臺灣博碩士論文加值系統

臺灣位於亞熱帶與地震帶，常遭受天然災害影響，易造成土石崩塌等現象。土石崩塌及流失與土地覆蓋有直接的關連，因此，如何有效掌握崩塌區的地表覆蓋情形，是防災的首要課題。傳統上以現地調查方式獲得土地覆蓋情況，需耗費較多人力與時間，為迅速且及時掌握地表覆蓋種類，本研究利用遙感探測技術進行地表覆蓋監測。利用最大概似法進行影像分類，並計算原影像之多重影像梯度以進行分水嶺分割計算，再利用分割區塊修正分類成果，解決誤判的孤立點(Isolated)和物種邊緣的混合像元(Mixpxel)，以整合光譜和空間資訊分類(Spectral and Spatial Classification, SSC)，提高分類準確度。為驗證本分類方法，分別以幾何空間的DN (Digital Number)均勻(Homogeneous)、非均勻(Non-Homogeneous)照片資料、普渡大學(Purdue University)公開多光譜影像資料和中興大學衛星影像進行測試，研究成果確實可解決零星誤判的孤立點，並可提高混合像元之判釋率，且方法適用於照片和衛星影像資料，並於普渡大學實驗資料中，比較SSC成果與Landgrebe (1998)的ECHO (Extraction and Classification of Homogeneous Objects)分類成果之整體準確度，分別為75.2％和76.3％，結果顯示兩方法之分類準確度相近，說明SSC方法之可行性。最終，將方法應用於石門水庫集水區，藉由分類成果對應水土保持技術規範求取覆蓋與管理因子(C值)，其結果可供後續進行土地開發、土壤流失量等推估之參考。

Located in sub-tropical and seimic areas, Taiwan frequently bears the severe threats from both typhoons and earthquakes, which could induce debris flows and landslides. The occurrence of landslide is mostly related with the land cover, so how to efficiently acquire the information of the land cover is the critical issue of disaster mitigation. Traditionally it spends a lot of manpower and time to survey the land cover by in situ investigation. In order to get the classifications of land cover rapidly and timely, this research integrates Maximum Likelihood Method and Watershed Segmentation Algorithm into a supervised classifier. The original image is computed into brightness gradient for the segmentation of the image. The proposed method can solve the misjudgment of isolated points and mixpixel of boundary in the original image. Integration of Spectral and Spatial Classification (SSC) increases the accuracy of classification. To verify the utility of SSC classifier, various images including homogeneous and non-homogeneous pictures, a public Multi-Spectral image (Purdue University), and a QuickBird satellite images (National Chung Hsing University) were tested. The result indicated that this method can decrease the misjudgment of isolated points and mixpixel on both photos and satellite images. The accuracies of SSC and ECHO (Extraction and Classification of Homogeneous Objects) of Landgrebe (1998) are 75.2% and 76.3%, respectively for the classification of purdue University. Applying this method to the watershed of Shihman Reservoir by corresponding the coverage and management factor (C Value) through the land cover classification can provide the reference of land development and the amount of soil loss.

