在大數據的時代下，人工智慧技術持續演進，利用人工智慧中的機器學習進行影像辨識，並迅速獲得針對特定問題的初步解答為當前潮流。本篇電子報介紹如何利用地理資訊系統 ArcGIS 進行衛星影像中不同土地利用型態的影像分類，也歡迎讀者一同著手嘗試！

Landsat 計畫自 1972 年美國發射 Landsat 1 地球觀測衛星開始，便開始蒐集衛星觀測資料，使用者可透過美國地質調查局 (USGS) 的 EarthExplorer 網站下載 Landsat 衛星資料 (圖 1)。除此之外，歐洲太空總署 (European Space Agency, ESA) 透過哥白尼計畫 (Copernicus Programme) 提供哨兵 (Sentinel) 系列衛星觀測開放資料，使用者亦能由 Copernicus Browser 網站下載哨兵衛星影像資料 (圖 2)。(建議先免費註冊後即可下載影像)

以 USGS 的 EarthExplorer 搜尋 Landsat 衛星影像例，說明如下：

步驟1：於「Search Criteria」頁面，以多邊形或圓形方式點選範圍，或輸入坐標查找目標區域。
步驟2：選取「時間範圍」、「雲覆程度」來篩選目標衛星影像。
步驟3：於「Data Sets」頁面，選取所需之衛星影像。
步驟4：於「Additional Criteria」頁面，增加條件進行衛星影像篩選。
步驟5：選點 Results 後，平台以縮圖方式呈現所篩選影像。
步驟6：點選左側縮圖列的腳印符號即顯示衛星影像範圍，點選照片符號則於圖台上顯示該衛星影像。

機器學習在影像分類上分為監督式 (supervised) 與非監督式 (non-supervised) 學習法，非監督式學習法為讓機器自行找出一定的規則分類資料；監督式學習法則是會先將資料加上標籤以訓練模型，訓練後再進行影像分類。

地理資訊系統可將含有空間屬性的資料進行空間分析及後續應用，本文以地理資訊系統 ArcGIS 為例，並示範利用 Landsat 8 衛星影像資料進行 影像分類。首先，將衛星影像 tiff 檔匯入 ArcGIS，接著可透過組合不同波段的衛星影像以 強化地形特徵，如 Landsat 8 波段 (band) 4 為紅光，波段 5 為近紅外光，波段 6 為短波紅外光，利用 ArcGIS 中的複合帶 (composite bands) 工具，選定 RGB 波段分別為 4-3-2 之 3 個波段，則能呈現自然色 (Natural Color)；若選定 RGB 波段分別為 5-6-4 之 3 個波段，則能清楚呈現陸地/水體的區別 (Land/Water)；若選定RGB 波段分別為 5-4-3 之 3 個波段，則能辨別都市區域與植生 (urban areas/vegetation) (圖 4之步驟2)。

選擇能清楚分類目標與非目標的影像呈現後，即可開始進行監督式影像分類的模型訓練，於 Training Samples Manager 功能中定義欲分類的土地類型，接著點選各土地類型進行圈繪，將影像資料加上標籤，透過機器學習在模型訓練中分辨水體與裸露地的影像 (圖 4)。

各類別的區塊圈繪完後，選取同一個類別的區塊，點選 collapse 進行整合，接著將此分類結果儲存為 shp 檔 (圖 5)。模型訓練完畢後點選 Classification Wizard 進行影像分類，分類方式選擇監督式分類，分類類型有基於像元 (pixel-based) 或基於物件 (object-based) 的分類法，本文選用傳統的基於像元的分類法，並選擇已儲存的分類 schema 進行後續操作 (圖 6之步驟1) (若分類類型選用基於物件的分類法，則自 Classification Tools 下拉選單選擇 Segmentation 工具進行分類)。

點選 Next 後，可再次確認或修改各類別與其隸屬的區塊 (圖 6之步驟2)，最後則是選用不同的機器學習法進行影像分類 (圖 6之步驟3)，本文選用支援向量機 (support vector machine, SVM) 與隨機樹 (random trees, RT) 兩種，並將其分類結果與農村發展及水土保持署之崩塌判釋結果進行比較。

本文以花蓮縣秀林鄉部分區域為目標範圍，結合 2023 年判釋的崩塌地面積與 2024 年重大災害後判釋的新生崩塌面積，共 1910.76 公頃 (圖 7右)，而檢視支援向量機與隨機樹的影像分類結果，前者分類面積成果較農村水保署判釋面積少，而後者在分類面積成果較農村水保署判釋面積大。此外，發現隨機樹訓練分類方式下，都市地區分類面積小於支援向量機，推測可能將部分崩塌地歸類於都市地區的分類，導致裸露地 (barren) 分類成果較差，不過隨機樹在水體的判別成果則較支援向量機方式準確。

Basheer 等人 (2022) 也於 ArcGIS 與 GEE 上透過支持向量機、隨機樹及最大概似法 (maximum likelihood, ML) 等機器學習法，以 Landsat、Sentinel 及 Planet 等衛星影像進行土地利用分類，得到支持向量機的分類法獲得較佳的結果。整體而言，本文初步分享裸露地判釋在監督式分類法之支援向量機與隨機樹的差異，未來可透過其他機器學習法與不同衛星影像資料來測試崩塌地分類的成效。

上述方式可提供災害發生初期需快速獲取災害影響範圍之用，但欲提升準確度，則建議除參考前人研究之設定方式外，亦可增加訓練樣本數，以得到較佳影像分類成果。讀者可透過上述步驟，將衛星或其他遙測資料利用地理資訊軟體進行分類，以初步快速估算不同土地利用類別的面積與其空間分布狀況。

1.　Basheer, S., Wang, X., Farooque, A. A., Nawaz, R. A., Liu, K., Adekanmbi, T., & Liu, S. (2022) Comparison of land use land cover classifiers using different satellite imagery and machine learning techniques. Remote Sensing. 14(19): 4978.
2.　太空科技合作新視角！臺灣與歐洲各國攜手提升太空新戰力
3.　What is the Copernicus Programme?
4.　Band Combinations for Landsat 8