臺灣博碩士論文加值系統

遙感探測（Remote Sensing）是一門發展迅速的綜合性應用科學，它可提供研究者更全面的空間資訊，不論是農業生產、環境保護及監測、防災、資源探索、天氣預報、海洋探測等方面的實際作業中均廣泛的被運用。衛星影像解析度隨著科技的進步也越來越高，使得目前的衛星影像包含許多空間、色彩資訊，故一般傳統的逐像元（Pixel -by-Pixel）式的分類方法已無法滿足。衛星影像的應用主要是透過空間、色彩資訊的擷取，將影像資訊轉換成實際的環境決策資訊，因此衛星影像的資訊擷取技術成為衛星影像應用的關鍵問題。研究中以台中市為研究區域，利用知識擷取（Data Mining）的方式，在影像上取得地物資訊以建立推理規則庫（Rule Base），模糊類神經網路推論（Fuzzy Neural Inference）取代傳統的推論方式增加推論的準確性，由於類神經具有學習、訓練功能，故在模糊推論的過程中可經由數據的訓練來調整歸屬函數（Membership Function），並產生以類神經訓練所得之規則觸發強度（Degree of Support），此步驟可避免人為主觀及黑箱作業，並解決規則之間衝突、優先順序之問題，決策者亦可瞭解推理規則的相對重要性。根據結果顯示所擷取的知識皆能有效提高分類精確度，且模糊推論確實能應用於影像分類上。

Because remote sensing technique is capable of capturing spatial information economically, it has been broadly applied to many areas such as agriculture production, environmental protection and monitoring, disaster prevention, resource detection, weather forecast and ocean detection. In these applications, analyzers extract the environmental information from satellite image data for the purpose of decision making. How to extract necessary information from satellite image data has become the key issue in the applications of remote sensing. This research used data mining techniques to extract the rules for image classification and used Taichung city as a study case. To integrated these rules this research developed a fuzzy-neural inference model and applied it to land classification. The results present that the proposed fuzzy-neural inference model can resolve the conflicts confliction and priority in selecting rules.�Unlike black-box modal, this model present the ability of integration and elasticity in the usages of classification rules. The analyzers can visually understand and revise the relative importance of rules in classification to make the proposed model applicable to other case studies in future.

總目錄
中文摘要 Ι
英文摘要 Ⅱ
誌 謝 Ⅲ
總目錄 Ⅳ
表目錄 Ⅶ
圖目錄 Ⅸ
第一章 緒論 1
1-1研究緣起 1
1-2研究方法與架構 2
1-3研究目的 4
第二章 文獻回顧 5
2-1台中市發展與現況 5
2-2遙感探測技術 11
2-2-1遙測在農業中的應用 11
2-2-2遙測在環境保護與監測的應用 13
2-2-3華衛二號簡介及其影像特性 16
2-2-4衛星影像分類 17
2-3紋理分析 21
第三章 研究方法與材料 24
3-1研究區域與影像類型介紹 24
3-2研究方法 26
第四章 結果與討論 48
4-1影像分析 48
4-1-1影像色彩基本分析 49
4-1-2紋理分析 56
4-2模糊推論結果分析 60
4-2-1模糊化 61
4-2-2規則庫討論 75
4-3知識庫建構與分類結果 79
第五章 結論與建議 85
5-1結論 85
5-2建議 86
參考文獻 87












表目錄
表2-1農業用地百分比 7
表2-2台中市農地流失量檢討表 8
表2-3華衛二號影像類別 17
表2-4判識基本因子屬性與其應用判識表 18
表2-5影像分類方法比較表 23
表3-1特徵空間優劣勢 28
表3-2類神經網路與模糊邏輯的優缺點 47
表4-1 NDVI值規則 53
表4-2 NDVI特徵值 54
表4-3 各類別分離度矩陣 55
表4-4 光譜反射值規則 55
表4-5光譜色彩資訊 56
表4-6 添加紋理資訊分類成果比較表 58
表4-7 第二次訓練區誤差矩陣 61
表4-8 紋理特徵值規則 62
表4-9 原始Blue層隸屬函數範圍表 66
表4-10 原始隸屬函數推論結果 67
表4-11 類似均分Blue層隸屬函數分佈表 68
表4-12 規則矩陣 68
表4-13 類似均分隸屬含數推論結果 69
表4-14 經類神經訓練之Blue層隸屬函數分佈表 70
表4-15 類神經訓練之模糊分類驗證誤差矩陣 71
表4-16 規則測試誤差矩陣 77
表4-17 光譜資訊加紋理分析全區域分類誤差矩陣 81
表4-18 各分類成果比較表 82