目錄
誌謝…………………………………………………………………………i
摘要………………………………………………………………………...ii
Abstract……………………………………………………………………iii
目錄……………………………………………………………………......iv
表目錄……………………………………………………………………..vi
圖目錄……………………………………………………………………viii
第一章 緒論 1
1.1 前言 1
1.2 研究動機與目的 2
1.3 研究內容 3
1.4 論文架構 7
第二章 文獻回顧 8
2.1 結合光譜與空間資訊分類法 8
2.2 覆蓋與管理因子(C值)研究之探討 12
第三章 研究方法及理論介紹 17
3.1 研究方法敘述 17
3.2 最大概似法分類 22
3.3 多重影像梯度 23
3.4 分水嶺計算 24
3.5 覆蓋與管理因子(C值)轉換 25
第四章 模式驗證與應用成果 27
4.1 驗證資料成果 27
4.1.1 驗證資料介紹 27
4.1.2 照片資料驗證成果 33
4.1.2.1 均勻資料成果 33
4.1.2.2 非均勻資料成果 37
4.1.3 印地安松木試驗場影像驗證成果 41
4.1.4 中興大學校區影像驗證成果 52
4.2 應用資料成果 58
4.2.1 石門水庫集水區介紹 58
4.2.2 石門水庫集水區影像應用成果 60
第五章 結論與建議 63
參考文獻………………………………………………………………… 65

表目錄
表2-1 台灣不同地表及植被狀況下的覆蓋與管理因子(C值) 16
表4-1 印地安松木試驗場影像之波段介紹 30
表4-2 均勻資料之各類別訓練樣本中心值 37
表4-3 均勻資料之各類別訓練樣本共變異數 37
表4-4 非均勻資料之各類別訓練樣本中心值 41
表4-5 非均勻資料之各類別訓練樣本共變異數 41
表4-6 中興大學校區影像之各類別訓練樣本中心值 57
表4-7 中興大學校區影像之各類別訓練樣本共變異數 57
附表1 SSC方法分類門檻值0.5之誤差矩陣 71
附表2 SSC方法分類門檻值0.6之誤差矩陣 72
附表3 SSC方法分類門檻值0.7之誤差矩陣 73
附表4 SSC方法分類門檻值0.8之誤差矩陣 74
附表5 SSC方法分類門檻值0.9之誤差矩陣 75
附表6 印地安松木試驗場影像之最大概似法分類成果誤差矩陣 76
附表7 印地安松木試驗場影像之SSC分類成果誤差矩陣 77
附表8 印地安松木試驗場影像之ECHO分類成果誤差矩陣 78
附表9 印地安松木試驗場影像之最大概似法分類成果誤差矩陣(樣區分開後成果) 79
附表10 印地安松木試驗場影像之SSC分類成果誤差矩陣(樣區分開後成果) 80
附表11 印地安松木試驗場影像之ECHO分類成果誤差矩陣(樣區分開後成果) 81


圖目錄
圖1-1 原研究方法成果說明 4
圖1-2 研究架構圖.......................................................................................6
圖2-1 C值分佈範圍 15
圖3-1 研究方法流程圖.............................................................................21
圖3-2 分水嶺分割示意圖 25
圖3-3 最陡坡降排水路徑說明 25
圖4-1 均勻資料 29
圖4-2 非均勻資料 30
圖4-3 印地安松木試驗場影像 31
圖4-4 印地安松木試驗場之地真資料 31
圖4-5 中興大學校區影像 32
圖4-6 中興大學校區航照圖 32
圖4-7 均勻資料之訓練樣區 34
圖4-8 均勻資料之最大概似法分類成果 34
圖4-9 均勻資料之梯度圖 35
圖4-10 分割線套疊於均勻資料 35
圖4-11 分割線套疊於均勻資料之最大概似法分類成果 36
圖4-12 均勻資料之SSC成果 36
圖4-13 非均勻資料之訓練樣區 39
圖4-14 非均勻資料之最大概似法分類成果 39
圖4-15 非均勻資料之梯度圖 39
圖4-16 分割線套疊於非均勻資料 40
圖4-17 分割線套疊於非均勻資料之最大概似法分類成果 40
圖4-18 非均勻資料之SSC成果 40
圖4-19 印地安松木試驗場影像之訓練樣區 44
圖4-20 SSC方法分類門檻值0.5之成果 45
圖4-21 SSC方法分類門檻值0.6之成果 45
圖4-22 SSC方法分類門檻值0.7之成果 46
圖4-23 SSC方法分類門檻值0.8之成果 46
圖4-24 SSC方法分類門檻值0.9之成果 47
圖4-25 印地安松木試驗場影像之最大概似法分類成果 47
圖4-26 印地安松木試驗場影像之梯度圖 48
圖4-27 分割線套疊於印地安松木試驗場影像 48
圖4-28 分割線套疊於印地安松木試驗場影像之最大概似法分類成果 49
圖4-29 印地安松木試驗場影像之SSC成果 49
