77.60%,總體 Kappa 值為 0.7196。其中非植生類別的分類成果較佳,而植生類別的分類精度則較低。高解析度影像分類須考慮十分繁複之因子與分類方法組合,並配合專家知識,方可 所示。 圖1 研究地區位置圖 Fig. 1 The location of study area 樣區主要分布之地物類別包括植生類別的柳杉人工林,以及闊葉樹混生林與紅檜
分變遷偵測如影像相減法與影像比例化可能過於簡單而不足以判別多種之土地覆蓋變遷。並提及常態化差異植生指標(Normalized Difference Vegetation Index, NDVI)適用於監測植生之變化,其值介於-1∼1 之間,如 NDVI 值越趨近於 1,表示綠色植物
............................................................................... 39表 4.1.4 植生之人工判釋屬性表 ............................................................................... 40表 4.1.5 稀疏植生之人工判釋屬性表
的沿岸濕地,為常綠喬木或灌木。廣義的紅樹林為「生長在熱帶海岸潮間帶泥濘且鬆軟土地上所有植物之總稱」(Davis,1940);而狹義的紅樹林則指「生長在熱帶海岸最高潮線與平 見的胎生植物,也是所謂的紅樹林植物,生長於河口區域、淡鹹水交匯處,伴隨這種植物生存的尚有為數頗多之螃蟹、魚類、蝦和水鳥,構成沼澤生態系。由於此地在過去未有任何保護措施時
練樣區,以此植生指標做為模糊分析與最小距離法之輸入資料,推估林分鬱閉度,並利用 31 個檢核樣區,做準確度之評估,比較此兩種分類方法之結果。1.前已森林是陸地上最重要的生 2 航ig'j及進測學刊第二卷第四期民國 86 年 12 月做前期處理,再將糾正後的影像,藉由其光譜反射特性發展出之各項植生指標,如單波段、植被比、規整差、縷帽轉換指
) 本研究中用於聚類演算法之屬性,除了光譜資訊紅光、綠光、藍光與近紅外光之外,尚包含了差異 化 常 態 植 生 指 標 (Normalized Difference 偵測地表覆蓋物變遷,為綠色植物偵測最常用之指標,因綠色植物生長愈旺盛,吸收愈多紅光,其反射之紅外光愈強,紅光與紅外光之差愈大。但在地區間與季節間之差異下 ,會對影像比例法
條件式分類在 eCognition 的 RuleSet 中,本研究依序設定道路、河川、植生、建物及鋪面之條件式與其門檻值(圖3-10),首先利用土地利用的Shapefile 切割河川與道路並分類,之後使用 NDVI (Normalized Difference Vegetation Index)判釋植生,建物部分是先利用 DSM 定義平均地表高度
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 ........................................................... 53 表 4-6 原始 4 波段+植生指標水稻與非水稻之群聚中心 ......................................... 53 表 4-7 原始
石,因此十分適合使用影像進行遙測圈繪判釋。7.植生(Vegetation):植生的狀況與自然邊坡有密切的關聯,其疏密程度隱含了該坡體之穩定狀態是否長久,在崩塌初期常呈裸露狀 將依光譜反應及其出現的地形區位、形狀細分出稀疏植生,濃密植生以及農墾地三種類別。 8.人工構造物(Artificial Structure):氾濫平原上最直接受到水流衝擊之人
............................................................................................ 68 圖 4-21 植生(左)與陰影(右)之隸屬函數 地,而對其週遭地物沒有多加以分類,本研究將崩塌地及其週遭常出現之地物分為六大類,分別為:雲霧、水體、泥砂、植生、建物道路、崩塌地,增加分類類別有助於後續之應用,舉例來說,藉由
為了持續優化網站功能與使用者體驗,本網站將Cookies分析技術用於網站營運、分析和個人化服務之目的。
若您繼續瀏覽本網站,即表示您同意本網站使用Cookies。