自組織映射圖與邏輯斯迴歸之研究自組織映射圖與邏輯斯迴歸之研究-以判釋遙測影像以判釋遙測影像 的水稻田影像為例的水稻田影像為例 The study of Remote Sensing on Paddy Rice Image classification through SOM and Logistic Regress 周彥芝周彥芝* 陳勇年陳勇年* 萬絢萬絢* Yan-Jhih Jhou Yong-Nian Chen Shiuan Wan摘要摘要 水稻為台灣賴以維生的糧食作物，為了讓政府取得糧食政策制訂、產量推估與農民休耕或災後補助之依據來源，通常都會進行水稻種植面積的調查。而以往對於水稻田的判斷都是以實地探勘方式進行耕地坵塊圖（Rice Pattern）數畫與編修。這些過程通常需要大量人力、時間與經費，即使圖資完成，對於休耕補償作業來說，也往往不具有時效性，故無法立即作為政府實施水稻田相關政策的決策資訊。 本研究以 60 筆訓練樣本即 120 筆測試樣本為例，利用自組織映射圖(Self-Organizing Map ,SOM) 和 邏輯式迴歸(logistic regression) 建構判釋規則。並引入有效紋理資訊和植生指標作為輔助資訊，對水稻田判釋上提供一套有效資訊萃取的策略。其貢獻有四點: (1)避免不必要的雜訊引入(2)萃取眾多水稻田描述因子中之主要有效因子(3)建立水稻田發生的判釋規則(4)提升判釋水稻田發生的正確性。 關鍵字關鍵字:自組織映射圖自組織映射圖、邏輯式迴歸邏輯式迴歸、判判釋規則釋規則、紋理資訊紋理資訊、植生指標植生指標1 1 1 嶺東科技大學資訊管理與應用所 研究生 2 嶺東科技大學資訊管理與應用所 研究生 3 嶺東科技大學資訊管理系 教授 英文摘要英文摘要 Most of people in Taiwan live on rice for the food crop. In order to let the government get the information for the strategy of food, estimating of yields, fallow of farmers and judgments of the disastrous subsidy, the investigation for the area of paddy field is usually considered. In the past, calculating and editing of the Rice Patterns were used to judge the paddy field planting in the artificial way. These processes usually need a lot of man, time and money. Even if the formation of map is completed, it often does not have the effectiveness for the fallow subsidy. The paper uses the Self-Organizing Map and logistic regression to build the interpretation of rule by thirty samples and introduces the effective texture information and NDVI as the auxiliary information on the interpretation of the paddy field to provides an effective strategy of extracting the information. It contributes four advantages: 1. Avoiding of the unnecessary noise 2. Extracting the major effective factors in describing factors of paddy field 3. Building the judgmental rules of paddy field occurrence. 4. Increasing the accuracy of the paddy field occurrence. 壹壹、 前言前言 近年來科技日益進步，遙測技術也不斷的改良與精進，應用衛星影像於處理 大範圍面積方面也越趨廣泛。因此，如何有效運用衛星影像提升地貌判釋的精 度，便成為未來遙測技術持續發展的重點。非監督式的判釋方法可以省去現場探 勘之費時費力，而且準確性也相當的高。廣義上來說，植生指標與紋理資訊同時 對水稻田的判釋提供了相當重要的輔助，因此本研究加入了這些變數進行水稻田 的判釋。 （一一） 研究動機研究動機 水稻為台灣主要的糧食作物之一，而以往對於水稻田的判斷都是以人工方式 進行耕地坵塊圖（Rice Pattern）數畫與編修。需耗費大量人力與經費；現今雖 可利用衛星影像資料來快速判別，但因空間資訊技術屬性眾多如：林地、草地、 坡地、水體等） ，且會容易發生混淆（如：田埂與雜草） ，導致判釋水稻田準確度 不高。因此，若能建構一決策系統，並搭配衛星影像等空間資訊進行分析，快速 且正確的判讀出地表上所代表的物種，提高判釋水稻田之精準度，就能大幅減少 人力、物力與時間。 自組織映射圖是經網中無監督式學習網的一種，主要是取出不同群 組的資料作為樣本，之後在主動分群資料，藉此達成群聚化。