Evaluación de exactitud

Disponible con una licencia de Spatial Analyst.

Disponible con licencia de Image Analyst.

A continuación se analizan la precisión de la clasificación y la interpretación de los resultados.

Evaluar la precisión de la clasificación

La herramienta de evaluación de la precisión utiliza un dataset de referencia para determinar la precisión de un resultado clasificado. Los valores del dataset de referencia deben coincidir con el esquema. Los datos de referencia pueden tener los siguientes formatos:

• Un dataset ráster que es una imagen clasificada.
• Una clase de entidad poligonal o un shapefile. El formato de la tabla de atributos de la clase de entidad debe coincidir con las muestras de entrenamiento. Para garantizarlo, puede crear el dataset de referencia usando la página Administrador de muestras de entrenamiento para leer y escribir en el dataset.
• Una clase de entidad de puntos o un shapefile. El formato debe coincidir con la salida de la herramienta Crear puntos de evaluación de la exactitud. Si usa un archivo y desea convertirlo al formato correcto, use la herramienta de Crear puntos de evaluación de la exactitud.

Para realizar una evaluación de exactitud, se deben especificar dos parámetros: el Número de puntos aleatorios y la Estrategia de muestreo.

Número de puntos aleatorios

El parámetro Número de puntos aleatorios muestra el número total de puntos aleatorios que se generarán. El número real puede superar este número, pero no quedar por debajo, dependiendo de la estrategia de muestreo y el número de clases. El número predeterminado de puntos generados de manera aleatoria es 500.

Estrategia de muestreo

Especifique el método de muestreo que desea usar:

• Aleatorio estratificado: crea puntos que se distribuyen aleatoriamente dentro de cada clase y cada una tiene un número de puntos proporcional a su área relativa. Este método muestrea la imagen de forma que el número de puntos de muestra por clase sea proporcional al área por clase en la imagen. El resultado final de la evaluación de la precisión es representativo de la imagen. Esta es la opción predeterminada.
• Aleatorio estratificado ecualizado: crea puntos que se distribuyen aleatoriamente dentro de cada clase y cada una tiene el mismo número de puntos. Este método asigna el mismo número de puntos de muestra a cada clase, independientemente de la superficie que tenga cada clase en la imagen. El resultado final de la evaluación de la precisión no es representativo de la imagen, sino que mide la precisión dando el mismo peso a cada clase. Se trata de un método alternativo al muestreo aleatorio estratificado para la evaluación de la precisión.
• Aleatorio: crea puntos que se distribuyen aleatoriamente por toda la imagen. Este método muestrea los puntos aleatoriamente sobre la imagen. No existe estratificación, por lo que el resultado final de la evaluación de la precisión es representativo de la imagen; sin embargo, cuando se utiliza un número reducido de puntos de muestreo, algunas clases que representan áreas pequeñas pueden pasar desapercibidas o estar infrarrepresentadas.

Interpretar los resultados

Una vez ejecutada la herramienta, se muestra una representación gráfica de la matriz de confusión. Pase el cursor por una celda para ver los valores de Recuento, Exactitud de usuario, Exactitud de productor y FScore. La puntuación kappa también se muestra en la parte inferior del panel. La tabla de salida se agrega al panel Contenido.

Analizar la diagonal

La exactitud se representa de 0 a 1, de modo que 1 equivale a una exactitud del 100 %. Los valores Exactitud de productor y Exactitud de usuario para todas las clases se indican a lo largo del eje diagonal. Los colores van del azul claro al azul oscuro. Cuanto más oscuro es el color, mayor es la exactitud. Al pasar el cursor sobre cada celda se muestran los valores para cada exactitud y un valor de FScore.

%%%%%A diferencia de la diagonal, las celdas coloreadas que están fuera de la diagonal indican la cantidad de valores de clase confundidos presentes en la matriz de confusión. Al pasar el ratón por encima de las celdas, se muestran los resultados de la matriz de confusión para cada emparejamiento de clases.

Ver la matriz de confusión de salida

Para examinar los detalles del informe de errores, puede cargar el informe en el panel Contenido y abrirlo. Es un archivo .dbf ubicado en su proyecto o en la carpeta de salida que especificó. La tabla de confusión de la matriz muestra la exactitud del usuario (columna U_Accuracy) y la exactitud del productor (columna P_Accuracy) para cada clase, así como un índice estadístico Kappa del acuerdo global. Estos índices de exactitud oscilan entre 0 a 1, donde 1 representa el 100 por cien de precisión. A continuación, se muestra un ejemplo de una matriz de confusión:

Ejemplo de matriz de confusión

	c_1	c_2	c_3	Total	U_Accuracy	Kappa
c_1	49	4	4	57	0,8594	0
c_2	2	40	2	44	0,9091	0
c_3	3	3	59	65	0,9077	0
Total	54	47	65	166	0	0
P_Accuracy	0,9074	0,8511	0,9077	0	0,8916	0
Kappa	0	0	0	0	0	0,8357

La columna de exactitud del usuario muestra los falsos positivos, o errores de comisión, en los que los píxeles se clasifican incorrectamente como una clase conocida cuando deberían haberse clasificado como otra cosa. La exactitud del usuario también se conoce como errores de tipo 1. Los datos para calcular esta tasa de error se leen en las filas de la tabla. La exactitud del usuario se calcula dividiendo el número total de puntos clasificados que coinciden con los datos de referencia entre el número total de puntos clasificados para esa clase. En la fila Total se muestra el número de puntos que deben haber sido identificados como una clase dada, según los datos de referencia. Un ejemplo sería cuando la imagen clasificada identifica un píxel como asfalto, pero los datos de referencia lo identifican como bosque. La clase asfalto tiene píxeles extra que no debería tener, según los datos de referencia.

La columna de exactitud del productor muestra falsos negativos o errores de omisión. La exactitud del productor indica con qué precisión los resultados de la clasificación satisfacen las expectativas del creador. La exactitud del productor también se conoce como error de tipo 2. Los datos para calcular esta tasa de error se leen en las columnas de la tabla. La exactitud del productor se calcula dividiendo el número total de puntos clasificados que coinciden con los datos de referencia entre el número total de puntos de referencia para esa clase. Estos valores son falsos negativos en los resultados clasificados. En la columna Total se muestra el número de puntos que se identificaron como una clase dada, según el mapa clasificado. Un ejemplo sería cuando la imagen clasificada identifica un píxel como asfalto, pero la imagen clasificada lo identifica como bosque. La clase asfalto no contiene suficientes píxeles, según los datos de referencia.

La estadística Kappa del acuerdo proporciona una evaluación global de la exactitud de la clasificación.

La intersección sobre Unión (IoU) es el área de superposición entre la segmentación predicha y la realidad del terreno dividida por el área de unión entre la segmentación predicha y la realidad del terreno. El valor medio de IoU se calcula para cada clase.