河川揚塵潛在發生區位劃定之研究

Delimitation of potential areas for the surface ofaeolian dust occurrence in the estuary of

Jhuoshei River

授課教授：林俐玲博士、鄭皆達博士

陳鴻烈博士、林德貴博士

指導教授：林昭遠博士

系級：水保博三

學號：89542008

姓名：莊智瑋

2009/03/13

（專題討論三）

前言 （Introduction）

前人研究 （Literature Review）

材料與方法 （Materials and Methods）

結果與討論 （Results and discussion）

結論與建議（Conclusions and suggestion）

簡報大綱簡報大綱

1

前言 ( Introduction)

3

A BC

前人研究 ( Literature Review)

4

土地利用分類

林憲德等（2008），應用衛星遙測與影像分類技術估算台南市地表不透水率 。

陳承昌、史天元（2007），以粗糙集方法應用於水稻田之辨識 。

沈明鋒（1999）以Sobel濾波器進行數值航空影像陰影區之偵測並加以補償。

林昱宏（2002）以Sobel及遙測影像對於紅樹林植群進行邊緣偵測並進行變遷監測，瞭解紅樹林質群之消長。

邊緣偵測

前人研究 ( Literature Review)

區位萃取

劉守恆、林慶偉（2004）以SPOT衛星影像進行崩塌地自動分類。

林文賜等（2008）應用支援向量機於九份二山崩塌地變遷評估之研究。

張子瑩及徐美玲（2004）以陳有蘭溪為試區，利用衛星影像萃取崩塌地，並加以瞭解降雨與地震觸發崩塌發生區位之關係。

Cheng et al.（2004）以台大實驗林為研究樣區，利用多時期衛星影像進行崩塌地變遷分析。

5

材料與方法 ( Materials and Methods) 研究試區

A

B

6

材料與方法 ( Materials and Methods) Flowchart

研究試區

資料蒐集及文獻回顧

邊緣萃取 影像分類

Sobel Filter及影像二值化

影像細線化及雜訊去除

潛在發生區位初步萃取

特徵萃取

樣本訓練

分類

7

材料與方法 ( Materials and Methods) 材料

8

由於不同的地表覆蓋，導致各種地覆對於光譜中吸收和反射的波段均不相同。故應用多光譜資訊於植物之探測，可分辨植生地覆、水體或裸露地之差異(林昭遠、林文賜，2001)。本研究採用自中央大學太空遙測中心之SPOT衛星影像（2004/12/18）進行揚塵潛在發生區位之萃取。

SPOT 衛星影像（2004/12/18）The SPOT image of study area（2004/12/18）

材料與方法 ( Materials and Methods) 方法

121

000121

101202101

GyGx

邊緣偵測（Sobel Filter）

對於一個二值化或黑白的影像中，影像的邊緣經常被使用作為影像分割及其他處理之前置動作。

Gx 及Gy 分別負責檢知X 與Y 方向的邊緣變化，若Gx與Gy 皆為零，表示一個點與其相鄰的八個點都是相同值，故沒有邊緣變化。

9

材料與方法 ( Materials and Methods) 方法

影像二值化（Otsu Method）

Otsu為最常見之影像二值化處理方式，原理是將灰階分佈圖分成兩集群，藉由此兩群變異數加權總合為最小，即為最佳門檻值。

假 設 影 像 灰 階 1 ～ L ， 影 像 像 素 點 總 和 為N=n1+n2+n3+………nL ， 而 灰 階 機 率 密 度 函 數（probability density function）。

Nn

p ii

10

材料與方法 ( Materials and Methods) 方法

C0為灰階值1～k 群集，C1為灰階值k +1～L群集，各群集所產生的機率為與w0與w1。

kwpwk

ii

10

兩群集C0與C1產生的平均數（mean）分別為u0與u1。

0

10 w

ipk

ii

kwpwL

kii

11

1

1

11 w

ipL

kii

11

材料與方法 ( Materials and Methods) 方法

兩群集C0與C1的變異數（variance）分別為σ0與σ1。

0

1

20

20

)(

w

pik

ii

1

1

21

21

)(

w

piL

kii

最後進行群集變異數的加權總和。

)()( 211200

2 kwkww

120 1

像素值

最佳門檻值t*

黑白

材料與方法 ( Materials and Methods) 方法

影像細線化（Hilditch Method）

原理為從3X3 moving window將輪廓影像點P與其周圍八個點之關係，判斷該點P是否該消除。

7~021 )}(){()(

kkkkk PPPPPPNc

消除點需符合以下兩個條件：

Nc = 1，P為邊界點。B(P)>1，P為非端點。

其中：B(P)為點P周圍八個點中為1的個數和；Nc為連結關係數。

13

P4P5P6

P3PP7

P2P1P0

輪廓影像 標記清除點 細線化結果

影像細線化結果The result of SPOT image of thinning. 14

材料與方法 ( Materials and Methods) 方法

雜訊去除

影像細線化後常易產生未完整之斷線或孤立點，在進行邊緣偵測時，其目的為求得物件之輪廓，故需將其未完整之線段或孤立點進行去除。

15

材料與方法 ( Materials and Methods) 方法

揚塵潛在發生區位初步萃取

揚塵潛在發生區位常呈現為不規則形狀且面積較一般農地廣大，因此，將細線化及雜訊除後之影像進行區塊面積統計並進行篩選，將面積過小之區塊加以剔除，即初步篩選出揚塵潛在發生區位。

