土地分类精度评价PPT学习课件

土地利用分类与精度验证,汇报人：郭平2015年7月27日,1,2,1.遥感影像分类,遥感图像通过亮度值或像元值的高低差异及空间变化来表示不同地物的差异，这是区分不同图像地物的物理基础。遥感图像分类通过计算机手段，利用某种算法进行分类，获取遥感图像中与实际地物的对应信息，从而实现遥感图像的分类，一般分类方法有监督分类与非监督分类1。,2,2020/6/12,监督分类，又称训练分类法，用被确认类别的样本像元去识别其他未知类别像元的过程。它就是在分类之前通过目视判读和野外调查，对遥感图像上某些样区中影像地物的类别属性有了先验知识，对每一种类别选取一定数量的训练样本，计算机计算每种训练样区的统计或其他信息，同时用这些种子类别对判决函数进行训练，使其符合于对各种子类别分类的要求，随后用训练好的判决函数去对其他待分数据进行分类。使每个像元和训练样本作比较，按不同的规则将其划分到和其最相似的样本类，以此完成对整个图像的分类。,1.1监督分类,3,2020/6/12,遥感影像的监督分类一般包括以下6个步骤,4,2020/6/12,根据分类目的、影像数据自身的特征和分类区收集的信息确定分类系统；对影像进行特征判断，评价图像质量，决定是否需要进行影像增强等预处理。启动ENVI4.8，打开待分类数据以R:Band4，G:Band3，B：Band2波段组合显示。通过目视可分辨5类地物，本次分类分为居民点、水域、林地、耕地、裸地,（1）类别定义,5,2020/6/12,采用Landsat7北京市影像数据，裁剪后RGB（432）波段组合的研究区影像,6,2020/6/12,（2）训练样本的选取,7,2020/6/12,选好训练样本后，进行分离度检查，根据分离性值的大小，从小到大列出感兴趣区组合，这两个参数的值为02.0之间，大于1.9说明样本之间可分离性好，属于合格样本，小于1.8，需要重新选择样本，小于1，考虑将两类样本合并成一类样本。,8,2020/6/12,采用最大似然分类法分类的结果，并经过了分类后处理（修改名字、颜色、聚类分析、修改错分的图斑等处理）。,（3）分类器分类,9,2020/6/12,再次进行分类，本次分类采用RGB（543）波段组合，选用最小距离法进行分类。,10,2020/6/12,非监督分类是以不同影像地物在特征空间中类别特征的差别为依据的一种无先验（已知）类别标准的图像分类，是以集群为理论基础，通过计算机对图像进行集聚统计分析的方法。根据待分类样本特征参数的统计特征，建立决策规则来进行分类。而不需事先知道类别特征。把各样本的空间分布按其相似性分割或合并成一群集，每一群集代表的地物类别，需经实地调查或与已知类型的地物加以比较才能确定。是模式识别的一种方法。一般算法有：回归分析、趋势分析、等混合距离法、集群分析、主成分分析和图形识别等。,1.2非监督分类,11,2020/6/12,非监督分类步骤,12,2020/6/12,ENVI中非监督分类方法有K-means均值算法、迭代自组织的数据分析法（ISODATA）。非监督分类大体上判断主要地物的类别数量。一般监督分类设置分类数目比最终分类数量要多2-3倍为宜，这样有助于提高分类精度。,13,2020/6/12,选用ISODATA方法的非监督分类结果,14,2020/6/12,合并为5类后，进行分类后处理的影像,15,2020/6/12,（1）文献中验证实例验证时,采用相同的数据源按照同样的解译方法对采样点再次解译,然后对两次解译结果进行比较。比较结果提供一个混淆矩阵,用以区分特定的土地覆盖类别的错分程度2。利用目视解译、非监督分类、监督分类和基于专家知识的决策树分类种方法对研究区土地利用类型进行分类，并以人工目视解译结果作为真实值对另外种方法的分类结果进行分析对比和精度验证，以期找到基于Landsat8遥感影像的红原地区土地利用专题信息提取的最佳方法，为该区土地利用现状遥感分类及应用提供科学基础3。,16,2020/6/12,遥感图像分类精度的评价通常是采用分类专题图与标准数据（基础地理信息图件或地面实测资料）进行比较，以正确的百分比来表示精度的大小4。用不同的数据源选取ROI来验证，或者不同的人用同一数据源来验证。最后又综合精度和kappa系数，Kappa系数小，代表选取的样本不好，分离度低，可行度差，样本数量少5。