利用混淆矩阵及Kappa系数评价土地利用分类精度

最新推荐文章于 2025-01-18 23:35:35 发布
最新推荐文章于 2025-01-18 23:35:35 发布
阅读量1.8w 收藏 290
点赞数 37
文章标签： 矩阵 混淆矩阵 土地利用类型 kappa系数 arcgis
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37948866/article/details/121088902
版权

文章目录

一、准备工作

  • 土地利用类型参考栅格和预测栅格(.tif)
    需要保证两者的投影坐标系和像元大小一致
    在这里插入图片描述

  • 用户精度（user accuracy），生产者精度（producer accuracy）、总精度（overall accuracy）的计算原理
    在这里插入图片描述

  • kappa系数计算
    可以参考这一篇Kappa系数。则对于上文中的例子来说，有
    在这里插入图片描述

  • 软件需要用到Arcmap和Excel

二、处理步骤

2.1 Arcmap：栅格转点+多值提取到点

栅格转点

将参考栅格(.tif)转为点要素(.shp)
在这里插入图片描述
在这里插入图片描述

多值提取至点

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2.2 Excel：计算混淆矩阵

在这里插入图片描述
创建数据透视表
在这里插入图片描述
设置数据透视表字段列表，列标签为参考栅格对应的列，行标签为预测栅格对应的列，数值选择"FID"和“POINTID”均可，但需要右键将值字段设置中的值汇总方式更改为计数
在这里插入图片描述
在这里插入图片描述
遇到这种预测栅格的可选值（1、3、4、5）小于参考栅格的情况，需要手动补全缺失分类项
在这里插入图片描述
利用Excel中的函数功能来计算混淆矩阵，可以得到下表
在这里插入图片描述