圖目錄
圖1-1 研究流程圖 3
圖2-1台中市重劃區發展圖 10
圖3-1 台中市地理位置圖 24
圖3-2 華衛二號影像 25
圖3-3 特徵空間圖 28
圖3-4紋理種類範例圖 33
圖3-5視窗大小7x7原始影像灰階值 33
圖3-6灰階共生矩陣說明圖 34
圖3-7像元對示意圖 35
圖3-8像元對出現次數統計結果 36
圖3-9灰階共生矩陣 36
圖3-10 紋理影像製作流程圖 37
圖3-11 明確集合示意圖 40
圖3-12 明確集合與模糊集合比較圖 41
圖3-13標準歸屬函數 41
圖3-14 Min-Max模糊推論法 43
圖3-15 模糊化至類神經網路 47
圖4-1台中市影像樣本選取分布圖 59
圖4-2 地物盒型圖 50
圖4-3 特徵空間示意圖 51
圖4-4台中視衛星影像特徵空間圖 52
圖4-5綠地位於特徵空間紅VS近紅位置 52
圖4-6 NDVI影像 53
圖4-7不同移動視窗之綠地紋理特徵 57
圖4-8視窗9x9分類結果 58
圖4-9 原始影像 59
圖4-10 9x9紋理分類結果 59
圖4-11 非監督式分類結果 59
圖4-12 監督式分類結果 59
圖4-13 9x9視窗之紋理疊加影像 60
圖4-14第二次採樣點分布圖 60
圖4-15二維特徵空間圖(500筆訓練區) 63
圖4-16紋理值分佈圖 64
圖4-17特徵空間比對示意圖 65
圖4-18原始Blue層隸屬函數圖 66
圖4-19類似均分Blue層隸屬函數圖 67
圖4-20經類神經訓練Blue層隸屬函數圖 69
圖4-21台中市中興綠橋實地圖 72
圖4-22台中市民生綠橋實地圖 72
圖4-23台中市精武橋實地圖 73
圖4-24台中市倡合橋實地圖 73
圖4-25模糊邏輯推論系統 74
圖4-26推論前3D Polt analyzer平面 75
圖4-27推論後3D Polt analyzer平面 76
圖4-28綠地知識庫範例 79
圖4-29分類結果比較 80
圖4-30分類結果比較二 80
圖4-31驗證資料之像元正誤判圖 84

周朝富，大地衛星資T探�台北地區土地利用變遷之研究，國立台灣大學森林研究所碩士論文，(1986)。

戴德潤，利用SPOT衛星影像作中橫公路沿線附近大規模崩塌地辨認方法之初步研究，國立成功大學資源工程系碩士論文，(1990)。

戴德潤，利用SPOT衛星影像作中橫公路沿線附近大規模崩塌地辨認方法之初步研究，國立成功大學資源工程系碩士論文，(1990)。

鄭文哲、蕭國鑫等，屏溪上游土地利用及崩塌地調查計畫書，工研院能資所地239號報告(1990)。

劉進金、蕭國鑫、尹承遠、游明芳、王晉倫，像與航照資料應用於崩塌地判識之探討，航測及遙測學刊，第八卷，第四期，29-42頁，(1992)。

陳炫東，水庫集水區之土地覆蓋判釋-運用衛星影像及地理資訊系統，台灣大學農業工程學研究所碩士論文，(1993)。

雷祖強，利用SPOT 衛星影像計算地表覆蓋碎形維度之研究，台灣大學農業工程學研究所碩士論文，(1994)。

郭育全，分散度指標應用於遙測影像分類特徵選取之研究，台灣大學農業工程學研究所碩士論文，(1997)。
陳繼藩、徐守道、陳世旺，應用非監督性類神經網路於SPOT 衛星影像，分類之研究，航測及遙測學刊，(1997)。

