跳到內容

土地覆蓋怎麼分類

SCP 外掛的訓練樣區、分類演算法與精度評估

M6專業約 90 分鐘

草稿|步驟依 QGIS 3.x 手冊撰寫,尚未在 QGIS 4 實機驗證

太魯閣一帶 ESA WorldCover 2021 土地覆蓋(10 公尺)

太魯閣一帶 ESA WorldCover 2021 土地覆蓋(10 公尺)

  • 樹木
  • 草地
  • 農地
  • 建物
  • 裸地
  • 水體
資料:ESA WorldCover 2021 v200(CC BY 4.0;© ESA WorldCover project 2021 / Contains modified Copernicus Sentinel data (2021) processed by ESA WorldCover consortium)處理:直接取用 ESA 已發布的分類成果,最近鄰重投影到本圖範圍;不是本站自行訓練的分類;Sentinel-2 10 公尺像元,UTM 51N(EPSG:32651)出圖,bbox 為四角近似;numpy 自算;未經 QGIS 4 實機產出

環評的土地利用現況圖、集水區的植生覆蓋率、崩塌裸露地的面積統計,都需要把影像上的每個像元歸到某個類別。用人工數化太慢,又難以重複;用 NDVI 門檻只能分出植生與非植生。監督式分類是由你提供各類別的「樣本」,讓演算法學會每一類的光譜特徵,再推廣到整張影像。

常見的困擾是:

  • 分類結果看起來很破碎,道路、陰影被分成水體。
  • 不知道該選哪個分類演算法。
  • 報告要求附精度,但不知道怎麼算、算出來的數字代表什麼。
項目 說明
影像 一景多波段影像,建議用地表反射率產品(Sentinel-2 L2A 或 Landsat Level-2),取得方式見 M6-01。
外掛 Semi-Automatic Classification Plugin(SCP),從 外掛 Plugins ▸ 管理與安裝外掛 Manage and Install Plugins 安裝。
分類系統 事先定好的類別清單,例如水體、建物、裸露地、草生地、森林、農地。
驗證資料 獨立於訓練樣區的參考點,可由現地調查或高解析影像判釋取得。

依 QGIS 外掛庫資訊(撰寫時):SCP 最新版本為 9.0.5(2026-10-07 發布),作者 Luca Congedo,相容的 QGIS 最低版本為 3.99、最高為 4.98,也就是 9.x 版是給 QGIS 4 使用的版本。SCP 建立在 Remotior Sensus 函式庫之上,安裝後需要另外安裝相依套件,請依官方手冊的安裝說明操作。

  1. 安裝 SCP 並依手冊完成相依套件安裝,重新啟動 QGIS 後應出現 SCP 選單、SCP 停駐面板與工具列。
  2. 建立 波段組 Band set:把要用來分類的波段(例如 Sentinel-2 的 B2、B3、B4、B8、B11、B12)加入同一個波段組。不同解析度的波段要先重新取樣成一致。
  3. 建立訓練資料檔,在影像上畫訓練樣區(ROI)。每個樣區要畫在均質的區域內,並指定:
    • Macroclass ID(MC ID):大類,例如「植生」。
    • Class ID(C ID):子類,例如「草地」「森林」。同一個 C ID 不能屬於兩個 MC ID。
  4. 每一類都畫多個樣區,分散在影像不同位置,涵蓋該類別在不同地形、光照下的樣貌。
  5. 用光譜特徵圖(Spectral Signature Plot)檢查各類別的光譜曲線,若兩類曲線幾乎重疊,代表在這些波段下難以區分,考慮合併類別或加入其他波段。
  6. 選擇分類演算法並執行分類,見下方原理的比較表。可以先在小範圍預覽,再對整張影像執行。
  7. 對分類結果做精度評估:載入獨立的參考資料,產生誤差矩陣,取得整體精度、使用者精度與生產者精度。
  8. 需要的話做後處理,例如以多數決濾波去除孤立像元,再統計各類別面積。