三、Excel计算模板下载地址

下载地址（密码6uip）
在这里插入图片描述

Google Earth Engine（GEE）——土地分类精度分析randomColumn产生伪随机数然后进行混淆矩阵计算
此星光明博客
01-08 1537
我们在进行土地分类时，需要进行精度验证，但是之前我们要进行样本点的随机分类，也就是分出一部分作为训练样本另外一部分作为，这是我们要想产生随机种子赋值给我们所选定的训练样本，这样我们就可以随机将样本进行分成训练样本和验证样本，而我们使用的函数randomColumn函数后就可以给所有的训练样本添加一个随机数的种子。输出是双精度浮点数。除了常用的混淆矩阵之外，就是我们的两个分别的精度评定和kappa系数的总结和分析。换句话说，给定一个起始值（即种子），randomColumn 将始终提供相同的伪随机数序列。
10. 混淆矩阵、总体分类精度、Kappa系数
weixin_30814223的博客
09-13 7955
10. 混淆矩阵、总体分类精度、Kappa系数 一、前言 表征分类精度的指标有很多，其中最常用的就是利用混淆矩阵、总体分类精度以及Kappa系数。 其中混淆矩阵能够很清楚的看到每个地物正确分类的个数以及被错分的类别和个数。但是，混淆矩阵并不能一眼就看出类别分类精...
精准评估土地利用分类：混淆矩阵与Kappa系数的完美结合
gitblog_06514的博客
10-31 453
精准评估土地利用分类：混淆矩阵与Kappa系数的完美结合 【下载地址】利用混淆矩阵及Kappa系数评价土地利用分类精度分享 利用混淆矩阵及Kappa系数评价土地利用分类精度本资源文件提供了一个详细的指南，帮助用户利用混淆矩阵和Kappa系数来评价土地利用分类的精度 ...
混淆矩阵计算遥感分类精度（总体精度、Kappa系数、用户精度、生产者精度等）
weixin_45973418的博客
04-06 3308
假设分类结果的某类别的生产者精度为 80%，那么如果该类别有10个像素的话，则有2个没有分到该类别（丢失了）。假设分类结果的某类别的用户精度为 80%，则用户拿到分类结果后，10个像元中有8个是对的，2个是错的；
利用两期土地利用数据构造混淆矩阵（土地利用面积转移矩阵）
Read by heart
11-28 2019
# 前言 假设有两期用地数据2012年和2017年，分成三种用地类型，首先得到这两期数据的栅格图像，每个栅格单元存储的值代表一种用地类型，然后以矩阵的方式读入内存中，再用numpy的flatten的方法将其一维化，最后调用python机器学习库sklearn.metrics中的confusion_metrix方法进行计算。 from sklearn.metrics import confusion_matrix import numpy as np a = np.array([[1, 2], [3,
混淆矩阵计算公式（总体精度，KAPPA值，用户精度，生产者精度）
weixin_41619112的博客
01-18 2020
Kappa值用于衡量分类结果与随机猜测之间的一致性检验，考虑了偶然正确分类的情况。总体精度衡量的是所有正确预测的样本占总样本数的比例，反映了分类器整体的准确度。用户精度衡量的是从分类结果中正确预测的类别占该类别预测总数的比例。生产者精度衡量的是在实际类别中被正确分类的样本所占的比例。
【遥感专题系列】影像信息提取之—— 土地利用数据监督与非监督分类
01-28 2252
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。这个过程主要是一个目视查看的过程，为后面样本的选择打下基础。本例是以ENVI自带Landsat tm5数据Can_tmr.img为数据源，类别分为：林地、草地/灌木、耕地、裸地、沙地、其他六类。类别定义显示非监督分类结果，分别在view上显示不同的类别。图层管理器上右键选择Edit Class Names and Corlors。
土地利用/覆被精度评价
09-08
土地利用/覆被精度评价方法，非常好用，一学就会，值得拥有
GEE机器学习——利用随机森林RF方法进行土地分类和精度评定
此星光明博客
12-19 1954
随机森林（Random Forest，RF）是一种集成学习方法，用于解决分类和回归问题。它由多个决策树组成，每个决策树都是一个独立的分类器。通过对每个决策树的预测结果进行集成，随机森林能够提供更准确和稳定的预测。随机森林的主要特点包括：1. 随机特征选择：在构建每个决策树时，随机森林只考虑一部分特征进行划分，这样可以减少特征之间的相关性，并增加每个决策树的多样性。
基于ecogntion-ENVI的2014-2020年雄安新区土地利用分类及其变化分析
KongBaiJiQuanBu的博客
07-13 7383
雄安新区2014-2020年土地利用分类及其变化分析。本文基于ENVI软件完成数据预处理，基于易康软件完成面向对象土地利用分类，基于arcgis软件和excel对分类结果进行分析处理制作了土地利用转移矩阵、土地利用变化等成果数据。数据来源地理空间数据云平台。笔者水平有限，难免会出现错误，如发现错误欢迎各位批评指正！
分类精度评价：混淆矩阵+总体精度OA、F1值等
热门推荐
M_try的博客
08-02 4万+
整理 归纳 举例 记录一下 （一）混淆矩阵 混淆矩阵也称误差矩阵，是表示精度评价的一种标准格式，用n行n列的矩阵形式来表示。   Predicted as Positive（预测-正例） Predicted as Negative（预测-反例） Labeled as Positive （真实-正例） True Positive(TP-真正例) False Nega...
excel中如何对矩阵得对角线进行求和_遥感解译精度评定，混淆矩阵与Kappa系数...
weixin_39682673的博客
11-30 1216
遥感解译结果的精度验证是遥感影像分类的一个重要过程。只有经过精度验证，我们才能知道解译结果是否可靠。大部分遥感应用软件中带有遥感分类结果精度评定功能，如易康，ENVI中都有精度评定功能，能够自动计算混淆矩阵、Kappa系数等，但是ArcGIS目视解译结果往往无法使用自动的精度评定功能进行计算，那么这种情况下如何进行精度评定呢？精度评定大致需要以下几个步骤：选取验证点提取分类属性到验证点数...
遥感影像分类精度评价
03-20
