軸特徵空間上，故可有 效去除影像中高相關波段的多餘光譜資訊(spectral redundancy)。以主軸轉換分析法進行變遷偵測，首 先需將災害前後兩期影像(各 4 波段)合成一幅 8 波 段影像數據集；而後再進行PCA 計算，將資料轉 換成數個獨立不相關的主成份，並產生特徵軸影像；

最後逐一檢視各特徵軸影像，找出能突顯火災變遷 資訊之特徵軸，以作為後續分類之影像。

經計算主軸轉換的累積特徵值，其第一軸佔 62.49%之解釋量，累積至第四軸即達 98.68%之解

謝

釋量，故 同轉軸之 最多的森 PC-3, PC 故本研究 3)。

Axis PC-1 PC-2 PC-3 PC-4 PC-5 PC-6 PC-7 PC-8

圖3 經由 像；

第四 軸影

2.3.3.4

前述 位之特徵 位自動萃 採 6 次 threshold ISODAT

2.3.3.

變遷 影響，導 變遷偵測

謝依達、鍾玉龍

故本研究以前 之影像可呈現 森林特徵(不變 C-4)則突顯變遷 究採用此三個

表2 各主 Eigenvalue

7204.65 2650.72 1166.90 354.55

78.38 36.88 23.70 13.74

由PCA 轉換後

；(b)第二主軸 四主軸影像；

影像；(g)第七

4 ISODATA

述三類影像之備 徵，以利影像分 萃出，本研究採 次 疊 代 演 算 ，

d)將受災區與 A 門檻值與影

5 影像後處

遷偵測所產生 導致偵測錯誤

測，並評估陰影

龍、廖晟淞、余

4 軸影像進行 不同特徵，如 變地物)，第二

遷區域特徵(

個主軸分別進

主軸特徵值比 Eigenvalue(%

62.49 22.99 10.12 3.08 0.68 0.32 0.21 0.12

後之主軸影像 軸影像；(c)第

(e)第五主軸 七主軸影像；

門檻值

備製，主要目 分類之執行。

採用ISODAT 0.95 收 斂 門 與非受災區加

影像中的統計

處理

之火災區位，

，故將陰影區 影對變遷偵測

余曜光、鄧國禎 於森林

行討論(表 2) 如第一軸突顯內

、三、四軸(P Richards, 198 進行後續探討

比例

%) Cumula value(%

62.49 85.48 95.60 98.68 99.36 99.68 99.88 100.0

像，(a)第一主軸 三主軸影像 軸影像；(f)第六

(h)第八主軸影

目的在增揚火災 為能夠將火災 TA 非監督分類 門 檻(converg

以分類，並分 計分布狀況。

會受到陰影區 區域濾除，以輔

測的影響。

禎、 吳守從：以 林火災自動製圖

。不 內容 PC-2,

84)，

討(圖

ative

%) 9 8 0 8 6 8 8 00

軸影

；(d) 六主 影像

災區 災區 類法，

ence 分析

區域 輔助

and 演算 影像 去除 除大 的侵 (dil 並評

2.

方式 除及 度評 (ove 使用 討分

3.