Effectiveassessmentofmultiplefeaturesofremotelysenseddataandtheselectionofasuitableclassificationmethodareespeciallysignificantforimprovingclassificationaccuracy.Moreresearch,however,isneededtoidentifyandreduceuncertaintiesintheimage-processingchaintoimproveclassificationaccuracy.6,17,2020/6/12,常用的精度评价的方法有两种：一是混淆矩阵；二是ROC曲线。其中，比较常用的为混淆矩阵，ROC曲线可以用图形的方式表达分类精度，比较形象。真实参考源可以使用两种方式：一是标准的分类图；二是选择的感兴趣区（验证样本区）。真实的感兴趣区验证样本的选择可以是在高分辨率影像上选择，也可以是野外实地调查获取，原则是获取的类别参考源的真实性。由于没有更高分辨率的数据源，本例中就把原分类的TM影像当作是高分辨率影像，在上面进行目视解译得到真实参考源，并采用混淆矩阵的地表真实感兴趣区进行精度验证。,（2）本次研究中的验证,18,2020/6/12,混淆矩阵使用confusionmatrix工具可以把分类结果的精度显示在一个混淆矩阵里，用于比较分类结果和地表真实信息。用混淆矩阵验证分类结果精度，分为两种验证方式：一种是地表真实图像验证，另一种是地表真实感兴趣区。,19,2020/6/12,总体分类精度（overallaccuracy）：等于被正确分类的像元总和除以总像元数。Kappa系数（Kappacoefficient）错分误差（commission），指被分为用户感兴趣的类而实际属于另一类的像元漏分误差（omission），指本身属于地表真实分类，当没有被分类器分到相应类别中的像元数。制图精度（prod.Acc.），指分类器将整个图像的像元正确分为A类的像元数与A类真实参考总数的比。用户精度（useracc.）指正确分到A类的像元总数与分类器将整个图像的像元分为A类的像元总数的比,几个相关的概念理解,20,2020/6/12,分类质量分级表7,21,2020/6/12,分类结果叠加验证精度,先对数据进行拉伸,22,2020/6/12,居民点、林地、耕地分类结果叠加对比验证,23,2020/6/12,监督分类精度验证混淆矩阵表。进行了两次选择训练样本，用第二次选择的训练样本作为验证ROI来验证第一次的分类结果。验证的综合精度为93.23%，Kappa系数为0.92,24,2020/6/12,用第一次选择的训练样本作为验证ROI来验证第二次的分类结果。验证的综合精度为92.32%，Kappa系数为0.90.,25,2020/6/12,用陈卓选取的训练样本来验证我的分类结果,26,2020/6/12,综合精度为64.70%，Kappa系数为0.49.,27,2020/6/12,采用监督分类中训练样本选择时的ROI区域作为验证ROI，来对非监督分类的结果进行精度验证。,28,2020/6/12,非监督分类精度验证混淆矩阵表。混淆矩阵表，验证的精度非常低。综合精度为37.15%，Kappa系数为0.23.非监督分类的分类结果较差，后期处理也很麻烦。所以在选用监督分类方法时，应根据对影像分析后再确定是否选用。,29,2020/6/12,3.主要参考文献,1赵英时等.遥感应用分析原理与方法M.科学出版社,2003.2冉有华,李文君,陈贤章.TM图像土地利用分类精度验证与评估以定西县为例J.遥感技术与应用,2003,02:81-86.3王敏,高新华,陈思宇,冯琦胜,梁天刚.基于Landsat8遥感影像的土地利用分类研究以四川省红原县安曲示范区为例J.草业科学,2015,05:694-701.4杨冰.基于不同分类方法土地利用/覆盖分类精度分析D.内蒙古农业大学,2008.5马利刚,张乐平,邓劲松,汪雅婕,王珂.资源一号“02C”遥感影像土地利用分类J.浙江大学学报(工学版),2013,08:1508-1516.6DENGSheng-lu,QIHao-wen.ASurveyofimageclassificationm