对分类结果进行评价，确定分类的精度和可靠性。有两种方式用于精度验证：一是混淆矩阵，二是ROC曲线，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。 对一帧遥感影像进行专题分类后需要进行分类精度的评价，而进行评价精度的因子有混淆矩阵、总体分类精度、Kappa系数、错分误差、漏分误差、每一类的制图精度和拥护精度。
tuxiangfenlei.zip_kappa系数_总体分类精度_植被分类_混淆矩阵_遥感影像
09-23
在遥感领域，图像分类是获取地物信息的重要手段，而评估分类效果的质量则是至关重要的。"tuxiangfenlei.zip" ...通过Kappa系数、总体分类精度和混淆矩阵的计算，我们可以深入理解图像分类的性能，并据此优化分类算法。
南京市2010-2021年土地利用专题图制作与土地变化分析课程设计（实验步骤图示含几何校正、监督分类、精度评价）
01-23
通过混淆矩阵计算Kappa系数，评估分类的准确性，并进行误差分析，找出可能存在的问题。 7. 土地利用专题图与土地变化图： 根据分类结果，制作南京市土地利用专题图，展示各类型土地的分布；然后对比分析不同年份的...
图像分类精度评价
yy_nju的专栏
01-13 3万+
新年第一篇，介绍一个经常混淆的问题——图像分类精度评价，多种精度评价指标的含义 1、混淆矩阵 2、 用户精度 User's Accuracy (UA) 用户（使用者）精度表示在该次分类中，在分类图上，落在该类别上的检验点，被正确分类为该类别的比率。 2.1 误判误差 （Commission Error） 误判误差指该类别被错误分类的概率。
土地利用数据分类过程教学/土地利用分类/遥感解译/地理数据获取
m0_66875622的博客
10-17 1525
本研究采用的遥感影像数据来自美国马里兰大学和中国科学院国际科学数据服务平台，均采用美国陆地卫星于1990年和2018年所拍摄的LandsatTM/ OLI30m遥感影像，云量均接近0%。本文的遥感影像成像时间不一致，根据瞬时状态下最大限度使图像上尽可能丰富地反映地表信息的原则，本次遥感调查主要选择5月下旬至6月中旬或8月下旬至9月中旬的图像，由于地物信息较清楚，由此带来的地物反射光谱差异显著，容易识别，影像解译比较容易。
SPSS Modeler用K-means（K-均值）聚类、CHAID、CART决策树分析31省市土地利用情况和GDP数据...
拓端研究室TRL
10-26 204
全文链接：http://tecdat.cn/?p=32840随着经济的快速发展和城市化进程的不断推进，土地资源的利用和管理成为了一项极为重要的任务（点击文末“阅读原文”获取完整代码数据）。相关视频而对于全国各省市而言，如何合理利用土地资源以及如何影响GDP，通过科学的方法进行规划和管理，是提高土地利用效率的关键。本文旨在应用SPSS Modeler，帮助客户采用K-means（K-均值）聚类、CH...
ArcGIS 基于混淆矩阵的精度验证
Mrwindccc的博客
05-11 6786
使用ArcGIS对分类或其他数据结果，基于混淆矩阵进行精度验证。
arcgis精度计算
最新发布
01-21
### 如何在 ArcGIS 中执行精度计算 #### 使用混淆矩阵评估分类精度 为了验证地理信息系统中的土地覆盖或其他类型的分类图层准确性，通常会采用混淆矩阵（也称为误差矩阵）。通过比较分类后的图像与参考数据集之间的差异来进行。这涉及到创建测试点或面要素来代表地面实况，并将其属性链接到对应的分类结果上。 ```python import arcpy from sklearn.metrics import confusion_matrix, accuracy_score # 设置工作空间环境 arcpy.env.workspace = "D:/St_Johns/data.mdb/neighborhoods" # 工作区设置[^4] # 加载分类影像和参考矢量数据 classified_raster = r"D:\path\to\ ClassifiedImage.tif" reference_vector = r"D:\path\to\ReferenceData.shp" # 将矢量转为栅格以便对比 output_cell_size = 30 temp_reference_raster = "in_memory/referenceRaster" arcpy.conversion.PolygonToRaster(reference_vector, value_field="CLASS", out_rasterdataset=temp_reference_raster, cell_assignment="CELL_CENTER", priority_field="NONE", cellsize=output_cell_size) # 提取两个栅格中相同位置处的像元值并转换成列表形式 sample_points = "in_memory/samplePoints" arcpy.sa.ExtractValuesToTable(classified_raster, temp_reference_raster, sample_points) # 准备用于计算的数据结构 class_values = [] ref_values = [] with arcpy.da.SearchCursor(sample_points, ["RASTERVALU", "GRID_CODE"]) as cursor: for row in cursor: class_values.append(row[0]) ref_values.append(row[1]) # 计算混淆矩阵以及总体准确率 cm = confusion_matrix(ref_values, class_values) oa = accuracy_score(ref_values, class_values) print(f'Confusion Matrix:\n{cm}') print('Overall Accuracy:', oa) ``` 此脚本展示了如何利用 `arcpy` 库读入分类好的遥感影像和参照标准（通常是实地调查获取），并通过构建混淆矩阵的方式得出整体精确度指标。注意这里还引入了 scikit-learn 的库辅助完成部分统计任务；而在实际项目里可能还需要进一步细化分析比如 Kappa系数等其他评价参数。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Salierib

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值