所得 符合 本研 以上 正。

Y = 5

以變遷偵測技術 圖之應用

在變遷偵測 d pepper effect 算將雜訊去除 像侵蝕(erosion 除雜訊像元之 大部份的雜訊 侵蝕，故需再

ation)運算，以 評估形態學處

3.4 準確度

利用隨機產 式檢視地物，

及形態學處理 評估(accuracy

erall accuracy 用者精度(user 分類成果之精

1 影像前

影像幾何校 得之總均方根 合分析精度(<

研究所得各迴 上(表 3)，因

。

表3 影像相

Band Re Red Y=0 Green Y=

Blue Y=

NIR Y=0 5 March 2009

術探討高解析力

測的成果中會 t)影響，故透過 除。本研究採用

n)，藉侵蝕較 之目的；經由一 訊像元，但火災

再進行一次 3 以回復被侵蝕 處理之效益。

度評估

產生之400 個檢 針對未處理、

理後的影像變 y assessment)，

y)、生產者精度 r’s accuracy)及 精度和陰影偵測

3. 結果

前處理

校正部份，共選 根誤差(total R

<0.125m)；在 迴歸式之判別 因此確能有效

相對輻射糾正各

egression mod 0.8814X+25.3

=0.918X+19.14

=1.0099X+5.52 0.9075X+22.0

image; X= 25

力數值航攝影像

會受到椒鹽效 過形態學(mo 用一次3×3 視 較小的影像物 一次的侵蝕運 災邊界像元也

3×3 視窗大小 蝕的火災災區

檢核點位，以

、陰影濾除後 變遷分析成果

，包括計算總 度(producer’s 及Kappa 指標

測成果。

果

選取12 個地面 RMSE)值為 0 在相對輻射糾 別係數(R2)皆已 效進行影像相對

各波段校正迴

del R 3823 0.9

406 0.9 296 0.99 0665 0.99 5 October 200

像

15

效應 (salt orphology) 視窗大小之 物件，達到 運算，雖去 也受到一次 小之膨脹 區邊界範圍，

以航照判釋 後、陰影濾 進行準確 總體精確度

accuracy)、

標，藉以探

面控制點，

0.0839m，

正部份，

已達 0.98 對輻射糾

迴歸式

R² 858 840 903 941 07 image.

3.2 陰影偵測

因影像前後期之陰影位置不同，會對變遷分析 造成誤差，因此需將之濾除。本研究採用亮度值進 行陰影區域之偵測，並利用雙峰直方圖分裂法設定 陰影區域與非陰影區域之門檻值。經選取兩波峰間 的波谷最低點位置為門檻，結果顯示災前與災後影 像之亮度值分別為 58、68，此偵測成果十分符合 影像陰影之實際分布位置(圖 4)。而利用混淆矩陣 計算陰影分類之精確度，結果前期影像的總體精確 度為 99.75%，Kappa 值為 0.99；後期影像的總體 精確度為99.50%，Kappa 值為 0.97(表 4)，故採用 亮度值搭配雙峰直方圖分裂法為一有效之方式，且 此法亦已成功地應用於許多前人研究中(Nagao et al., 1979; Dare, 2005; Chen et al., 2007; Zhou et al., 2009)。

3.3 火災區位萃取

3.3.1 ISODATA 門檻值

本研究以 ISODATA 針對三種變遷偵測方法 進行受災與非受災之自動分類，其中 dNDVI、

SVCA、PC-2、PC-3、PC-4 的 ISODATA 門檻值 分別為0.172、61.433、82.624、9.897、-6.737 (表 5)，

由於分類成果會受到各變遷偵測參數的數值分布 狀況所影響，因此計算偏度(Skewness)以衡量數值 隨機變量機率分布的不對稱性，比對各方法之數值 偏斜分布。其中dNDVI 的數值分布呈現單峰右偏 分布(偏度 0.962>0)；SVCA 的數值分布呈現單峰 右偏分布(偏度 1.601>0)；PC-2 的數值分布呈現三

波峰分布，偏度為-0.761<0；PC-3 呈現對稱分布，

偏度較低(-0.054<0)；PC-4 呈現微右偏分布，偏度 較低(0.256>0)(表 5)(圖 5)。

3.3.2 分類準確度評估

本研究採用三種變遷分析方法處理資料，並以 ISODATA 進行非監督性分類取得受災區域，所得 結果納入陰影濾除、影像形態學後處理(成果如圖 6)，並評估各分類精確度，各方法所得精度不同，

其中dNDVI IS、SCVA IS、PC-2 IS、PC-3 IS、PC-4 IS

的總體精確度分別為 88.5%、85.75%、82.50%、

65.25%、83.25%，其中以 dNDVI 成果較佳，而 PC-3 最差，所得精度如表6。本研究將偵測出的陰影區 域進行陰影濾除以輔助變遷偵測，並評估陰影對變 遷偵測的影響，其中dNDVI SR、SCVA SR、PC-2 SR、 PC-3 SR、PC-4 SR的總體精確度分別為 90.78%、

