Доступно с лицензией Spatial Analyst.
Доступно с лицензией Image Analyst.
Сводка
Вычисляет матрицу неточностей с ошибками пропуска и невыполнения и определяет индекс согласованности каппа, а также вычисляет общую точность между классифицированной картой и референсными данными.
Этот инструмент использует выходные данные инструмента Создать точки оценки точности или Обновить точки оценки точности.
Использование
Этот инструмент вычисляет матрицу несоответствий, используя произвольные точки оценки точности. Точки оценки точности создаются инструментом Создать точки оценки точности и обновляются при помощи инструмента Обновить точки оценки точности. Эти два инструмента гарантируют, что каждая точка имеет корректные значения класса в полях CLASSIFIED и GROUND_TRUTH. Инструмент вычисляет точность пользователя и точность построителя для каждого класса, а также общий индекс Kappa. Диапазон точности варьируется от 0 до 1, при этом 1 означает 100% точность. Ниже приведен пример матрицы несоответствий:
c_1
c_2
c_3
Всего
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
Всего
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
Пример матрицы несоответствий Точность пользователя дает ложноположительные результаты, если пикселы ошибочно классифицируются как некий известный класс, когда их следовало классифицировать как нечто другое. Примером может служить классифицированное изображение, где пиксел указан как непроницаемый, а базовые данные указывают, что это лес. Непроницаемый класс имеет дополнительные пикселы, которые он не должен иметь в соответствии с базовыми данными.
Точность пользователя называют также ошибками достоверности или ошибкой типа 1. Данные для расчета коэффициента ошибок считываются со строк таблицы.
Строка Total показывает число точек, которые согласно базовым данным должны были определиться как заданный класс.
Точность построителя является ложноотрицательной, когда пикселы известного класса классифицируются как нечто иное, чем этот самый класс. Примером может служить классифицированное изображение, где пиксел указан как лес, а на самом деле он должен быть непроницаемым. В этом случае, непроницаемый класс – это отсутствующие пикселы в соответствии с базовыми данными.
Точность построителя также называют ошибками пропуска и невыполнения или ошибкой типа 2. Данные для расчета этого коэффициента ошибок считываются со столбцов таблицы.
Столбец Total показывает число точек, которые согласно классифицированной карте определились как заданный класс.
Индекс Kappa дает общую оценку точности классификации.
Синтаксис
ComputeConfusionMatrix(in_accuracy_assessment_points, out_confusion_matrix)
| Parameter | Объяснение | Тип данных |
in_accuracy_assessment_points | Класс объектов точек оценок точности создается инструментом Создать точки оценки точности, он содержит поля CLASSIFIED и GROUND_TRUTH. | Feature Layer |
out_confusion_matrix | Имя выходного файла матрицы несоответствий в табличном формате. Формат таблицы определяется выходным местоположением и путем к ней. По умолчанию выходными данными будет таблица базы геоданных. Если путь не в базе геоданных, укажите расширение .dbf, чтобы он был в формате dBASE. | Table |
Пример кода
Пример вычисления матрицы несоответствий на основе точек оценки точности.
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
accuracy_assessment_points = "c:test\\aapnt2.shp"
confusion_matrix = "c:\\test\\confm.dbf"
ComputeConfusionMatrix(accuracy_assessment_points, confusion_matrix)Environments
Информация о лицензиях
- Basic: Требуется Image Analyst or Spatial Analyst
- Standard: Требуется Image Analyst or Spatial Analyst
- Advanced: Требуется Image Analyst or Spatial Analyst