張智安1, * 林育良2
1,2國立陽明交通大學土木工程學系
*tateo@nycu.edu.tw
本研究結合 Sentinel-2 多時期多光譜衛星影像與 3D U-Net 深度學習架構於土地利用分類。多時期影像具備時間軸資訊，有助於辨識具週期性或季節性變化之地物，惟常受雲覆蓋影響而造成光譜資訊缺失，進而降低分類精度。為解決此問題，本研究建立地面解析度 10公尺之多時期影像資料集，並提出三種雲遮蔽處理方法：(1) 保留空值、(2) 以 MICE 多重插補方式填補空值、(3) MICE 填補後進行主成分分析以強化時序特徵。實驗結果顯示，3D U-Net 能在卷積過程中同時萃取空間與時間特徵，相較傳統分類器與單一期影像，於整體分類精度上皆有顯著提升。其中，採用 MICE 填補後再進行主成分分析之方法效果最佳，有效改善雲遮蔽所造成之不利影響。研究成果顯示多時期衛星影像於土地利用與土地覆蓋分類之適用性，尤其適合具有時序性變化之農作地與其他動態地物。然而，對於變化較小之小面積地物類別，仍需搭配更高空間解析度資料以提升辨識能力。 關鍵詞：多時期、多光譜、衛星影像、深度學習、土地利用分類