蕭國鑫，多時遙測光學與雷達資料於水稻田辨識之研究，國立交通大學土木工程學系碩士論文，(1998)。

林金樹，森林植生季節性光譜特性之研究 台灣林業科學 14(3): 289-305，(1999)。

陳益凰、曾義星，應用多時段衛星影像辨識水稻田之研究，航測及遙測學刊，(1999)。

蕭國鑫、劉治中、史天元，遙測與GIS結合應用於水稻田辨識，航測及遙測學刊，第五卷，第四期，(2000)。

廖軒吾，集集地震誘發之山崩，國立中央大學應用地質研究所碩士論文，90頁，(2000)。

簡甫任，運用知識庫輔助遙測影像分類與土地利用變遷偵測模式建立之研究—以都市區域環境為例，逢甲大學土地管理系碩士班碩士論文，(2001)。

黃信茗，地理資訊系統及衛星影像應用於灌溉計劃之研究，屏東科技大學土木工程系碩士論文，(2001)。

林文賜、周天穎、林昭遠，2001，應用監督性類神經網路於衛星影像分類技術之探討，航測及遙測學刊，6（1）pp.41-58。

劉守恆，衛星影像於崩塌地自動分類組合之研究，國立成功大學地球科學研究所碩士論文，(2002)。
曾文忠，管理之研究∼以雲林沿海為例，逢甲大學土地管理所碩士論文，(2002)。

蕭國鑫、尹承遠、劉進金、游明芳、王晉倫，SPOT 影像與航照資料應用於崩塌地判識之探討，航測及遙測學刊，第八卷，第四期，29-42 頁，(2003)。

何珮艷，SPOT衛星影像用於變遷偵測影響之研究—以合歡山地區為例，國立中興大學森林學系碩士論文，(2003)。
Antonic, O. and T. Legovic, “Estimating the Direction of an Unknown Air Pollution Source Using a Digital Elevation Model and a Sample of Deposition,” Ecological Modelling, 124, 85-95(1999).

Bandhu, H. K., S. Puri, J. S. Shahi, D. Mehta, M. L. Garg, Singh, P. C. Mangal, C.R. Suri, E. Swietlicki and P.N. Trehan, “An Evaluation of the Sources of Air Pollution in the City off Chandigarh, India: A Study Using EDXRF Technique,” Nuclear Instruments and Methods in Physics Research B, 114, 341-344(1996).

Burgan,R.E. and R.A. Hartford，Monitoring vegetation greenness with satellite data, USDA Forest Service Intermountain Research Station General Technical Report INT-297(1993).

Dai, J. and D. M. Rocke, “A GIS-based Approach to Spatial Allocation of Area Source Solvent Emissions,“ Environmental Modelling & software, 15, 293-302(2000).

Diem, J. E. and A. C. Comrie, “Predictive Mapping of Air Pollution Involving Sparse Spatial
Observations,” Environmental Pollution, 119, 99-117(2002).

Haralick, R.M., K. Shaunmmugam, and I. Dinstein, Textural Features for Image Classification, IEEE Trans. On Syst., Man, and Cybern., Vol.67, pp.786-804(1973).

Hoffer R. M., “hallenges in Developing and Applying Remote Sensing to Ecosystem-Management” Remote Sensing and GIS in Ecosystem Management, Island Press, ISBN 1-55963-285-2, pp.25-40(1994).

Jensen, J. R., Introductory Digital Image Processing: A Remote Sensing Perspective，PP.201(1995).



Jensen, J.R., S. Nalumalani, O. Weatherbee, and H. E. Mackey,”asurement of seasonal and yearly cattail and waterlily change using multidate SPOT” panchromatic data, PE&RS 59(4): 519-525(1993).

Jiang, D., Y. Zhang, X. Hu, Y. Zeng, J. Tan and D. Shao, ” Progress in Developing an ANN Model for Air Pollution Index Forecast,” Atmospheric Environment, 38, 7055-7064(2004).

Masek,J. G., Stability of boreal forest stand during recent climate change: evidence from Landsat atellite imagry, Journal of Biogeography 28: 967-976(2001)

McGregor, S. J., An integrated geographic information system approach for modeling the
suitability of conifer habitat in an alpine environment, Geomorphology 21: 265-280(1998).

Vardoulakis, S., N. Gonzalez-Flesca, B. E. A. Fisher and K. Pericleous, “Spatial Variability of Air Pollution in the Vicinity of a Permanent Monitoring Station in Central Paris,” Atmospheric Environment, 39, 2725-2736(2005).

Spectra,“ Nuclear Instruments and Methods in Physics Research B, 161-163, 830-835(2000).

Reich, S. L., D. R. Gomez and L. E. Dawidowski, “Artificial Neural Network for the Identification of Unknown Air Pollution Sources,” Atmospheric Environment, 33, 3045-3052(1999).