Please use this identifier to cite or link to this item: http://hdl.handle.net/11455/34628
標題: Vegetation Index and texture factors of SPOT satellite image for classification the landcover pattern at the estuary areas of Jhuoshei River
以植生指標與紋理因子輔助衛星影像應用於濁水溪河口地覆類別分類之研究
作者: Li, Cheng-Jyun
李承寯
關鍵字: Vegetation Index
植生指標
Texture factors
Image Classification
紋理因子
影像分類
出版社: 水土保持學系所
引用: 參考文獻 1. 王如意、易任(1979),「應用水文學」,茂昌圖書。 2. 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。 3. 江宗錫(2000),「利用倒傳遞類神經網路作數位相機色彩非線性演繹模式之建立」,元智大學電機與資訊工程研究所碩士論文。 4. 沈育佳(1998),「都會區空載多光譜掃描影像紋理分析之研究」,國立中興大學土木工程學系碩士論文。 5. 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。 6. 何珮艷(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研究所碩士論文。 7. 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。 8. 吳俊龍(2004),「以影像紋理與色彩資訊輔助地物分類之研究-以臺北地區為例」,國立臺北大學地政學系碩士論文。 9. 吳俊龍(2004),「以影像紋理與色彩資訊輔助地物分類之研究-以臺北地區為例」,國立臺北大學地政學系碩士論文。 10. 林榮章(1999),「都會區多解像力遙測影像之紋理分析」,國立中興大學土木工程學系碩士論文。 11. 林昭遠、林文賜 (2001),「集水區資訊系統(Wingrid)入門」,暐帥股份有限公司。 12. 周明中(2005),「紋理輔助高解析度衛星影像分析應用於偵測入侵性植物分佈之研究」,國立中央大學土木工程學系研究所碩士論文。 13. 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。 14. 施俊廷(2005),「台灣中部山區道路邊坡崩塌特性之數值模式建置研究」,國立屏東科技大學土木工程系研究所碩士論文。 15. 郭立穎(1997),「紋理分析在香瓜甜度上之應用」,台灣大學農業機械工程學系碩士論文。 16. 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。 17. 郭秀玲(2003),「紋理分析於農地利用判釋之研究-以苗栗縣大湖鄉為例」,逢甲大學土地管理學系研究所碩士論文。 18. 許晉嘉(2006),「應用支援向量機法於高解析度衛星影像分類之研究」,逢甲大學環境資訊科技研究所碩士論文。 19. 陳繼藩(1992),「SPOT衛星影像空間(紋理性)與光譜特性相結合之土地分類法」,行政院國家科學委員會專題研究計畫成果報告,國立中央大學太空遙測中心。 20. 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。 21. 陳彥宏(2004),「運用紋理資訊輔助高解析度衛星影像於都會區水稻田萃取之研究」,逢甲大學土地管理學系研究所碩士論文。 22. 陳志雄(2006),「高解析度近紅外光彩色航照影像於植生分類之研究」,逢甲大學土地管理學系研究所在職專班碩士論文。 23. 張右峻(1999),「利用類神經網路探討土地利用型態與環境變遷之研究」,逢甲大學土地管理學系研究所碩士論文。 24. 張智傑(2000),「SPOT衛星植生影像應用於紅樹林覆蓋面積變遷分析之研究」,國立海洋大學漁業科學學系碩士論文。 25. 馮紀武、潘菊婷(1991),遙感製圖,測繪出版社。 26. 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。 27. 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。 28. 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。 29. 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研究所碩士論文。 30. 黃麗娟(2007),「植生指標應用於土地利用分類判釋之研究」,國立中興大學水土保持學研究所在職專班碩士論文。 31. 傅桂霖(2004),「衛星影像紋理分析在山坡地監測管理之應用」,國立中興大學水土保持學研究所碩士論文。 32. 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。 33. 莊宜家(2005),「颱風對南仁山森林生態系樹冠幹擾之探討」,國立屏東科技大學熱帶農業暨國際合作研究所碩士論文。 34. 莊智瑋(2007),「以植生指標探討九份二山崩塌地植生變遷之研究」,中華水土保持學會96年年會論文發表論文集:51~52。 35. 葉怡成(2003),「類神經網路模式應用與實作」,儒林圖書有限公司。 36. 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。 37. 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。 38. 楊琇涵(2006),「應用小波神經網路於高光譜影像分類」,國立台灣大學土木工程學研究所碩士論文。 39. 廖浩鈞(2006),「以QuickBird高解析度遙測影像以分類法判釋南二高邊坡保護工程之研究」,國立成功大學資源工程學系研究所碩士論文。 40. 鄭丁元(2006),「高解析度衛星影像於水稻田丘塊萃取之研究」,逢甲大學環境資訊科技研究所碩士論文。 41. 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。 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. 黎瑋(1998),「紋理分析於遙測影像分類之研究」,國立中央大學土木工程學系碩士論文。 