母岩裸露指標之建立並應用於崩塌判釋與監測

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：10

、訪客IP：3.144.212.145

姓名

羅子翔(Zi-Xiang Lo) 查詢紙本館藏

畢業系所

遙測科技碩士學位學程

論文名稱

母岩裸露指標之建立並應用於崩塌判釋與監測
(Developing Bedrock Exposure Index for Landslide Mapping and Monitoring)

相關論文

★ 評估不同數值地型資料於降雨型崩塌作用模式之應用性-以小尺度坡面之崩塌事件為例	★ 應用最大熵法於蒙古山區進行森林樹種分類
★ 利用Landsat衛星影像監測並預測中美洲瓜地馬拉首都–瓜地馬拉市之都市發展	★ 都市化與發展：對海地永續發展之意涵
★ 客家文化重點發展區之客家政策研究：以龍潭大池整體環境規劃與營造計畫為例	★ 利用多時期Landsat衛星影像進行森林砍伐之評估 -以尼加拉瓜波沙瓦生態保護區為例
★ 融合光學衛星影像及地形資訊進行崩塌地之判釋	★ 應用Sentinel-1 SAR影像進行水稻監測-以泰國中部大城府省為例
★ 都市三維結構變遷之分析-以臺灣臺北市為例	★ 應用 Sentinel-1 合成孔徑雷達資料進行地層下陷監測 - 以 2017 年泰國曼谷都會區為例
★ 利用人工神經網絡模型建立多事件為基礎之崩塌模型-以台灣玉山國家公園為例	★ 應用衛星影像於都市發展之監測與預測 ─以台灣桃園為例
★ 分析降雨及不透水面對台南水患發生之影響	★ 應用Google Earth Engine與影像分類技術於巴拉圭查科地區進行森林砍伐評估
★ 應用多時期Sentinel-1 合成孔徑雷達影像進行崩塌及淹水偵測-以印尼爪哇島Pacitan地區為例	★ 應用邏輯斯迴歸整合土壤含水量與臨界降雨之崩塌預測模式-以高屏溪流域為例

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

氣候變遷，導致極端降雨的事件頻傳，使得大規模崩塌的發生頻率越來越高，藉由建置災後崩塌目錄，做為日後崩塌潛勢分析與災害風險管理的基礎。近年來，經常使用光學衛星影像進行大範圍的崩塌測繪，有效節省成本並提升效率，除了視覺判釋外，常態化差異植生指標 (Normalized Difference Vegetation Index, NDVI) 及其他衛星衍生的光譜指標也常被用於崩塌裸露地偵測。根據受災面積和破壞深度，可將崩塌分為深層崩塌和淺層崩塌兩種類型。深層崩塌是指滑動面深入新鮮岩體中之滑動現象，因此可以在地表觀察到母岩露頭。深層崩塌對於環境具有較大的影響，這是因為其大量的沉積物透過破壞材料輸送造成嚴重破壞以及重大社會經濟損失的機會更大。因此深層崩塌的辨識對崩塌災害評估具有重要意義。但是目前尚未有用於區分這兩種崩塌類型的特定衛星衍生指標。本研究的主要目的為建立一個指標，該指標稱為母岩裸露指標 (Bedrock Exposure Index, BEI)，以識別山坡裸露地上母岩露頭的狀況，判斷崩塌之破壞面是否為深入岩體，進而能區判該崩塌是否為深層崩塌。母岩裸露指標建立方法為首先以光譜輻射儀 (FieldSpec®3) 進行野外採樣來分析崩塌地及鄰近區域之母岩、土壤 (岩屑)、植被和水體的光譜連續性與吸收特徵，以及檢視 EO-1 Hyperion 之歷史高光譜影像。由上述的光譜特徵可以發現，在可見光 (Visible Spectrum; VIS; 380-750 nm) 區間和短波紅外光 (Short-Wave Infrared; SWIR; 850-2500 nm) 反射率之間的偏差，以更好地區分裸露土地 (即崩塌) 的母岩露頭和土壤 (岩屑)，本研究便藉此特性來建立母岩裸露指標 (BEI)。
本研究提出之BEI之值域在 -1〜1 之間，透過分析發現其中水體主要為BEI<0(負值); 母岩露頭為0〜0.2; 土壤岩屑為0.2〜0.5; 植被則為BEI> 0.5。另外，由於Sentinel-2 多光譜影像的多光譜儀 (MultiSpectral Instrument, MSI) 可以感知 BEI 計算所需之光譜波段，其波段2、波段11的波長與本研究中選定的波長 518 nm 與 1648 nm 相近，因此本研究認為亦適合用於 BEI 之計算與應用。本研究亦比較了BEI 和其他可用於偵測裸露地的相關指標，如 NDVI、NDWI(Normalized difference water index)、EVI(Enhanced vegetation index)等，比較結果發現，相較於其他指標BEI在區分母岩與土壤 (岩屑)具有更好的光譜分離性，顯示出 BEI 在判釋不同類型崩塌的優勢以及應用於崩塌監測的潛力。