87.32%、86.74%、65.41%、83.00%，其中以 dNDVI 成果較佳，而PC-3 最差(表 6)。經比較後，陰影濾 除可提升變遷偵測之精度，其效益約0.2-4.2%。本 研 究 亦 利 用 形 態 學 後 處 理 以 減 少 雜 訊 ， 其 中 dNDVI SR, M、SCVA SR, M、PC-2 SR, M、PC-3 SR, M、

PC-4 SR, M的總體精確度分別為91.93%、88.76%、

86.74%、65.99%、86.46%，其中亦以 dNDVI 成果 較佳，PC-3 最差(表 6)。經比較後，形態學後處理 可提升變遷偵測之精度，其效益約 1-3%。各方法 所得之成果面積具明顯差異，影像評估面積大多高 估，根據目視比對其中以dNDVI SR, M中所得之面 積較為合理 155.57 公頃，其評估精度亦較高。亦 可注意到各處理，經由陰影濾除後可去除大部分錯 誤之面積，經形態學處理也有相同效果。

表4 陰影偵測精度表 Images Overall

Accuracy (%)

Kappa Producer’s Accuracy (PA, %) and User’s Accuracy (UA, %)

Shadow Non-shadow

PA UA PA UA

Pre-fire 99.75 0.99 97.44 100.00 100.00 80.68 Post-fire 99.50 0.97 100.00 95.45 99.44 100.00 Pre-fire with brightness threshold 58, Post-fire with brightness threshold 68

謝

圖4 陰影 災後

謝依達、鍾玉龍

影偵測成果(a 後影像(e)災後

M d

龍、廖晟淞、余

)災前影像(b) 後影像陰影偵測

圖5 各變 表 Methods Me

dNDVI 0.1 SCVA 45.

PC-2 90.

PC-3 9.5 PC-4 -1.3

余曜光、鄧國禎 於森林

)災前影像陰影 測成果(f)災後

變遷偵測方法 表5 ISODATA

ean Minimu 111 -0.77

572 0.000 512 -94.89 598 -191.3

357 -123.3

禎、 吳守從：以 林火災自動製圖

影偵測成果(c 後亮度值影像

法的直方圖分布 A 分類門檻與

um Maximu 4 0.960 0 354.47 93 186.72 34 268.17 14 162.61

以變遷偵測技術 圖之應用

c)災前亮度值 像直方圖分布與

布與ISODAT 與分類統計資訊

um ISODAT thresho 0 0.172 71 61.433 28 82.624 78 9.897 14 -6.737

術探討高解析力

值影像直方圖分 與陰影門檻值

TA 門檻值 訊

TA Skewne old

2 0.962 3 1.601 4 -0.761 7 -0.054

7 0.256

力數值航攝影像

分布與陰影門 值

ess

1 4

像

17

門檻值(d)

圖6 火災區域分類成果。(a) dNDVI 增揚影像，(b) dNDVI IS分類成果，(c) dNDVI SR分類成果，(d) dNDVI

SR ,M分類成果，(e) SCVA 增揚影像，(f) SCVA IS分類成果, (g) SCVA SR分類成果，(h) SCVA SR ,M分類

成果，(i) PC-2 增揚影像，(j) PC-2 IS分類成果，(k) PC-2 SR分類成果，(l) PC-2 SR ,M分類成果，(m) PC-3 增揚影像，(n) PC-3 IS分類成果，(o) PC-3 SR分類成果，(p) PC-3 SR ,M分類成果，(q) PC-4 增揚影像，

(r) PC-4 IS分類成果，(s) PC-4SR分類成果，(t) PC-4 SR ,M分類成果, (u) 檢核點位置。

謝依達、鍾玉龍、廖晟淞、余曜光、鄧國禎、 吳守從：以變遷偵測技術探討高解析力數值航攝影像

19

於森林火災自動製圖之應用

表6 火災變遷偵測精度評估

Methods

Overall

Accuracy (%) Fraction (F)

Kappa

Producer’s Accuracy (PA, %), User’s Accuracy (UA, %), and Fraction (F, / )