邏輯式迴歸則是 似線性迴歸模式，其分只有兩（例如：是或否） 。目的是在於建立最精簡和 最能配適的分析結果，用來描述依變數與預測變數之間的關係。 （二二） 研究目的研究目的 綜合上述所描述，本研究目的是嘗試以自組織映射圖和邏輯式回歸建構判釋 規則。並引入有效紋理資訊和植生指標作為輔助資訊，針對水稻田判釋上提供一 套有效資訊萃取的策略，包含：1、避免不必要的雜訊引入，2、萃取眾多水稻田 描述因子中之主要有效因子，3、建立水稻田發生的判釋規則，4、提升判釋水稻 田發生的正確性。 貳貳、文獻回顧文獻回顧 本章節主要為整理前人研究的成果與經驗，針對地理資訊系統、實證區範 圍、圖資介紹及等相關應用之回顧。 （一一）地理資訊系統地理資訊系統 地理資訊系統（Geographic Information System, GIS）定義為從整個空間 資訊之蒐集，整理並分析資料，最後獲得決策，成為人們參考的依據。主要是透 過疊圖與空間分析功能，將原始地理資料轉變為支援空間決策的資訊。可使不同來源的地理資料整理成有系統的資料庫，並轉變為有效的空間資訊，例如人口分 佈、水文數據、地表植披、交通流量、遙感探測等。(林卓義，201010)應用方 面如：行政院農委會在崩塌潛勢判定之研究計劃中應用地理資訊系統結合遙感探 測與數位高程模型（Digital Elevation Model, DEM）分析技術，進一步預推崩 塌區位之規模及擴大趨勢，在治山防洪方面可快速提供防範資料。 本研究則是應用於判釋水稻田，首先蒐集研究地區，接著在描述地表、地物 之空間位置形狀與相互關係的空間資料模型（Spatial data model） 。就資料結 構而言，主要可分為向量式與網格式二種，諶家蘭（2002，1）指出向量資料 結構為屬性記錄的方式，圖形的組成約可分點（如獨立建築） 、線（如河流）與 面（地形）三種型態，較符合真實世界之形貌，建立資料的時間與成本高。 （二二）實證區實證區範圍範圍 本研究區域選擇在台中縣潭子鄉，位於台中縣之中部，居臺中盆地東北側， 東距山區約 2.4 公里東面及南面皆與台中市接壤，北與豐原市、神岡鄉交界，西 以大雅鄉為鄰，全鄉總面積為 25.8497 平方公里，東西寬 8.85 公里，南北長 5.65 公里，該地區地形包含水稻、旱作、草地、林地、建物、其他等多樣性地形特性。 適合用於探討本研究所提出之自組織映射圖及邏輯式迴歸分類模式之能力。 圖實證區位置(資料來源: 陳達祺(2008，6) （三三）圖資介紹圖資介紹 本研究所使用的材料為 QuickBird 融合後衛星影像及耕地坵塊圖，其二度分 帶座標之左上角座標為（217296.87, 2679420.37）右下角座標為（219064.37, 2677953.17）衛星影像拍攝時間為 2003 年 10 月 25 日，影像大小為 25262097 Pixel，總面積約為 260 公頃。 QuickBird 衛星於 2001 年 10 月 18 日美國 Vandenberg 空軍基地發射升空， 從 12 月份開始接收衛星影像。為美國 DigitalGlobe 公司所擁有。陳達祺(2008， 6)指出 QuickBird 衛星為太陽同步衛星，從 450 公里外的太空拍攝地球表面上 之地物、地貌等空間資訊，平均 4 至 6 天即可拍攝同一地點的影像。圖 2 為本研 究實證區之多光譜影像，圖 3 為全色態影像（Pan：0.45m 0.90m） 。多光譜影像的空間解析度於影像最佳的近地點之解析度為 2.44 公尺，遠地點的解析度則為 3.25 公尺，其波譜範圍含括藍光段（XS1：0.45 0.52m） ，綠光 段（XS2：0.52m 0.60m） ，紅光段（XS3：0.63m 0.69m）與近紅外光段（XS4： 0.76m 0.90m） （陳達祺(2008，6)圖 2 學習區多光譜影像 圖 3 學習區全色態影像 耕地坵塊圖則使用高解析度衛星影像進行水稻田分類之研究，利用 2003 年 第二期稻作之耕地坵塊圖作為水稻田判釋時的參考資料，提供單位為行政院農業 委員會農糧署。儲存方式是以 1/5000 圖幅範圍分割之 GIS 數值檔。本研究另外 加入其他輔助資訊，藉此達成正確的選取訓練樣本與分類後精度檢核之參考。影 像套疊耕地坵塊圖如圖 4 所示。 圖 4 影像套疊耕地坵塊圖 此圖藍色線條為利用 GIS 軟體繪製而成之水稻田編修，方便於計算最後點檢核準確度。 參參、研究方法研究方法 本研究主要介紹學習區樣本資料的種基本光譜來源，另外更加入 3 種輔助因子建構樣本資料庫。最後分別介紹兩種演算法。 一一、輔助因子輔助因子 衛星影像本身擁有四種基礎光譜資訊，分別為 R(紅光波段)、B(藍光波段)、G(綠光波段)、NIR(近紅外光波段)，再經由公式組合，產生其他 3 項光譜資訊作為輔助判釋因子。為 NDVI、Direct、Madogram。 3 項輔助因子計算公式如下表： 表 1 輔助因子介紹 輔助因子 定義 計算公式 NDVI 差異化常態植生指標，為綠色植物偵測最常用之指標 R-NIRRNIRNDVI Direct 方向半變異元，計算影像中單一波段的紋理特徵值 2)(121 hniikikkhxDNxDNhnh Madogram 絕對半變異元，計算方式則是以對值取代了 Direct 公式的平方 hxDNxDNhnhikihnikk 121 二二、自組織映射圖自組織映射圖 自組織映射圖網路 SOM 為 1980 年 T. Kohonen 提出，屬無監督式競爭式學習網路模式中的一種，採用有福同享的學習方式，不只勝利的神經元可以學習，