Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/34533
標題: 植生指標應用於土地利用分類判釋之研究
A study of land use classification interpretation using by vegetation index
作者: Huang, Lin-Chuan
黃麗娟
關鍵字: Back Propagation Neural Network
倒傳遞類神經網路
Vgetation Index
Image Classification
植生指標
影像分類
出版社: 水土保持學系所
引用: (1) 周政宏(1995),《神經網路-理論與實務》,松崗電腦圖書資料公司。 (2) 葉怡成(2003),《類神經網路模式應用與實作》,儒林圖書有限公司。 (3) 張裴章、張麗秋、黃浩倫(2003),《類神經網路理論與實務》,東華書局。 (4) 楊龍士、周天穎(2000),《遙感探測理論與分析實務》,逢甲大學地理資訊系統研究中心。 (5) 楊龍士、雷祖強、周天穎(2006),《遙感探測理論與分析實務》,文魁資訊股份有限公司。 (6) 工業技術研究院能源與資源研究所(2002),《崩塌地調查計畫(北部地區)成果報告》。 (7) 方彥凱(2003),《常態化植生指數標準差於土地利用分類之應用-以美濃中壇為例》,國立屏東科技大學土木工程系碩士論文。 (8) 田慶久、閩祥軍(1998),〈植被指數研究進展〉,《地球科學進展》,13(4):327-333。 (9) 江良印(1998),《紋理特徵應用於遙測影像判釋之理論研究》,國立台灣大學農業工程學系碩士論文。 (10) 宋之光(2004),《烏溪流域植生復育評估系統與降雨逕流模式建置之研究》,國立中興大學水土保持學系碩士論文。 (11) 何佩艷(2003),《輻射同態化對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。 (12) 邵泰璋(1999),《類神經網路於多光譜影像分類之應用》,國立交通大學土木工程學系碩士論文。 (13) 孟中杰(2000),《應用類神經網路與運動波理論進行集水區逕流預報與水文設計》,國立海洋大學河海工程學系碩士論文。 (14) 林昭遠、吳瑞鵬、林文賜(2001),〈921震災崩塌地植生復育監測與評估〉,《中華水土保持學報》,32(1):59~66。 (15) 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):41~58。 (16) 林志交、曾義星(2004),〈以基因演算法解算CSG模型與影像之最佳套合〉,《航測及遙測學刊》,19(1):27~40。 (17) 吳俊龍(2004),《以影像紋理與色彩資訊輔助地物分類之研究-以台北地區為例》,國立臺北大學地政學系碩士論文。 (18) 洪皓人(2000),《衛星影像分類方法之研究-以鳳山溪上游集水區為例》,國立中興大學水土保持學系碩士論文。 (19) 涂育瑋(2003),《應用類神經網路模式與基因演算法則於品質設計之研究》,國立成功大學工業設計學系碩士論文。 (20) 莊宜家、陳朝圳(2005),〈利用衛星影像推估颱風對南仁山森林生態系植生指標於不同坡向之影響〉,《2005年台灣地理資訊學會年會暨學術研討會論文集》。 (21) 陳哲俊(1994),《利用衛星影像資料改進稻作種植面積自動估測及生育查報計畫》,國立中央大學及遙測研究中心研究計畫報告。 (22) 陳文福、鄭新興(1997),〈遙測與GIS應用於集水區大型坡地開發之變遷分析〉,《水土保持學報》,29(1):41~59。 (23) 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》,2(1):1~12。 (24) 陳益凰、曾義星(1999),〈應用多時段衛星影像辨識水稻田之研究〉,《航測及遙測學刊》,4(3):1~16。 (25) 陳正斌(2004),《應用模糊理論於颱風降雨量之推估》,國立成功大學水利及海洋工程學系碩士論文。 (26) 陳添水(2005),〈九九峰地區九二一地震崩塌植生指數變遷分析〉,《特種生物研究》,7(2):63~75。 (27) 許晉嘉、雷祖強、周天穎(2005),〈支援向量機理論中核函數性質之研究-以高解析度衛星影像為例〉,《2005年台灣地理資訊學會年會暨學術研討會論文集》。 (28) 郭靜怡(2002),《運用空間後分類法於高解析度衛星影像判釋都市土地利用之研究》,逢甲大學土地管理學系碩士論文。 (29) 黃國楨、王韻皓、焦國模(1996),〈植生指標於SPOT衛星影像之研究〉,《台灣林業科學》,22(1):45~52。 (30) 黃凱易、張偉顗(1997),〈SPOT衛星影像分析應用於林地被覆變遷偵測〉,《中華林學季刊》,31(1):55~70。 (31) 黃信茗(2001),《地理資訊系統及衛星影像應用於灌溉計劃之研究》,國立屏東科技大學土木工程系碩士論文。 (32) 黃誌勇(2001),《SPOT 自然色影像產生之研究》,國立中央大學土木工程學系碩士論文。 (33) 黃筱梅(2001),《SPOT衛星影像於裸露地變遷之偵測研究-以和社地區為例》,國立台灣大學森林學系碩士論文。 (34) 黃建榮(2004),《使用支援向量機分類變異特徵之影像查詢》,朝陽科技大學資訊管理系碩士論文。 (35) 張俊隆、陳維昱、莊家銘(2007),〈模糊類神經網路於影像辨識之應用〉,《機械工業雜誌》,291:77~79. (36) 楊紳(1999),《多時段分類法應用於衛星影像變遷偵測之研究》,國立中央大學土木工程學系碩士論文。 (37) 楊明德、洪蜜琪、許展祥、蘇東青(2005),〈利用基因演算法和類神經網路於衛星影像分類之研究〉,《2005年台灣地理資訊學會年會暨學術研討會論文集》。 (38) 劉建慧(1988),《利用SPOT衛星資料求取動態植被光譜之研究》,國立中央大學大氣物理研究所碩士論文。 (39) 劉孝恆(1999),《監督性模糊分類法於遙測影像分類及變遷偵測之研究》,國立中央大學土木工程學系碩士論文。 (40) 劉守恆(2002),《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系碩士論文。 (41) 鄭嘉盈(1999),《遙測在坡地災害評估之應用研究》,國立成功大學土木工程學系碩士論文。 (42) 蔡敏之(1997),《應用輔助資訊及類神經網路於遙測影像土地利用分類之研究-以識別都市區為例》,國立成功大學測量工程學系碩士論文。 (43) 蔡真珍(2001),《大甲溪921震災崩塌地植生復育之研究》,國立中興大學水土保持學系碩士論文。 (44) 鄧元黎、莊弘豪(1998),〈衛星遙測原理與應用〉,《海軍學術月刊》,39(9):53。 (45) 潘麗慧(2004),《相對輻射糾正法應用於SPOT衛星影像變遷偵測影響之評估-以台中縣烏石坑地區為例》,國立中興大學森林系學碩士論文。 (46) 謝漢欽(1996),〈應用SPOT衛星影像與地理資訊系統於林地土地利用型綠度分析〉,《台灣林業科學》,11(1):77~86。 (47) 謝金原(1998),〈太空微波遙測簡介〉,機械工程,71(2):20。 (48) 蕭百齡(1999),《類神經網路與SPOT衛星影像分類之研究》,國立屏東科技大學熱帶農業學系碩士論文。 (49) 魏曉萍(2003),《QuickBird衛星影像探討分類方法之研究》,中華大學土木與工程資訊學系碩士論文。 (50) Avery, T. E. & G. L. Berlin (1992), Fundamentals of Remote Sensing and Airphoto Interpretatio(5th ed.), Macmillan Pulishing Company, New York. (51) Belokon, W. F., M. A. Emmons, W. H. Fowler, B. A. Gilson, G. Hernandez, A. J. Johnson, M. D. Keister, J. W. McMillan, M. A. Noderer, E. J. Tullos, & K. E. White (1997), Multispectral Imagery Reference Guide, Logicon Geodynamice, Inc. (52) Burgan, R. E. & R. A. Hartford (1993), Monitoring Vegetation Greenness with Satellite Data, USDA Forest Service Intermountain Research Station General Technical Report INT-297. (53) Cohen, J. (1960), A Coefficient of Agreement for Nominal Scales, Educ. Psychol. Measurement. (54) Congalton, R. G. (1991), A review of assessing the accuracy of classifications of Remotely Sensed Data, Remote Sensing of Environment, 37, 35-46. (55) Crippen, R. E. (1990), Calculating the Vegetation Index Faster, Remote Sensing of Environment, 34, 71-73. (56) Elvidge, C. D. & Z. Chen (1995), Comparison of Broad-band Andnarrow-band Red and Near-infrared Vegetation Indices, Remote Sensing of Environment, 54, 38-48. (57) Hardy, C. C. & R. E. Burgan (1999), Evaluation of NDVI for Monitoring Live Moisture in Three Vgetation Types of the Western U.S. Photogrammetric Engineering and Remote Sensing, 65(5), 603-610. (58) Hirasawa, K., Hu J., Murata, J., Jin C., Etoh, H., Katagiri, H., et al. (1999), Universal Learning Networks with Varying Parameters, Journal of Neural Networks, Vol.2, 1302-1307. (59) Lillesand, T. M., & R. W. Kiefer, (1994), Remote Sensing and Image Interpretation, John Wiley & Sons Inc, New York. (60) Minsky, M. and S. Papert, (1969), Perceptrons, MIT Press, Cambridge. (61) Prasad, S. T., D. W. Andrew, G. L. John & J. M. Garolyn (1994), Thematic Mapper Vegetation Indices for Determining Soybean and Corn Growth Parameters, Photogrammetric Engineering and Remote Sensing, 60(4), 437-442. (62) Qi, J., Chehbouni, A., Huete, A. R., Derr, Y. H., & Sorooshian, S. (1994), A Modified Soil Adjusted Vegetation Index, Remote Sensing of Environment, 48(2), 119-126. (63) Remote Sensing Technology Center of Japan (RESTEC) (2000), An Introduction to Use of Earth Observation Satellite, 25th Anniversary. (64) Richards, J. A. (1993), Remote Sensing Digital Image Analysis:An Introduction, Springer-Verlag, Berlin, p.340. (65) Richards, A. John, and Jia, Xiuping. (1999), Remote sensing digital image analysis, Springer, New york. (66) Rouse, J. W., Jr. R. H. Haas, J. A. Schell, & D. W. Deering (1973), Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation, Prog. Rep. RSC 1978-1. Remote Sensing Cent., Texas A&M Univ., College Station. (67) Rumelhart, D.E., J. L. McClelland, and the PDP Research Group (1986), Parallel distributed MIT press. (68) Verbyla, D. L. (1995), Satellite Remote Sensing of Natural Resources, Lewis Publishers. (69) Werbos, P. (1974), Beyond regression: New tools for prediction and analysis in the behavioral sciences, Harvard, Cambridge, MA. (70) Yoshida, T., & S. Omatu. (1994), Neural Networks Approach to Land Cover Mapping, IEEE Transactions on Geoscience and Remote Sensing, 32(5), 1103-1109.
