整合空间资料挖掘、逻辑过滤、分类误差分析与人机互动辅助判释于福 .pdfVIP

整合空間資料挖掘、邏輯過濾、分類 誤差分析與人機互動輔助判釋於福衛 二號影像資料判釋之應用 Applying Spatial Data Mining, Logistic Filtering, Classification Error Analysis and Man-Machine Interactive Interpretation Methods in Formosat-II Image Interpretation 國立臺灣大學理學院空間資訊研究中心 Spatial Information Research Center, CS, National Taiwan University 朱子豪 教授 Prof. Tzu-How Chu 大綱 • 遙測影像分類、判釋的傳統限制 • 空間資料挖掘與邏輯過濾 • 分類誤差分析 • 人機互動輔助判釋 • 福衛二號影像應用案例 • 結論 遙測影像分類、判釋的傳統限 制 •監督式分類需針對目標地區環境有所了解，以便挑選適切 的訓練樣區，作為分類依據。 • 非監督式分類以像元灰度值分成數類群集(Clusters)，仍 需結合對當地環境認知與其他輔助資料，以判定各群集與 土地利用類型的關係。 • 判釋者的經驗、知識與所取得的輔助資料，對於分類或判 釋成果具有絕對的影響。 空間資料挖掘與邏輯過濾 • 空間資料挖掘 (Spatial Data Mining) • 空間資料挖掘是針對大量的空間資料庫進行發現有趣、隱藏 未知的有用資訊（Roddick Spilioporlou，1999；Shekhar Chawla，2003）。 • 空間資料挖掘整合空間統計方法、空間分析、GIS、機器學習 （ Machine learning）以及資料挖掘等各項技術方法。 • 結合對判釋目標課題之空間與環境特徵分析，配合相關空間 資料與判釋目標歷史資料，進行空間資料挖掘，藉以探尋潛 在空間過濾準則。 Rule 1 Rule 4 Rule 2 Rule 3 • 邏輯過濾 •除藉由空間資料挖掘所建立的準則外，透過相關空間資料 （農業耕作現況圖）或登記資料（如農業申報資料、產區與 產量調查資料），作為邏輯過濾條件。例如： • 透過國土利用現況調查資料或耕地現況圖，排除非農耕之空間範 圍。 • 結合農作物之鄉鎮或村里產量調查，排除非特定作物之種植範圍。 • 依據歷史案例分布調查資料，建立判釋標的類型之光譜分類 樣本。 分類誤差分析 • 基於最大概似法(Maximum Likelihood Classification)，針對 分類誤差像元，進行分類 機率值分析，建立區域性 分類誤差機率值閾值。 •目的在於找出自動化分類 後可能發生漏判或誤判 之 坵塊，如此在進行後續人 機互動判釋時可僅針對此 可能發生錯誤之坵塊 進行 判釋，可幫助節省人工判 釋之成本。 人機互動輔助判釋 • 經過空間資料挖掘與邏輯過濾，縮小判釋目標區域範圍， 並建立判釋標的類型之分類樣本。 • 以最大概似法（Maximum Likelihood Classification） 進行像元式影像分類。 • 依據誤差分析經驗閾值（被錯誤分類之像元分類機率閾 值），將分類成果劃分為正確分類及疑似誤差。 • 透過人機互動輔助判釋，針對疑似誤差範圍，配合航照或 UAV影像，進行人工判釋，藉以降低判釋成本。 點選加值判釋 的頁籤 選擇人工 判釋結果 若有特殊情形 可註記於此 以上輸入完畢後