摘要(英)

Landslide mapping for a wide region using optical satellite imagery has become a popular method due to its relatively low cost and high efficiency. In addition to manually visual interpretation, the Normalized Difference Vegetation Index (NDVI) and other satellite-derived indices have been applied for detecting bare soils which can be considered as a proxy of landslide scars. However, according to the affected area and the depth of the failure, the landslide, by simplification, can be categorized into deep-seated and shallow ones. The deep-seated landslide is defined as the slip plane penetrates the fresh rock mass and therefore bedrock exposure (outcrop) can be observed on the surface. The deep-seated landslide generally has a higher impact on the environment due to its considerable amount of sediments delivered form failure materials and a higher chance to causes severe damages with significant socio-economic loss. Therefore, the identification of deep-seated landslide is important to landslide hazard assessment. So far, however, no particular satellite-derived index has been developed for the discrimination of the two landslide types.
This study aims to develop an index, the Bedrock Exposure Index (BEI), for identifying the condition of bedrock exposure over hilly bare lands. The development of BEI was conducted by performing field sampling with radiometer and analyzing the hyperspectral signatures of bedrock, soil regolith, vegetation, and water body using EO-1 Hyperion imagery. The BEI adopts the reflectance deviation between Visible Spectrum (VIS) and the Short-Wave Infrared (SWIR) to better distinguish the bedrock exposure and soil regolith over the bare land surface (i.e. landslide) Specifically, the bedrock exposure can be identified when BEI is within 0~0.2. Meanwhile, Sentinel-2 multispectral imagery is considered suitable for BEI application, thanks to its MultiSpectral Instrument (MSI) sensing all required spectrums for BEI calculation.

關鍵字(中)

★ 母岩裸露指標
★ 深層崩塌
★ EO-1 Hyperion
★ 土壤岩屑
★ Sentinel-2

關鍵字(英)

★ Bedrock Exposure Index
★ Deep-seated landslides
★ EO-1 Hyperion
★ Soil regolith
★ Sentinel-2

論文目次

目錄
摘要 I
ABSTRACT II
目錄 III
圖目錄 V
表目錄 VII
第１章緒論 1
1.1. 背景 1
1.2. 研究目的 2
1.3. 論文架構 3
第２章文獻回顧 4
2.1. 崩塌的形成與類型 4
2.2. 母岩露頭定義 10
2.3. 影像判釋應用於崩塌偵測 12
2.4. 崩塌地相關指標的應用 14
第３章研究區域與研究資料 17
3.1. 災害事件 17
3.2. 研究區域 18
3.2.1. 嘉義縣阿里山鄉來吉村 23
3.2.2. 嘉義縣阿里山鄉茶山村 23
3.2.3. 高雄市那瑪夏區瑪雅里 25
3.3. 研究資料 26
3.3.1. 高光譜影像 26
3.3.2. EO-1 Hyperion 29
3.3.3. SPOT-5衛星 30
3.3.4. 崩塌目錄 31
3.3.5. Sentinel-2衛星 31
第４章研究方法 33
4.1. 研究流程 33
4.2. 光譜數據收集 34
4.2.1. 光譜輻射儀 35
4.2.2. 採集地點 37
4.2.3. 操作步驟 39
4.3. 影像預處理 41
4.3.1. 波段去除 42
4.3.2. 條紋去除 (Destripping) 43
4.3.3. 輻射校準 (Radiometric Calibration) 44
4.3.4. 大氣校正 (Atmospheric Correction) 44
4.3.5. 最小雜訊分量轉換 (Minimum Noise Fraction Transformation) 48
4.3.6. 影像融合 (Image Fusion) 50
4.4. 建立母岩裸露指標 51
4.4.1. 光譜分離性 51
4.4.2. 獨立樣本t檢定 (T-test) 51
第５章研究結果 52
5.1. 建立訓練樣本 52
5.2. 光譜特徵分析 55
5.3. 崩塌地裸露指標應用 57
5.3.1. 母岩裸露指標 57
5.3.2. 崩塌裸露地 (母岩露頭) 59
5.3.3. 崩塌裸露地 (非母岩露頭) 63
5.3.4. BEI判釋驗證 70
5.3.5. 野外調查驗證 71
5.4. 崩塌地之植生復育監測應用 76
第６章討論 81
6.1 高光譜資料使用問題 81
6.2 BEI指標應用問題 83
第７章結論與建議 84
中文參考文獻 86
英文參考文獻 88