44. 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。 45. 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。 46. 謝嘉聲(1994),「數據整合方法應用於SPOT衛希影像之分析研究」,國立交通大學土木工程研究所碩士論文。 47. 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研究所碩士論文。 48. Aosier Buhe , K. Tsuchiya , M. Kaneko , Mahmut Halik. (2007), “Land cover of oases and forest in XinJiang, China retrieved from ASTER data” , Advances in Space Research, 39:39-45. 49. Baraldi, A. and Parmiggiani, F. (1995), “ An investigation of the textiral characteristics associated with gray level co-occurrence matrix statistical parameters, IEEE Trans. On Geosci and Remote Sensing, 33(2):293-304. 50. Bishof et al. (1992), ”Multispextral classification of landsat images using neural network” , IEEE Transactions on Geoscience and Remote Sensing, 482-490. 51. Cohen, J. (1960), “A Coefficient of Agreement for Nominal Scales”, Educ. Psychol. Measurement. 52. Congalton, R. G. (1991), “A review of assessing the accuracy of classifications of remotely sensed data,” Remote Sensing of Environment, 37:35-46. 53. Elvidge, C.D., Chen Z., (1995), Comparison of Broad-band Andnarrow-band Red and Near-infrared Vegetation Indices, Remote Sensing of Environment, 54, 38-48. 54. Haralick, R.M., K. Shaunmmugam, and I. Dinstein, (1973), Textural features for image classification, IEEE Trans. On Syst., Man, and Cybern., 67:786-804. 55. Hay, G. J., K.O. Niemann, and G.F. Mclean, (1996), “An object-specific image-texture analysis of H-Resolution forest imagery”, Remote Sens. Environ., 55:108-122. 56. Lillesand, T. M., & R. W. Kiefer, (1994), Remote Sensing and Image Interpretation, John Wiley & Sons Inc, New York. 57. Loveland, T.R., Ohlen, D.O. (1993), ”Experimental AVHRR Land Data Sets for Environmental Monitoring and Modeling, Environmental Modeling with GIS,” Oxford University Press, New York, 379-385. 58. Lyon, J.G. , D. Yuan,R.S. Lunetta, and C.D. Elvldge (1998), “A change detection experiment using vegetation indices” , Photogrammetric Engineering & Remote Sensing, 64(2):143-150. 59. Marceau, D. J., P. J. Howarth, J. M. Dugois, and D. J. Gratton (1990), “Evaluation of the grey-level co-occurrence matrix method for land-cover classification using SPOT” , IEEE Transaction on Geosciences and Remote Sensing, Imagery, 28:513-519. 60. Montserud, R.A. and Leamans, R. (1992), “Comparing global vegetationmap with the kappa statistic. Ecol. Model”. 62:275–293. 61. Running, S.W. , T.R. Loveland, L.L. Pierce , R.R. Nemani , and E.R.Hunt, Jr. (1995), “A remote sensing based vegetation classification logic for global land cover analysis” , Remote Sensing of Environment. 51:39-48. 62. Berberoglu, S , Currun, P.J. , Lloyd, C.D. , Atkinson, P.M. (2007), “Texture classification Mediterranean land cover” , International Journal of Applied Earth Observation and Geoinformation, 9:322-334.