Area (ha) Unburned Burned

PA (F) UA (F) PA (F) UA (F)

dNDVI IS 88.50 (354/400) 0.76 86.18 (212/246) 94.64 (212/214) 92.21 (142/154) 80.68 (142/176) 229.03 dNDVI SR 90.78 (315/347) 0.81 90.43 (189/209) 94.03 (189/201) 91.30 (126/138) 86.30 (126/146) 192.54 dNDVI SR, M 91.93 (319/347) 0.83 93.30 (195/209) 93.30 (195/209) 89.86 (124/138) 89.86 (124/138) 155.57 SCVA IS 85.75 (343/400) 0.70 86.59 (213/246) 89.87 (213/237) 84.42 (130/154) 79.75 (130/163) 253.50 SCVA SR 87.32 (303/347) 0.74 88.04 (184/209) 90.64 (184/203) 86.23 (119/138) 82.64 (119/144) 221.11

SCVA SR, M 88.76 (308/347) 0.76 92.34 (193/209) 89.35 (193/216) 83.33 (115/138) 87.79 (115/131) 188.77

PC-2 IS 82.50 (330/400) 0.64 79.27 (195/246) 91.12 (195/214) 87.66 (135/154) 72.58 (135/186) 351.58 PC-2 SR 86.74 (301/347) 0.73 87.08 (182/209) 90.55 (182/201) 86.23 (119/138) 81.51 (119/146) 241.63

PC-2 SR, M 86.74 (301/347) 0.73 87.56 (183/209) 90.15 (183/203) 85.51 (118/138) 81.94 (118/144) 236.92

PC-3 IS 67.25 (269/400) 0.36 60.57 (149/246) 81.42 (149/183) 77.92 (120/154) 55.30 (120/217) 460.02 PC-3 SR 65.41 (227/347) 0.33 57.42 (120/209) 79.47 (120/151) 77.54 (107/138) 54.59 (107/196) 408.10

PC-3 SR, M 65.99 (229/347) 0.33 60.77 (127/209) 77.91 (127/163) 73.91 (102/138) 55.43 (102/184) 369.87

PC-4IS 83.25 (333/400) 0.65 84.15 (207/246) 88.09 (207/235) 81.82 (126/154) 76.36 (126/165) 244.87 PC-4 SR 83.00 (288/347) 0.65 81.82 (171/209) 89.06 (171/192) 84.78 (117/138) 75.48 (117/155) 228.31

PC-4 SR, M 86.46 (300/347) 0.72 88.52 (185/209) 88.94 (185/208) 83.33 (115/138) 82.73 (115/139) 178.04

IS = Include shadow, SR =Shadow remove, M =Morphology

4. 討論

未進行陰影去除與形態學處理的成果中，

dNDVI IS 之分類精度較高(88.50%)，其次依序為 SCVA IS(85.75%)、PC-4 IS (83.25%)、PC-2 IS (82.50%)，而以 PC-3 IS (67.25%)最低(表 6)。

Garcia-Haro et al. (2001)曾採用 Landsat 衛星影像，

以 dNDVI、SCVA、PCA 進行火災變遷偵測，該 研究指出dNDVI 的偵測成果較佳，因其結合相對 應時期的光譜數據進行差異比較，可直接解釋森林 火災對植被之破壞；Fox et al. (2008) 亦以 dNDVI 進行火災區位萃取，同時指出利用火災跡地反射波 譜變化，能快速而有效地取得火災區位資料。然本 研究dNDVI 之分類成果仍有部份錯誤，主要是因 部份區域災前的NDVI 值就不是很高，導致較低的 dNDVI 而發生火災變遷區域之漏授；NDVI 受地表 植生的物候(phenology)所影響，因此影像日期的選 擇十分關鍵(Rogan and Yool, 2001; Garcia-Haro et

al., 2001)，火災發生在地表植生進入衰退期後，則 災前較低的 NDVI 會使火災變遷區域較難偵測 (Eva and Lambin, 1998)，本研究的災前影像屬秋季 影像(10 月 25 日)，經由航照判釋檢核，發生錯誤 分類之區域，確實大部份發生在前期影像中較枯黃 的植被，因此部份衰退之植被對火災變遷偵測產生 一定程度之影響。