圖4-30 印地安松木試驗場影像之ECHO成果 50
圖4-31 印地安松木試驗場影像之最大概似法分類成果(樣區分開後成果) 50
圖4-32 印地安松木試驗場影像之SSC成果(樣區分開後成果) 51
圖4-33 印地安松木試驗場影像之ECHO成果(樣區分開後成果) 51
圖4-34 中興大學校區影像之訓練樣區 54
圖4-35 中興大學校區影像之最大概似法分類成果 54
圖4-36 中興大學校區影像之梯度圖 55
圖4-37 分割線套疊於中興大學校區影像 55
圖4-38 分割線套疊於中興大學校區影像之最大概似法分類成果 56
圖4-39 中興大學校區影像之SSC成果 56
圖4-40 石門水庫集水區範圍 59
圖4-41 石門子集水區影像 60
圖4-42 石門子集水區影像之最大概似法分類成果 61
圖4-43 石門子集水區影像之梯度圖 61
圖4-44 石門子集水區影像之SSC成果 61
圖4-45 石門子集水區影像之NDVI分析成果 62
圖4-46 石門子集水區之C值分佈圖 62

吳嘉俊、盧光輝、林俐玲，1996，土壤流失量估算手冊，國立屏東技術學院。
林俐玲、胡自健，1998，茶園不同水土保持處理下土壤流失量之評估，中華水土保持學報，第二十九卷第三期，pp.249-260。
林俐玲、陳勝全，1998，農業小集水區開發整治後土壤流失量與逕流量之評估，水土保持學報，第三十卷第二期，pp.143-175。
林文賜，2002，集水區空間資訊萃取及坡面泥砂產量推估之研究，中興大學水土保持學系博士論文。
林文賜、林昭遠、周天穎，2003，集水區空間資訊萃取及坡面泥砂產量推估之研究，航測及遙測學刊，第八卷第三期，pp.33-58。
陳繼藩、徐守道、陳世旺，1997，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，第二卷第一期，pp.1-12。
莊政斌，2004，影像分割技術於高解析衛星影像分類之應用，中央大學土木工程研究所碩士論文。
謝佳玲，1999，不同土壤沖蝕模式推估土壤流失量之比較，中興大學水土保持研究所碩士論文。
戴安琦，2003，以分水嶺分割法為基礎的彩色分割研究，淡江大學資訊工程學系碩士論文。
繆紹綱，2005，數位影像處理–運用Matlab，台灣東華書局股份有限公司。
魏曉萍，2003，QuickBird衛星影像探討分類方法之研究，中華大學土木工程學系碩士論文。
歐陽元淳，2003，水庫集水區土壤沖蝕之研究-以石門、翡翠水庫為例，臺灣大學地理環境資源學研究所碩士論文。
水土保持技術規範，2002，行政院農業委員會水土保持局編印。
行政院農業委員會水土保持局_石門水庫集水區保育治理：http://smr.swcb.gov.tw/academia/academia01.asp
均勻資料：http://barissumengen.com/seg/bsds_segmentations/html_for_visualization/aniso_color_testset.html
非均勻資料：http://happyelf.blogdriver.com/happyelf/985170.html
印地安松木試驗場影像資料：http://cobweb.ecn.purdue.edu/~biehl/MultiSpec/documentation.html
MultiSpec程式：http://cobweb.ecn.purdue.edu/~biehl/MultiSpec/Index.html
Biehl, L. and D. Landgrebe, 2002. “MultiSpec－A Tool for Multispectral－Hyperspectral Image Data Analysis,” Computers & Geosciences, Vol. 28, pp. 1153-1159.
Duda, R. O., P. E. Hart, and D. G. Stork, 2001. “Pattern Classification,” John Wiley & Sons, Inc.
Di Zenzo, S., 1986. “A Note on the Gradient of a Multi-Image,” Computer Vision, Graphics, and Image Processing, Vol. 33, pp. 116-125.
De Jong, S. M., T. Hornstra, and H. G. Maas, 2001. “An Integrated Spatial and Spectral Approach to the Classification of Mediterranean Land Cover Types: The SSC Method,” International Journal of Applied Earth Observation and Geoinformation, Vol. 3, Issue: 2, pp. 176-183.