摘要: A serious vegetation and environment destruction caused by the 921 earthquake in central Taiwan, how to effectively and fast monitor the change of environmental restoration is important in recent years. Jou-Jou mountain landslide areas in Nantou County was chosen as the research site couples with the three phases of SPOT imagery taken on 3/12/2001, 6/11/2002, and 12/7/2004. Histogram matching method was applied to do the radiometric corrections of the analyzed imageries for the further interpretation of land use classification. Image classification using supervised back propagation neural network show that there is no significant difference to increase the overall accuracy of classification after the radiometric corrections. Besides the original bands, vegetation index such as: NDVI, CMFI, MSAVI and IPVI which derived from SPOT satellite imagery were added separately to study the effects of vegetation index on the classification accuracy of the imageries using supervised back propagation neural network. The results show that the best combination is original bands plus CMFI and the second one is original bands plus MSAVI in overall accuracy and/or Kappa index. The performance of classification derived from the original bands plus CMFI for the three phases of imagery were 86.00%, 83.60%, and 87.20% in overall accuracy and/or 0.7782, 0.7520, and 0.7887 in Kappa index, respectively. The image interpretations for the treatment of CMFI and/or MSAVI added were better than that of the original bands only in 2001. The treatment of CMFI added was better than that of the original bands only existing in 2002 and 2004. The variations of accuracy for the image classification at different stages were strongly affected by the terrain and/or spectral resolution of imagery.
九二一地震造成台灣中部大面積植生及環境破壞,如何有效快速的監測環境變遷為近年來研究重點。本研究以九九峰為研究試區,利用2001年12月3日、2002年11月6日及2004年7月12日所拍攝的 SPOT 衛星影像,以波段值域分布最廣的2004年衛星影像為基準,使用直方圖匹配法對其它二期衛星影像做輻射校正,影像再進行原始波段土地利用分類的判釋。以倒傳遞類神經網路進行分析,並比較校正前後衛星影像分類準確度,結果顯示輻射校正在提升分類準確度上並無顯著差異。為提高分類準確度,本研究再分別將原始波段加入NDVI、CMFI、MSAVI及IPVI等四種植生指標,並利用監督式倒傳遞類神經網路進行影像分類,探討植生指標於影像分類上使用差異及對分類準確度的提升。結果顯示三個時期之整體準確度皆以CMFI較高,其次為MSAVI;供試之三期影像其CMFI整體準確度分別為86.00% 、83.60% 及87.20% ;Kappa值分為0.7782 、0.7520及0.7887 ,其中2001年以CMFI及MSAVI的判釋結果優於原始波段,2002年及2004年僅以CMFI的判釋結果優於原始波段。衛星影像灰度值會因季節不同及地面引起的陰影等而有不同的波譜特性,九九峰地形複雜陰影較多且受限於衛星影像空間解析度,以致在三期影像中有不同的分類成果。
URI: http://hdl.handle.net/11455/34533
其他識別: U0005-2108200712360400
Appears in Collections:水土保持學系

文件中的檔案:

取得全文請前往華藝線上圖書館



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.