| Подпись | Описание | Тип данных |
Входной растр | Входной классифицированный растр. | Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
Истинно точные данные | Входное изображение для классификации или другие исходные тематические ГИС-данные. Входные данные могут быть растром или классом объектов. Обычно данные представлены классифицированным изображением одного диапазона целочисленного типа данных. Если в качестве входных данных применяются полигоны, используются только те, что не относятся к обучающей выборке. Можно работать также с ГИС-данными почвенно-растительного покрова из шейп-файла или класса пространственных объектов. | Mosaic Layer; Raster Layer; Feature Layer |
Выходная матрица несоответствий | 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 этот путь отсутствует в базе геоданных, укажите расширение .dbf, чтобы сохранить его в формате dBASE. | Table |
Количество случайных точек (Дополнительный) | Общее число произвольных точек, которые будут сгенерированы. В зависимости от метода выборки и числа классов действительное число может вырасти, но никогда не может уменьшиться. Число произвольно расположенных точек по умолчанию равно 500. | Long |
Стратегия выборки (Дополнительный) | Указывает используемую схему выборки.
| String |
Минимальное расстояние между точками (Дополнительный) | Минимальное расстояние между опорными точками Этот параметр активен, когда значением параметра Входные растровые или векторные данные является класс объектов. По умолчанию - 0. | Double |
Доступно с лицензией Image Analyst.
Краткая информация
Инструмент геообработки ArcGIS, который вычисляет матрицу неточностей на основе ошибок пропуска и неправильных действий, а также оценку пересечения по объединению (IoU). Точность вычисляется между результатом работы инструмента Классифицировать пикселы при помощи глубокого обучения и данными наземного контроля.
Инструмент доступен только для моделей классификации пикселов, а не других моделей, которые используют инструмент Классифицировать пикселы при помощи глубокого обучения.
Использование
Этот инструмент вычисляет точность пользователя и 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 Пользовательская точность - это показатель количества пикселов, которые были правильно классифицированы, из общего числа пикселов, которые были отнесены к данному классу. Остальные пикселы, отнесенные к этому классу, принадлежат другому классу или идентифицированы как другой класс в соответствии с базовой информацией; они являются ложноположительными.
Точность пользователя также называют ошибками неправильных действий 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 производителя является ложно-отрицательной, когда пикселы известного класса классифицируются как нечто иное, чем этот самый класс. Примером может служить классифицированное изображение, где пиксел указан как лес, а он должен быть непроницаемым. В этом случае, непроницаемый класс – это отсутствующие пикселы в соответствии с базовыми данными.
Точность производителя также называют ошибками пропуска 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.
Пересечение по объединению (IoU) - область перекрытия между прогнозируемой сегментацией и истинной точностью, деленная на область объединения между прогнозируемой сегментацией и истинной точностью. Среднее значение IoU вычисляется для каждого класса.
Параметры
ComputeAccuracyForPixelClassification(in_raster, in_ground_truth_data, out_confusion_matrix, {num_random_points}, {sampling}, {min_point_distance})| Имя | Описание | Тип данных |
in_raster | Входной классифицированный растр. | Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
in_ground_truth_data | Входное изображение для классификации или другие исходные тематические ГИС-данные. Входные данные могут быть растром или классом объектов. Обычно данные представлены классифицированным изображением одного диапазона целочисленного типа данных. Если в качестве входных данных применяются полигоны, используются только те, что не относятся к обучающей выборке. Можно работать также с ГИС-данными почвенно-растительного покрова из шейп-файла или класса пространственных объектов. | Mosaic Layer; Raster Layer; 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 этот путь отсутствует в базе геоданных, укажите расширение .dbf, чтобы сохранить его в формате dBASE. | Table |
num_random_points (Дополнительный) | Общее число произвольных точек, которые будут сгенерированы. В зависимости от метода выборки и числа классов действительное число может вырасти, но никогда не может уменьшиться. Число произвольно расположенных точек по умолчанию равно 500. | Long |
sampling (Дополнительный) | Указывает используемую схему выборки.
| String |
min_point_distance (Дополнительный) | Минимальное расстояние между опорными точками Этот параметр включен, когда значением параметра in_class_data является класс объектов. По умолчанию - 0. | Double |
Пример кода
Этот пример создает матрицу неточностей с помощью 500 стратифицированных случайных точек.
import arcpy
arcpy.env.workspace = r"C:\Data\MyProject.gdb"
arcpy.ia.ComputeAccuracyForPixelClassification("BGYRre_ps16_ClassifyPixel",
"Classified_202412301648436631322", "BGYNIR_ps16_ComputeAccura", 500,
"STRATIFIED_RANDOM", 0)Этот пример создает матрицу неточностей с помощью 500 случайных точек.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
# Set local variables
in_raster=r"C:\DL\MyProject.gdb\BGYClassifyPixel"
in_ground_truth=r"C:\DL\MyProject.gdb\Classified_2024"
out__matrix=r"C:\DL\MyProject.gdb\BGYN_ComputeAccura"
num_random_points=500
sampling="RANDOM"
min_point_distance=10
# Execute
arcpy.ia.ComputeAccuracyForPixelClassification(in_raster, in_ground_truth,
out__matrix, num_random_points, sampling, min_point_distance)Параметры среды
Информация о лицензиях
- Basic: Обязательно Image Analyst или Spatial Analyst
- Standard: Обязательно Image Analyst или Spatial Analyst
- Advanced: Обязательно Image Analyst или Spatial Analyst