摘要: 台灣中部地區之河床裸露地易受東北季風吹襲而產生揚塵,危害鄰近區域空氣品質,如何有效快速劃定河口揚塵潛在發生區位及加強復育管理極為重要。 本研究以濁水溪下游為試區,蒐集試區內相關影像、數值高程模型(DEM)及水文資訊,分別萃取植生指標、紋理因子及年高低水位,以進行潛在區位之分類及水位頻率年之計算。研究中以植生指標與紋理因子輔助原始影像進行影像分類,分為裸露地、農田、植被及水域等四類。除採用光譜反射值進行分類外(原始波段、原始波段分別合併CMFI、NDVI),更以3種移動視窗大小(3×3、5×5、7×7)計算6種紋理因子,再針對紋理因子進行主軸轉換,探討不同組合方式於影像分類精確度上之差異,以求得該區位元之最佳影像分類組合。在水文頻率年計算部分,擷取歷年最高與最低水位,並以甘保氏極端值第一類及第三類分佈求得T=1.1、T=1.5、T=2.33等頻率年水位高,配合數值高程模型劃定潛在揚塵發生之區位。 研究結果顯示:(1)不同時期的影像,其原始波段合併植生指標具有不同的分類能力,應針對研究試區之特性慎選。(2)在紋理因子子方面,主軸轉換後之紋理因子可再提昇影像分類成果之精確度,以原始波段加入植生指標(NDVI)及紋理因子(7×7移動視窗大小)之分類精確度最高,各期整體精度均達75.00%以上;Kappa係數均達0.667以上。(3)經調查後發現,潛在區位主要可分為河床耕地、深槽線河岸裸地及河床之非耕作區;牧草發芽率雖以短植株較佳,但葉片數卻係以長植株較優於短植株。(4)藉由影像分類成果、頻率年水位高及DEM綜合分析後發現,大部分之潛在揚塵發生區位多位於河床之非耕作區,常因旱季水位降低而裸露,若能以自然植生之方式加以復育,除改善揚塵現況外,更可達到綠化河道及永續經營之目的。
Due to the characteristics of flat terrain, huge bare soil in drought season, and the monsoon effect, the estuaries of rivers in central Taiwan are susceptible to serious wind erosion. Large amounts of dust emission to inland decrease the living quality and affect the human health nearby in the monsoon season. Therefore, it is important to delineate the potential areas where are mostly susceptible to wind erosion on the riverbed and to make some vegetation strategies for the areas of dust emission. The section of Jhuoshei River was selected as the study area. The satellite imagery and water level are used to calculate vegetation indices, texture factors and the frequency of water level. The supervised back propagation neural network technology was employed to compare the accuracy of image processing by using the vegetation indices and/or the texture factors which derived from SPOT satellite imagery for the bare land, farm, vegetation, water classification. In addition to use the reflection of spectrum and three kind of moving window sizes to calculate texture factors for classifying landcover, and discussed what kind bands of combination is the best. Gumbell's extreme value type I and type III distribution calculated the frequency of water level, and then coupled with DEM to delineate the dust emission potential areas. The results showed that (1) Original bands plus vegetation index showing different performance in interpretation, it should be carefully selected for the certain study area. (2)The image processing with original bands plus NDVI and texture factors has the best interpretation. The best moving window size is 7×7 for the texture factors calculation. (3) The potential areas of dust emission can be categorized the bare sites along the main channel and the uncultivated/cultivated areas at the flood plain. (4) According to image classification, frequency analysis of water level, and DEM, most potential areas are located at the uncultivated riverbed. To make some vegetation strategies for these areas can effectively decrease the damage of dust and maintained the vegetation facilities for sustainable estuary management.
URI: http://hdl.handle.net/11455/34628
其他識別: U0005-0508200822071600
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.