16

影像分類（MLC）

分類類別機率密度函數( Lillesand &Kiefer,1994)

設選取的各訓練樣區在光譜空間屬於常態分佈，則各類波譜反應形式與每一種類波譜 平 均 值 及 協 變 方 矩 陣（Covariance Matrix）為相關。利用這些參數，即可計算每一像元為特定分類的統計機率。若將此機率值繪於三度空間圖上，垂直軸即表示一個像元屬於一種地物分類的機率，以最大機率當作判斷類別的標準。

最大概似法判別說明

材料與方法 ( Materials and Methods) 方法

17

整體精確度

最簡單的整體描述法，對角之樣點數目總和除以所有樣點數目的總和，由於已考慮到每個類別相對的權重關係，所以整體精度具較客觀性。

%100

n

1i

n

1jij

n

1iii

X

XAccuracyOverall

iiX 為分類矩陣中欄列對角之樣點數目，

jiX 為分類矩陣中第i列第j行之樣點數目。

精確度評估（Accuracy assessment）

18

Kappa係數

Kappa係數於1960年由Cohen提出，用以表示分類結果與地面參考真值相近程度，因具考量漏授、誤授之結果，故後來被廣泛地應用於遙測影像分類的精度評估，

%100

n

1iii

2

n

1i

n

1iiiii

XXN

XXXNKappa

iiX 為分類矩陣中欄列對角之樣點數目，

,X ii X 為分類矩陣中各欄及各列之樣點數目。

19

結果與討論 ( Results and Discussions)

Sobel邊緣偵測

以Sobel進行邊緣偵測僅適用於黑白影像，而本研究所使用之SOPT衛星影像屬於彩色影像無法直接進行邊緣偵測，若將其進行色彩轉換，如RGB轉成灰階影像或HIS、YCbCr等格式，則會有失真或資訊遺漏之現象，且每種波段影像均具有其特性 。

G波段可用來評估植物生長情形；

R波段為葉綠素吸收帶；

IR波段可用來作為植被與裸露地、水體之區隔等。（蕭國鑫，1994）

IRRGf IIII20

結果與討論 ( Results and Discussions)

G

R

IR

Mosaic21

影像細線化及雜訊去除

結果與討論 ( Results and Discussions)

經由邊緣偵測、影像細線化及雜訊去除後，經由圖面檢視發現影像中之區塊大部分均有所區隔，除揚塵潛在發生區位及水系間，原因係為本研究所使用之SPOT影像僅有G、R及IR三波段，而揚塵潛在發生區位及水系在本影像中光譜特徵較為相近，故無法形成較完整之封閉區塊。

影像細線化及雜訊去除Image of thinning and noises eliminated.

22

揚塵潛在發生區位初步萃取potential areas for the surface of aeolian dust occurrence of initial

extraction from SPOT image

揚塵潛在區位初步萃取

結果與討論 ( Results and Discussions)

23

結果與討論 ( Results and Discussions)

影像分類

3550000水田

0410100水域

00518118道路

00030012裸露地

0000393一般農田

1002039旱田

水田水域道路裸露地一般農田旱田

影像分類誤差矩陣Error matrix of image classification.

整體精確度為75.60％，Kappa Coefficient為0.71

24

結果與討論 ( Results and Discussions)

影像分類結果Result of image classification.

25

結果與討論 ( Results and Discussions)

利用影像分類結果將水系個別萃取出後，再與揚塵潛在發生區位初步萃取之結果以套疊分析將水系予以扣除，即可得實際之揚塵潛在發生區位。

分析結果顯示，本研究所採用之2004/12/8 SPOT影像，揚塵潛在發生區位分布多落於河道凹凸岸堆積區，面積約為534.3公頃。

揚塵潛在發生區位

26

揚塵潛在發生區位萃取結果The Result of potential areas for the surface of aeolian dust occurrence.

結果與討論 ( Results and Discussions)

27

結論與建議 ( Conclusions and Suggestion)

結論

經由邊緣萃取搭配影像分類可將揚塵潛在發生區位萃取而得，面積約為543.3公頃，因過程中需採用試誤法決定面積門檻值，屬於半自動型之萃取方式，為本研究可再改善之處。

利用衛星影像進行揚塵潛在發生區位萃取，除可減少現地調查之工作量外，更可依據萃取結果進行治理優先順序之評估，不僅省時省力，更可加速於東北季風來臨前完成整治工作之時效性。

28

結論與建議 ( Conclusions and Suggestion)

建議

本研究所採用之影像處理流程雖可將揚塵潛在發生區位萃取出，但過程中之揚塵潛在發生區位初步萃取需依每期影像之差異作適當篩選，再與影像分類結果相結合，屬於半自動之揚塵潛在發生區位萃取，建議未來可經由多時期旱季影像歸納出合理面積門檻值，以減少揚塵潛在發生區位萃取之不便性。

29

30