而 SCVA 可計算出地表變遷的強度，無論植 生覆蓋增減或其他土地利用變遷皆會被偵測，故其 成果亦包含非火災變遷資訊；相較於dNDVI 只擷 取植生變化，SCVA 所提供的其他土地利用變遷資 訊(如在前期影像的雲、季節變化的植被物候等)，

反而限制其對火災偵測的準確性(Garcia-Haro et al., 2001)，致使總體精度略低於 dNDVI。至於 PCA 之 分析成果中，PC-2 有許多非變遷之非植生地，顯 見其具有偵測誤差(圖 6j)，由於 PC-2 的直方圖呈 現三波峰分布，且經比對後，發現數值較高之波峰 範圍為植生資訊，中央的波峰範圍為火災變遷資訊，

至 於 數 值 較 低 之 波 峰 範 圍 則 為 非 植 生 資 訊 ； Garcia-Haro et al. (2001) 之研究指出，PC-2 對植生 綠度較為敏感，故其影像之呈現現類似NDVI 影像，

惟本研究係以ISODATA 進行自動分類，其門檻值 (82.624)以下的火災變遷與非植生資訊被偵測為同 一類，致使準確度下降。另Richards(1984)利用 PCA 進行火災偵測，認為火災變遷地物會在較低的成分 軸中被增揚，特別是PC-3 和 PC-4，而 Garcia-Haro et al. (2001)亦指出，PC-3 增揚效果較佳；比對本 研究 PC-3 和 PC-4 之增揚影像，其情況與前人研 究相符，確實較其它主軸能突顯火災特徵。然比對 分類成果，PC-3 的偵測成果較差，係因其直方圖 接近對稱分布(偏度-0.054)，使得以 ISODATA 界 定分群時，因門檻值(9.897)接近均值(9.598)而導致 約有一半之影像被定義為火災變遷，進而產生較多 的分類錯誤；至於PC-4 之直方圖呈現微右偏分布 (偏度 0.256)，因此誤授情形較少，所得總體精度 (83.25%)比 PC-2 IS (82.50%)與 PC-3 IS (67.25%)好。

事實上，各增揚方法皆可突顯火災特徵，不過 本研究之重點在於探討以ISODATA進行火災區域 自動分類之可行性，因此影像數值呈多波峰分布 (PC-2)、對稱分布(PC-3)者較不適宜；而dNDVI、

SCVA、PC-4等影像數值呈單波峰右偏分布者，似 乎較能夠自動偵測火災變遷區域，不過因PCA需自 行判別火災變遷成分之主軸，而後再納入非監督分 類，因此就自動化的程度來說，dNDVI和SCVA較 適合作為分類之材料。

在影像後處理方面，陰影濾除可提升變遷偵測 之精度，雖然因此將失去陰影區域的變遷訊息，不 過因其原本就存在不知是否變遷的不確定性，故將 之濾除可減少誤授誤差；而利用形態學後處理亦可 去除部份雜訊，增進總體精度，如後續能採用物件 基礎(object-base)的分析方式，應能大幅減低椒鹽 效應，並有效提升分類成果。

5. 結論

本研究以兩期航照數值多光譜影像為材料，首 先藉幾何糾正、相對輻射糾正處理前後期影像，而

後透過 dNDVI、SVCA、PCA 三種方式進行資料 處理，增揚火災變遷特徵，再利用ISODATA 非監 督分類法，區分火災受災與非受災區域，以達自動 製圖之目的；研究中除評估各偵測方式之分類準確 度外，並探討陰影去除與形態學處理的影響。

研究結果顯示，各種影像處理方式皆能有效突 顯火災區域之特徵，不過若以自動製圖為目的，則 以NDVI 影像差值法搭配陰影去除、形態學後處理 之精度最佳，總體精度達 91.93%。然在分析過程 中仍有許多問題有待思考與解決，例如山區影像是 否需更較高精度的幾何糾正與輻射糾正，以確保變 遷分析之準確度？像元(pixel)所導致之椒鹽效應 是否應以物件基礎的分析方式加以降低，以促進分 類成效？以及是否仍有其它非監督分類方式可以 提高分類準確度及自動化程度？凡此種種，都是後 續研究可以思考的議題，若能一一克服，將能有效 提升高解析力數值航攝影像之應用價值。