Gabriels, D., G. Ghekiere., W. Schiettecatte, and I. Rottiers, 2003. “Assessment of USLE Cover-Management C-Factors for 40 Crop Rotation Systems on Arable Farms in the Kemmelbeek Watershed, Belgium,” Soil & Tillage Research, Vol. 74, pp. 47-53.
Hsieh, P. F. and D. A. Landgrebe, 1998. “Classification Of High Dimensional Data,” School of Electrical & Computer Engineering Purdue University Technical Report TR-ECE 98-4.
Jung, C. R. and J. Scharcanski, 2002. “Robust Watershed Segmentation Using the Wavelet Transform,” Computer Graphics and Image Processing, pp. 131-137.
Jimenez, L.O., J. L. Rivera-Medina., E. Rodriguez-Diaz., E. Arzuaga-Cruz, and M. Ramirez-Velez, 2005. “Integration of Spatial and Spectral Information by Means of Unsupervised Extraction and Classification for Homogenous Objects Applied to Multispectral and Hyperspectral Data,” IEEE Transactions on Geoscience and Remote Sensing, Vol. 43, No. 4, pp. 844-851.
Kettig, R. L. and D. A. Landgrebe, 1976. “Classification of Multispectral Image Data by Extraction and Classification of Homogeneous Objects,” IEEE Transactions on Geoscience Electronics, Vol. GE-14, No. 1, pp. 19-26.
Landgrebe, D., 1998. “Multispectral Data Analysis：A Signal Theory Perspective,” School of Electrical & Computer Engineering Purdue University.
Lin, C. Y., W. T. Lin, and W. C. Chou, 2002. “Soil Erosion Prediction and Sediment Yield Estimation: The Taiwan Experience,” Soil & Tillage Research, Vol. 68, pp. 143-152.
Lillesand, T. M., R. W. Kiefer, and J. W. Chipman, 2004. “Remote Sensing and Image Interpretation,” 5th ed., John Wiley & Sons, New York, USA.
Mati, B. M., R. P. C. Morgan., F. N. Gichuki., J. N. Quinton., T. R. Brewer, and H. P. Liniger, 2000. “Assessment of Erosion Hazard with the USLE and GIS: A Case Study of the Upper Ewaso Ng''iro North Basin of Kenya,” International Journal of Applied Earth Observation and Geoinformation, Vol. 2, Issue: 2, pp. 78-86.
Osma-Ruiz, V., J. I. Godino-Llorente., N. Sáenz-Lechón, and P. Gómez-Vilda, 2007. “An Improved Watershed Algorithm Based on Efficient Computation of Shortest Paths,” Pattern Recognition, Vol. 40, Issue: 3, pp. 1078-1090.
Tadjudin, S. and D. A. Landgrebe, 1999. “Covariance Estimation with Limited Training Sample,” IEEE Transactions on Geoscience and Remote Sensing, Vol. 37, No. 4, pp. 2113-2118.
Tran, T. N., R. Wehrens, and L. M. C. Lutgarde, 2003. “SpaRef: A Clustering Algorithm for Multispectral Images,” Analytica Chimica Acta, Vol. 490, Issue: 1-2, pp. 303-312.
Vincent, L. and P. Soille, 1991. “Watersheds in Digital Spaces： An Efficient Algorithm Based on Immersion Simulations,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 13, No. 6, pp. 583-598.
Wischmeier, W. H. and D. D. Smith, 1978. “Predicting Rainfall Erosion Losses-A Guide to Conservation Planning,” U.S. Department of Agriculture, Agricultural Handbook No. 537.
Wang, D., 1997. “A Multiscale Gradient Algorithm for Image Segmentation Using Watersheds,” Pattern Recognition, Vol. 30, No. 12, pp. 2043-2052.
Yıldırım, I., O. K. Ersoy, and B. Yazgan, 2005. “Improvement of Classification Accuracy in Remote Sensing Using Morphological Filter,” Advances in Space Research, Vol. 36, pp. 1003-1006.