臺灣博碩士論文加值系統

本研究目的為以非監督式分類法分析高美濕地雲林莞草生長範圍。本研究方法主要步驟為：(1)以Find the Best Distribution tool公開程式的貝氏訊息準則(Bayesian Information Criterion)從內定11種測試分布函數優選雲林莞草、濕沙及水體三類物體樣本的代表分布; (2)再以非監督式分類法(Unsupervised Classification)的大津演算法(Otsu method)決定出適合的最佳灰階門檻值來判斷雲林莞草與非雲林莞草兩類; (3)最後以相對誤差與重疊率兩種誤差指標判定本法決定的雲林莞草範圍與徒步實測範圍及面積，驗證本研究方法的正確性。
若忽略系統誤差，由結果發現本研究在6月至8月的雲林莞草範圍及面積與步測範圍及面積的重疊率有80%之上的一致性，但是在其他月份的辨識度能力，本文與楊(2018)接近，而本方法比楊(2018)有較低的相對誤差，但楊(2018)有較本法高的重疊率。

The purpose of this study is to investigate the growth area of Bolboschoenus planiculmis at the Gaomei wetland using unsupervised classification. The method includes four steps. Those are (1) to choose the best three fitting distribution of three kinds of representative samples, which are Bolboschoenus planiculmis, wet sand and water, from defaulted 11 kinds of distribution function through the Bayesian Information Criterion in the open code, Find the Best Distribution tool;(2) to use the Otsu method to determinate appropriate threshold and then to distinguish the part of Bolboschoenus planiculmis from the parts of other objects; (3) to evaluate the accuracy of the proposed method by comparing the detected the range and growth area of Bolboschoenus planiculmis with in-site foot-measurement ones depending on two criteria, relative errorand relative duplication area.
Neglecting the systematic error, the determined area of Bolboschoenus planiculmis for June to August by the present method has more than 80% relative duplication with that by foot-measurement. the results showed fair agreement. However, for other months the present and Young’s (2018) results have similar detecting capacity. This present method has lower relative errors than Yang’s (2018), but Yang’s method (2018) has higher relative duplication areas than this method.

摘要 i
ABSTRACT ii
致謝 iv
目錄 v
圖目錄 viii
表目錄 x
附錄目錄 xi
1 第一章 緒論 1
1.1 研究動機與目的 1
1.2 文獻回顧 2
1.3 文章架構 5
2 第二章 背景資料及非監督式分類 7
2.1 背景資料 7
2.1.1 研究基地 7
2.1.2 雲林莞草外觀及特性 9
2.1.3 潮汐特性 10
2.1.4 空拍規劃 10
2.2 影像處理 12
2.3 分類法的比較 15
2.3.1 分類法特性及優缺點 15
2.3.2 QGIS監督式分類法 16
3 第三章 最適合分布的優選及主要灰階範圍 18
3.1 分布函數 18
3.1.1 11種分布函數 18
3.1.2 最大概似估計 20
3.1.3 模式選擇 21
3.2 樣本直方圖 22
3.2.1 樣本的選擇 22
3.2.2 組數選擇 23
3.3 相似分布的類型分組 26
3.4 各類物體的灰階分布特性 31
4 第四章 雲林莞草分布範圍及面積估算 37
4.1 大津演算法 37
4.1.1 大津演算法的原理 37
4.1.2 大津演算法的門檻值 38
4.1.3 二值化分類 41
4.2 雲林莞草的分布範圍 43
4.2.1 像素面積與步測面積之比較 43
4.2.2 等值像素的範圍面積 49
4.2.3 與楊(2018)比較 52
5 第五章 結論與建議 54
5.1 結論 54
5.2 建議 55
參考文獻 56
附錄A 59
附錄B 69
附錄C 70

1. Akaike, H. (1998) Information theory and an extension of the maximum likelihood principle. Selected papers of hirotugu akaike (pp. 199-213). Springer, New York, NY.
2. Belgiu, M., and Drǎguţ, L. (2014) Comparing supervised and unsupervised multiresolution segmentation approaches for extracting buildings from very high resolution imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 96, 67-75.
3. Cavanaugh, J. E. (2009) 171: 290 model selection, lecture VI: the Bayesian information criterion. University Lecture.
4. Govender, M., Chetty, K., Naiken, V., and Bulcock, H. (2008) A comparison of satellite hyperspectral and multispectral remote sensing imagery for improved classification and mapping of vegetation. Water SA, 34(2), 147-154.
5. Hurvich, C. M., and Tsai, C. L. (1989) Regression and time series model selection in small samples. Biometrika, 76(2), 297-307.
6. Li, C., Wang, J., Wang, L., Hu, L., and Gong, P. (2014) Comparison of classification algorithms and training sample sizes in urban land classification with Landsat thematic mapper imagery. Remote sensing, 6(2), 964-983.
7. Otsu, N. (1979) A threshold selection method from gray-level histograms. IEEE transactions on systems, man, and cybernetics, 9(1), 62-66.
8. Perumal, K., and Bhaskaran, R. (2010) Supervised classification performance of multispectral images. arXiv preprint arXiv:1002.4046.
9. Schwarz, G. (1978) Estimating the dimension of a model Annals of Statistics, 6, 461-464. MathSciNet zbMATH.
10. Sheppard, M. (2012) Fit all valid parametric probability distributions to data. ALLFITDIST Matlab code.
11. Sturges, H. A. (1926) The Choice of a Class Interval,Journal of the American Statistical Association, 21, 65-66.
12. Vala, H. J., and Baxi, A. (2013) A review on Otsu image segmentation algorithm. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 2(2), 387-389.
13. 行政院農業委會 (2012) 國家重要濕地保育計畫。
14. 台中市政府 (2012) 高美野生動物保護區保育計畫書。
15. 社團法人台灣濕地學會 (2018) 「106-107 年度大肚溪口國家級重要濕地基礎調查」成果報告書。
16. 郭懿萱 (2016) 應用 UAV 影像於農地分類之研究，中興大學土木工程學系所學位論文.
17. 卓盟翔 (2007) 影響雲林莞草發芽與生長之環境因子探討， 中興大學生命科學系所學位論文
18. 楊承諭 (2018) 高美濕地雲林莞草生長範圍的影像監測及外移現象的研究，交通大學土木工程系所學位論文
19. 李瑞陽、姜如憶 (2005) 應用遙測技術於水稻田判釋之研究，地理研究，第43期，第61-82頁。
20. 湯武仁 (2013) 利用衛星影像探討高美濕地內雲林莞草生長範圍的變遷研究，國立交通大學碩士論文。.
21. 邱曜綸 (2018) 高美濕地的底床摩擦及植物阻力對波浪衰減的影響，國立交通大學碩士論文。