致謝

本研究承農委會林務局農林航空測量所計畫 支持，農林航空測量所提供影像，研究得以完成，

深致謝忱。

參考文獻

林朝欽、邱祈榮、周巧盈，2005。火燒嚴重度之界 定與評估：以武陵森林火災為例，台灣林業科 學 20(3): 203-213。

陳可薰，2006。改良式變異向量分析法於影像變遷 之研究，國立中央大學土木工程研究所碩士論 文，110頁。

黃清吟、林朝欽，2005。臺灣地區國有林森林火之 特性分析，中華林學季刊 38(4):449-464。

鄧淑萍，2010。假設檢定及衛星遙測影像應用於地 表覆蓋變遷偵測之研究，國立台灣大學生物資 源暨農學院森林環境暨資源學系博士論文，

122 頁。

鍾玉龍、呂明倫，2006。SPOT衛星影像於墾丁國 家公園銀合歡入侵分布之繪製，臺灣林業科學

謝依達、鍾玉龍、廖晟淞、余曜光、鄧國禎、 吳守從：以變遷偵測技術探討高解析力數值航攝影像

21

於森林火災自動製圖之應用

21(2): 167-177。

Chen, J., P. Gong, C. He, R. Pu, and P. Shi, 2003.

Land-use/land-cover change detection using improved change-vector Analysis, Photogrammetric Engineering and Remote Sensing, 69: 369-80.

Chen, Y., D. Wen, L. Jing, and P. Shi, 2007. Shadow information recovery in urban areas from very high resolution satellite imagery, International Journal of Remote Sensing 28(15): 3249-3254.

Dare, P. M., 2005. Shadow analysis in high-resolution satellite imagery of urban areas, Photogrammetric Engineering & Remote Sensing 71(2): 169-177.

Eva, H., and Lambin, E., 1998. Burnt area mapping in Central Africa using ATSR data, International Journal of Remote Sensing 19: 3473-3497.

Fox, D.M., F. Maselli, and P. Carrega, 2008. Using SPOT images and field sampling to map burn severity and vegetation factors affecting post forest fire erosion risk, Catena 75: 326-335.

Fraser, R.H., Z. Li, and R. Landry, 2000. SPOT vegetation for characterising boreal forest fires, International Journal of Remote Sensing 21:

3525-3532.

Garcia, M.J.L. and V. Caselles, 1991. Mapping burns and natural reforestation using Thematic Mapper data, Geocarto International 1: 31-37.

Garcia-Haro F. J., M. A. Gilabert, and J. Melia, 2001.

Monitoring Fire-attected Areas Using Thematic Mapper Data. International Journal of Remote Sensing, 22(4): 533-549.

Jensen, J.R., 1996. Introductory Digital Image Processing: A Remote Sensing Perspective, Second Edition, Prentice Hall, Upper Saddle River, New Jersey, 316 p.

Kasischke, E.S., N.H.F. French, P. Harrell, N.L.

Christensen Jr., S.L. Ustin, and D. Barry, 1993.

Monitoring of wildfires in Boreal Forests using large area AVHRR NDVI composite image data, Remote Sensing of Environment 45(1) 61-71.

Mas J. F., 1999. Monitoring land-cover changes: a comparison of change detection techniques, International Journal of Remote Sensing 20(1) 139-152.

Miller, J.D., and S.R. Yool, 2002. Modeling fire in semi-desert grassland/oak woodland: the spatial implications, Ecological Modelling 153:

229-245.

Nagao, M., T. Matsutyama, and Y. Ikeda, 1979.

Region extraction and shape analysis in aerial photos, Computer Graphics and Image Processing 10: 195-223.

Remmel, T.K. and A.H. Perera, 2001. Fire mapping in a northern boreal forest: assessing AVHRR/NDVI methods of change detection, Forest Ecology and Management 152(1-3):

119-129.

Richards, J.A., 1984. Thematic mapping from multitemporal image data using the principal component transformation, Remote Sensing of Environment 16 (1): 35-46.