每個像元在多個波段上的反射率可以看成一個向量。訓練樣區提供每一類的「光譜特徵」(平均值、變異),分類演算法比較每個像元的向量和各類特徵的相似程度,決定它屬於哪一類。分類的品質取決於兩件事:類別在光譜上是否真的可區分,以及訓練樣區是否具代表性。

演算法 原理 注意事項
Minimum Distance 計算像元與各類光譜特徵的歐氏距離,歸到最近的一類 快速,不考慮類別內的變異
Maximum Likelihood 依貝氏定理,假設各類別呈多變量常態分布 每個訓練樣區需要足夠的像元數才能計算共變異矩陣
Spectral Angle Mapping 比較像元向量與訓練向量的夾角,夾角最小者為該類 對整體亮度變化較不敏感
Random Forest 建立多棵隨機決策樹,以多數決分類 能處理非常態分布的類別,需要較多樣本
Support Vector Machine 計算分隔不同類別的超平面 參數設定影響結果
Multi-Layer Perceptron 含隱藏層的類神經網路 需要較多樣本與運算時間

沒有一種演算法永遠最好。建議用同一組訓練與驗證資料比較兩三種演算法,以精度評估結果決定。

道路陰影、深色屋頂、山區背光坡的反射率都很低,光譜上和水體接近。處理方式:

  • 加入短波紅外(Sentinel-2 B11、B12),水體在短波紅外的反射率極低,比較容易和陰影區分。
  • 把陰影另設一類,分類後再處理。
  • 搭配地形資料(坡度、坡向)或後處理規則。

精度評估用一組沒有用於訓練的參考資料,和分類結果比對,建立誤差矩陣:

  • 整體精度:對角線(分類正確)的樣本數除以總樣本數。
  • 使用者精度:某一類被分對的樣本數除以該類別在分類結果中的總數。它的補數是委任誤差(commission error),代表「圖上標成這一類,有多少其實不是」。
  • 生產者精度:某一類被分對的樣本數除以該類別在參考資料中的總數。它的補數是遺漏誤差(omission error),代表「實際是這一類,有多少被漏掉」。

整體精度高,不代表每一類都準。面積很小的類別(例如崩塌地)可能整體精度不受影響,但自己的生產者精度很低。SCP 手冊建議使用依面積加權的誤差矩陣(Olofsson et al., 2014),以取得較不偏的精度與面積估計。

  • 樣區要在均質區域內,避免跨越兩種地物的邊界。
  • 每一類要有多個樣區,分散在影像各處。
  • 訓練資料與驗證資料必須分開。用訓練樣區來驗證,精度會被高估。
症狀 原因 解法
安裝後外掛無法啟動或報錯 相依套件未安裝,或外掛版本與 QGIS 版本不相容 依手冊安裝相依套件,確認 SCP 9 搭配 QGIS 4
Maximum Likelihood 執行失敗 某一類訓練像元太少,無法計算共變異矩陣 加大或增加該類的訓練樣區
分類結果很破碎 類別間光譜重疊,或影像解析度高、地物雜 合併相近類別,分類後做多數決濾波
陰影、道路被分成水體 低反射率地物光譜相近 加入短波紅外波段,或另設陰影類
精度高但成果看起來不對 用訓練樣區做驗證 使用獨立的驗證樣本
不同解析度波段無法組成波段組 20 m 與 10 m 波段未重新取樣 先重新取樣成一致解析度

本單元目前沒有對應影片。

  1. 以同一組訓練樣區,分別用 Minimum Distance 與 Random Forest 分類,比較誤差矩陣。
    • 檢查方式:兩者的整體精度與各類生產者精度應能並列比較,說明差異最大的是哪一類。
  2. 把訓練樣區拿來當驗證資料,再用獨立驗證資料評估一次。
    • 檢查方式:用訓練樣區驗證的整體精度應明顯較高,說明為什麼不能這樣做。
  3. 從誤差矩陣找出最常被混淆的兩個類別,提出改善方式。
    • 檢查方式:方式應對應到光譜特徵圖中兩類曲線重疊的波段。