參考文獻

中文參考文獻
何岱傑, 張維恕, 林慶偉, & 劉守恆. (2014). 應用數值地形及光學影像於潛在大規模崩塌地形特徵判釋. 航測及遙測學刊, 18 (2) , 109-127.
劉守恆. (2002). 衛星影像於崩塌地自動分類組合之研究. 成功大學地球科學系學位論文, 1-83.
孔繁恩, 詹進發, 邵怡誠, 李茂園, 葉堃生, & 陳連晃. (2014). 物件式分類法於高解析度航照影像萃取崩塌地之研究. 航測及遙測學刊, 18 (4) , 267-281.
李強, & 張景發. (2017). 高光譜遙感技術在建 (構) 築物震害識別中的應用. 震災防禦技術, 12 (1) , 96-106.
李錫堤, 董家鈞, & 林銘郎. (2009). 小林村災變之地質背景探討. 地工技術, 122, 87-94.
林於筌. (2012). 集水區崩塌地植生復育影響因數及治理區位優選之研究. 中興大學水土保持學系所學位論文, 1-67.
林俊廷, & 廖志中. (2013). 堰塞湖形成潛感及潛勢圖—以旗山溪流域為例. http://hdl.handle.net/11536/76130.
林松駿, & 梁偉立. (2018). 衛星影像判釋與現地探查天然林集水區新生崩塌地分佈之比較: 以 2015 年蘇迪勒颱風誘發崩塌為例. 中華水土保持學報, 49 (1) , 1-11.
林穎東, 張國楨, & 楊啟見. (2018). 利用物件式導向進行崩塌地種類判釋, 復育追蹤—以高雄市寶來地區為例. Journal of Chinese Soil and Water Conservation, 49 (2), 98-109.
林美聆, & 陳彥澄. (2014). 應用光達地形資料於莫拉克災後陳有蘭溪流域崩塌與土石流地質敏感地區判釋與分析. 航測及遙測學刊, 18 (2) , 129-143.
楊智堯. (1999). 類神經網路於邊坡破壞潛能分析之應用研究, 國立成功大學土木工程學系學位論文, 1-123.
洪凱政. (2009). 應用多光譜影像多種特徵偵測崩塌地之研究, 國立成功大學測量及空間資訊學系學位論文, 1-154.
王潤生. (2012). 高光譜遙感的物質組分和物質成分反演的應用分析. 地球資訊科學學報, 11 (3) , 261-267.
田豐, 楊蘇明, & 王潤生. (2010). EO-1 Hyperion 高光譜資料 FLAASH 模組大氣糾正. 新疆地質, 28 (1) , 109-112.
莊智瑋, 林昭遠, & 錢滄海. (2010). 以馬可夫鏈模式推估九份二山崩塌地植生復育之研究. Journal of Soil and Water Conservation, 42 (3), 329-344.
詹勳全, 張嘉琪, 陳樹群, 魏鬱軒, 王昭堡, & 李桃生. (2015). 台灣山區淺層崩塌地特性調查與分析. Journal of Chinese Soil and Water Conservation, 46 (1), 19-28.
譚炳香, 李增元, 陳爾學, & 龐勇. (2005). EO-1 Hyperion 高光譜數據的預處理. 遙感信息, 2005 (6) , 36-41.
陳樹群, & 吳俊鋐. (2004). 崩塌潛勢預測方法於台灣適用性之初探.
陳正德. (2015). 運用環境指標評估荖濃溪集水區崩塌風險度之研究. 中興大學水土保持學系所學位論文, 1-54.
馮豐隆, & 林鴻鵬. (2003). 惠蓀林場 921 地震崩塌地分佈分析與復育探討.
高玉惠. (2004). 小波轉換應用於影像自動判釋崩塌地分析, 國立成功大學地球科學系學位論文, 1- 81.
魏倫瑋, 羅佳明, 鄭添耀, 鄭錦桐, & 冀樹勇. (2012). 深層崩塌之地貌特徵─ 以台灣南部地區為例. 中興工程 (115) , 35-43.
黃韋凱, 林銘郎, 陳良健, 林彥享, & 蕭震洋. (2010). 物件導向分析方法應用於遙測影像之分區及崩塌地與人工設施分類. Journal of Photogrammetry and Remote Sensing, 15 (1), 29-49.