Rogan, J., and S.R. Yool, 2001. Mapping fire-induced vegetation depletion in the Peloncillo Mountains, Arizona and New Mexico, International Journal of Remote Sensing 22(16): 3101-3121.

Rouse Jr., J., R. Haas, D.W. Deering, J. Schell, J.

Harlan, 1974. Monitoring the vernal advancement and retrogradation (Green Wave Effect) of natural vegetation, NASA/GSFC Type III Final Report, Greenbelt, MD, 371.

Schott, J.R., C. Salvaggio, and W.J. Volchok, 1988.

Radiometric scene normalization using pseudoinvariant features, Remote Sensing of Environment 26: 1-16.

Singh A., 1989. Digital change detection techniques using remotely-sensed data, International Journal of Remote Sensing 10(6): 989-1003.

Tou, J. T., and R. C. Gonzalez., 1974. Pattern Recognition Principles. Reading, Massachusetts:

Addison-Wesley Publishing Company.

Wang, L., J. J. Qu, and X. Hao, 2008. Forest fire detection using the normalized multi-band drought index (NMDI) with satellite measurements, Agr. Forest Meteorol. 148(11) 1767-1776.

Zhan, X., R. Defries, J.R.G. Townshend, C. Dimiceli, M. Hansen, C. Huang, and R. Sohlbert, 2000.

The 250m global land cover change product from the Moderate Resolution Imaging Spectroradiometer of NASA’s Earth Observing System, International Journal of Remote Sensing 21: 1433-1460.

Zhou, W., G. Huang, A. Troy, and M.L. Cadenasso, 2009. Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study, Remote Sensing of Environment 113: 1769-1777.

1

Ph.D student, Graduate of Bioresources, National Pingtung University of

Received Date: Apr. 08, 2011 2

Science and Technology

Revised Date: May. 25 , 2011 2

Professor, Department of Forestry, National Pingtung University of Science

Accepted Date: Jul. 21, 2011

3

and Technology

3

Master student, Department of Tropical Agriculture and International Cooperation, National Pingtung University of Science and Technology.

4

Master student, Department of Forestry, National Pingtung University of Science and Technology.

5

Section Chief, Aerial Survey Office, Taiwan Forestry Bureau.

6

Associate Professor, Department of Tourism Management, Shih Chien University

*.Corresponding Author, Phone:

886-8-7703202 ext. 7147 , E-mail: [email protected]

Application On High Resolution Digital Aerial Images for Automatic Forest Fires Mapping by

Change Detection Techniques

Yi- Ta Hsieh

¹

Yuh- Lurng Chung

²

Chen-Sung Liao

³

Yau-Guang Yui

⁴

Kuo-Chen Teng

⁵

Shou-Tsung Wu

^6*

ABSTRACT

In Taiwan, more than half of area is national forest land, if there was forest fire which often causes damage to the ecological environment. Therefore, rapid mapping of forest fires have become a very important job. We studied the forest fires of Dapu working cycle which was occurred in 2009, and we used Z/I DMC airborne multispectral image as material. In order to investigate the feasibility of automated forest fire mapping. We use three kinds of change detection techniques that include NDVI differencing (dNDVI), spectral change vector analysis (SCVA), principal components analysis (PCA), and we combined the three of change detection techniques and iterative self-organizing data analysis technique (ISODATA) to classify the fire affected area. We focused on the characteristics of high-resolution image to remove the noise of change detection, and to explore the differences between the three change detection techniques that combination ISODATA unsupervised classification. In order to establish the appropriate processes of automatic forest fires mapping for airborne multispectral image. The results showed that each change detection technique can enhance the characteristics of the fire area effective. However, those change detection techniques with ISODATA to distinguish between burned and unburned area, which will be affected by the distribution of enhanced image values. The numerical distribution of images to a single peak skewed distribution seems to be more suitable for two categories of classification using ISODATA. Image processing of shadow removal or morphology can reduce classification error and improve the overall classification accuracy. Overall, the dNDVI method with image processing of shadow removal and morphology showed the best overall accuracy of 91.93%, and with highly automated processes. The forest fire automatic mapping technology can provide the coherent units to be applied.

Keywords:

forest fire mapping, airborne multispectral images, change detection, unsupervised classification.