ArcGIS + ENVI реализует реализацию оценки точности классификации дистанционного зондирования (метод стратифицированной выборки)

Недавно отредактированный документ достиг окончательного порога, и результат ставится под сомнение в отношении метода оценки точности классификации.

Мой первоначальный метод заключался в использовании ArcGIS для создания сетки с центральной точкой сетки в качестве точки визуальной интерпретации, а затем с использованием ArcGIS для сбора результатов классификации изображений этой точки и вычисления матрицы неточностей.

После допроса я использовал стратифицированную выборку. Не буду говорить о принципе.Посредством стратифицированной выборки можно рассчитать, сколько точек выборки необходимо для каждой категории изображения.。

Затем точки каждой категории на классифицированном изображении случайным образом разбрасываются в позиции категории, а затем визуально интерпретируются вручную, и матрица неточности вычисляется вместе с результатом классификации изображения.

Я сначала попробовал Erdas, сначала будут проблемы после установки erdas на компьютер с ArcGIS, а потом я напишу обзорную статью. И, наконец, обнаружил, что сложно импортировать точки, выбранные erdas, в ArcGIS или существует таблица Excel для облегчения вычисления матрицы путаницы, поэтому я сдался.

После поиска в Интернете удобнее искать ArcMap 10.4 и выше и выполнять стратифицированную выборку и точки распространения, но в соответствии с более высокой версией это рискованно. В настоящее время я использую 10.2

В ArcGIS 10.2 нет возможности разбросать точки в определенное положение на классифицированном изображении, но я наконец обнаружил, что ENVI может использовать эту функцию.

Текст такой: ---------------------------------------- Вы можете увидеть, если вы не хотите читать мое описание здесь ------------------------------

1. Классификация

Прежде всего, результат моей классификации - это изображение tif. Значения 1, 2 и 3 представляют каждую категорию. Tif не может быть непосредственно выбрана в ENVI. Для классификации в ENVI используйте дерево решений, которое является решением классификации дерево. Прежде всего Сначала создайте дерево решений. Обратите внимание, что это для вас, чтобы выбрать полосу b1. Не выбирайте ее. Я выбрал ее раньше, а затем заменил на другое изображение. После сохранения используйте классификацию-дерево решений-выполнить выход из дерева решений, чтобы выбрать ранее сохраненное дерево решений txt. Выберите изображение результата классификации, а затем вы можете получить изображение классификации.

2. Место отбора проб

Используйте классификацию envi - пост-классификацию - сгенерируйте случайную выборку с использованием достоверного изображения

Затем выберите нужное изображение, нажмите ОК

Затем вы можете выбрать категорию (обратите внимание, что я присвоил категорию изображению, которое не классифицировано, то есть «нет», вы можете не выбирать ее)

После нажатия кнопки ОК выберите стратифицированную выборку и дипропорциональную выборку, а затем нажмите установить размеры выборки классов, вы можете указать, сколько точек будет разбросано в каждой категории.

Остальные варианты остаются неизменными для сохранения рентабельности инвестиций.

Откройте изображение потом

Выберите интересующую область наложения, вы можете увидеть сгенерированные точки (фактически, ROI). Обратите внимание, что ROI здесь может быть сгенерирован раньше, а не ваш на этот раз, удалите его. Выберите в следующем окне, выберите File-output roi to shapefile,

Как показано ниже, выберите категорию, которую нужно сохранить, в основном выберите все

3. Шейп-файл для получения точек классификации изображений + визуальная интерпретация.

Откройте файл shp в ArcGIS, затем выберите инструменты пространственного анализа-извлечение-извлечение значений для точек, выберите файл и изображение shp, и, наконец, вы можете получить векторный файл.Существует столбец атрибута RASTERVALU, который является значением Изображение.

После этого просто откройте таблицу атрибутов, добавьте новый столбец в поле добавления в результате визуальной интерпретации, а затем щелкните правой кнопкой мыши и используйте растровый калькулятор, чтобы сделать его равным столбцу RASTERVALU (этот шаг предназначен для уменьшения рабочей нагрузки, конечно, вы можете присвоить значение самостоятельно), а затем вы можете визуально интерпретировать и изменять значение.

4. Вычислить матрицу неточностей.

Чтобы получить векторный файл точек после визуальной интерпретации, вы можете использовать python, чтобы открыть файл dbf, который поставляется с файлом shp (фактически, это таблица атрибутов), чтобы вычислить матрицу путаницы и коэффициент каппа.

код показать, как показано ниже