英文參考文獻
Tucker, C. J. (1979). Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8(2), 127-150.
Wu, J., Liu, Y., Wang, J., & He, T. (2010). Application of Hyperion data to land degradation mapping in the Hengshan region of China. International Journal of Remote Sensing, 31(19), 5145-5161.
Cardinali, M., Reichenbach, P., Guzzetti, F., Ardizzone, F., Antonini, G., Galli, M., Salvati, P. (2002) . A geomorphological approach to the estimation of landslide hazards and risks in Umbria, Central Italy.
Chang, K. T., Liu, J. K., & Wang, C. I. (2012) . An object.oriented analysis for characterizing the rainfall.induced shallow landslide. Journal of Marine Science and Technology, 20 (6) , 647-656.
Chou, W. C., Lin, W. T., & Lin, C. Y. (2009) . Vegetation recovery patterns assessment at landslides caused by catastrophic earthquake: A case study in central Taiwan. Environmental monitoring and assessment, 152 (1-4) , 245.
Cruden, D. M., & Varnes, D. J. (1996) . Landslides: investigation and mitigation. Chapter 3.Landslide types and processes. Transportation research board special report (247) .
Dou, J., Paudel, U., Oguchi, T., Uchiyama, S., & Hayakavva, Y. S. (2015) . Shallow and Deep.Seated Landslide Differentiation Using Support Vector Machines: A Case Study of the Chuetsu Area, Japan. Terrestrial, Atmospheric & Oceanic Sciences, 26 (2) .
Escape, C. M., Kristia Alemania, M., Luzon, P. K., Felix, R., Salvosa, S., Aquino, D., Mahar Francisco Lagmay, A. (2014) . Comparison of various remote sensing classification methods for landslide detection using ArcGIS. Paper presented at the EGU General Assembly Conference Abstracts.
Farooq, S., & Govil, H. (2014) . Mapping Regolith and Gossan for Mineral Exploration in the Eastern Kumaon Himalaya, India using hyperion data and object oriented image classification. Advances in Space Research, 53 (12) , 1676-1685.
Filchev, L. (2014) . Satellite hyperspectral Earth observation missions.a review. Bulgarian Academy of Sciences. Space Research and Technology Institute, Aerospace Research in Bulgaria, 26, 191-206.
Guzzetti, F., Mondini, A. C., Cardinali, M., Fiorucci, F., Santangelo, M., & Chang, K..T. (2012) . Landslide inventory maps: New tools for an old problem. Earth.Science Reviews, 112 (1.2) , 42-66.
Jia, M., Zhang, Y., Wang, Z., Song, K., & Ren, C. (2014) . Mapping the distribution of mangrove species in the Core Zone of Mai Po Marshes Nature Reserve, Hong Kong, using hyperspectral data and high.resolution data. International Journal of Applied Earth Observation and Geoinformation, 33, 226-231.
Kumar, M. V., & Yarrakula, K. (2017) . Comparison of efficient techniques of hyper.spectral image preprocessing for mineralogy and vegetation studies.
Mezaal, M. R., Pradhan, B., Shafri, H., Mojaddadi, H., & Yusoff, Z. (2017) . Optimized hierarchical rule.based classification for differentiating shallow and deep.seated landslide using high.resolution LiDAR data. Paper presented at the Global Civil Engineering Conference.
Mitri, G. H., & Gitas, I. Z. (2013) . Mapping post.fire forest regeneration and vegetation recovery using a combination of very high spatial resolution and hyperspectral satellite imagery. International Journal of Applied Earth Observation and Geoinformation, 20, 60-66.
Pi, Y., Nath, N. D., & Behzadan, A. H. (2020) . Convolutional neural networks for object detection in aerial imagery for disaster response and recovery. Advanced Engineering Informatics, 43, 101009.
Soeters, R., & Van Westen, C. (1996) . Slope instability recognition, analysis and zonation. Landslides: investigation and mitigation, 247, 129-177.
Van Den Eeckhaut, M., Poesen, J., Verstraeten, G., Vanacker, V., Moeyersons, J., Nyssen, J., & Van Beek, L. (2005) . The effectiveness of hillshade maps and expert knowledge in mapping old deep.seated landslides. Geomorphology, 67 (3-4) , 351-363.
Varnes, D. J. (1978) . Slope movement types and processes. Special report, 176, 11-33.
Yang, W., Qi, W., & Zhou, J. (2018) . Decreased post.seismic landslides linked to vegetation recovery after the 2008 Wenchuan earthquake. Ecological indicators, 89, 438-444.
Zhu, W., Tian, Y. Q., Yu, Q., & Becker, B. L. (2013) . Using Hyperion imagery to monitor the spatial and temporal distribution of colored dissolved organic matter in estuarine and coastal regions. Remote Sensing of Environment, 134, 342-354.

指導教授

姜壽浩(Shou-Hao Chiang)

審核日期

2020-8-20

推文