• 期刊

「技術短文」比較監督及非監督模式與共克利金法估算河川汙染指標面化圖

本研究擬結合SPOT衛星遙測影像（Remote sensing, RS）及現場水質採樣分析資料，並以兩階段非監督模式分類遙測圖結合共克利金法（Co-kriging, CK）內插建立台灣河川流域水質污染指標面化圖（River Pollution Index Map, RPIM）。本研究非監督模式採用自動最佳化分類結果，藉此分類衛星遙測影像涵蓋河川水體之污染分佈情形，再加入高程，並以當日少數定點水質採樣資料為參考主要資料作共克利金空間內插，兼顧遙測及現場實測兩種方法的優點建立河川水質污染面化圖，最後再與監督式共克利金法的估算結果及傳統僅用監測站值空間內插結果作比較。綜合上述觀點非監督共克利金法具有簡單、快速及改善監督共克利金法學習建模過程複雜的優點，且準確率亦未降低，顯示非監督共克利金法取代監督共克利金法估算河川未設測站水質污染之優勢。

• 期刊

建立航測影像稻作坵塊物件生成與時空變化模式之研究

水稻為台灣主要糧食作物之一，政府每年投入大量資源進行水稻坵塊面積調查，調查成果將進行農業管理上之依據。但調查過程多以人工圈選方式進行向量圖檔之建立，此過程耗時甚鉅，因此如何快速地從高解析度數值航照影像中獲取地理空間訊息，進而達到農業資訊化管理之目的，基本上就是一個重要的研究課題。本研究欲發展一個結合坵塊尺度資訊與熵分類器（Entropy Base Classifier, EBC）的區塊物件化熵分類器（Region Object-oriented Entropy Based Classifier, ROEBC），並與傳統逐像元概念之最大概似分類器（Maximum Likelihood Classifier, MLC）來進行比較。研究成果顯示，使用ROEBC分類器可在各別波段產生切割點後並計算出個別屬性的資訊增益（Information Gain, IG）值。並且可以使用IF...THEN法則成功的將複雜的影像資訊的分類問題，轉化成一階邏輯概念的程序表達形式，這個形式會比傳統的統計參數式分類法則（如MLC法），更有效的表達出影像之知識內涵。此外物件導向分類器就點檢核與面檢核的觀點來看，均同時顯示優於逐像元式分類器之成果，這也顯示本研究所使用的物件導向分類器在製作水稻主題圖上，要比傳統逐像元的方式更為理想與成功。最後，本研究以坵塊化概念呈現了本研究成果與其他GIS資料整合分析的可行性，以及同時提供了轉作休耕田與外業調查人力投入度策略之分析成果。

• 期刊

光學式衛星影像雲層處理之研究

利用光學式衛星影像進行土地利用判釋或農作物產量估測時，雲層覆蓋是無法避免的干擾之一。就具有厚雲層的影像而言，本研究以單時期影像及區域增長（region growing）之方式偵測並切除無法還原地物資訊的厚雲層及其雲影。具有薄雲的影像則以傅利葉（Fourier）分析建立薄雲的數學模式，再以此模型薄雲並還原薄雲底下的地物光譜資訊，雖然在模式建立階段需兩時期影像，但建立後模式對其它影像進行去雲處理時則僅需單時期資訊。研究成果顯示，厚雲及雲影偵測之整體精度皆可達到90％以上。薄雲去除方面，薄雲過濾器提升了約4％的分類精度，亦減輕薄雲對正規化差異植被指數（normalized difference vegetation index, NDVI）的影響，改善程度在統計上皆達到顯著性（p＜0.01）。本研究成果可應用在土地利用判釋和農作物產量估測中的影像前處理程序，除減少去除雲層的人力，亦可增加衛星影像的利用度。

• 期刊

運用資料探勘技術分析熱帶海水表面溫度

本研究應用資料探勘技術提升地球同步作業環境衛星（Geostationary Operational Environmental Satellite, GOES）的紅外線感測器所量測導出的熱帶海面溫度資料的準確度，並探討影響誤差的主要因素。由倒傳遞類神經網路（Back Propagation Network, BPN）的演算，得到日平均的海面溫度均方根誤差（Root Mean Square Error, RMSE）從0.58 K降至0.37 K，平均絕對百分比誤差（Mean Absolute Percentage Error, MAPE）為1.03％；小時的海面溫度均方根誤差從0.66 K降至0.44 K，MAPE值為1.1％，顯示倒傳遞類神經網路演算法有效改善了海面溫度估計的準確度。對於不同比例的雲層遮蔽情況下，倒傳遞類神經網路對於衛星海面溫度資料修正後之RMSE均維持在0.38 K以下，展現倒傳遞類神經演算法對於海面溫度分析時之抗雜訊能力。另外，分析結果也顯示大氣溫度是影響誤差的主要因素，其次為風速與相對溼度。

• 期刊

「技術短文」資料探勘技術於坡地崩塌之驗證與潛勢評估

基於災後以資料導向分析的觀點，本研究採用決策樹與貝氏網路兩種資料探勘的分類技術，萃取因颱風豪雨促發的淺層坡地崩塌特性，希冀建構可靠的崩塌潛勢預測模型。此外，本研究亦提出資料濾除機制，去除不確定性資料，並配合因子顯著性分析與特徵縮減技術，強化崩塌案例驗證與潛勢評估之有效性。研究成果顯示，資料濾除機制可降低模型因遷就不確定性資料造成之不可靠，提升預測能力；且貝氏網路成果優於決策樹演算法，提供較可靠的預測及潛勢成果。而特徵縮減不但改善效能問題，亦能維持一定程度的檢核及預測精度。