《表2 3种分类方法的苹果树分类精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向对象的GF-1卫星影像苹果树种植面积遥感提取研究——以山地丘陵地区的栖霞市为例》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了定量地评估3种分类方法的分类结果精度，本研究采用实测样本点与在线高分辨率影像数据选取的混合样本点为真值，采用混淆矩阵生成的生产精度和用户精度定量评估分类结果的精度（表2）。3种分类方法中引入SLOPE和FVC参与影像分割的面向对象分类法（K1）精度最高，利用混合样本点验证的生产精度为87.3%，用户精度为90.3%，相较于其他两种分类方法（K2和K3)，K1分类方法的生产精度提高了2.6%和10.1%，用户精度提高了2.8%和10.1%；利用实测样本点验证的生产精度为91.6%，用户精度为90.8%，相较于其他两种分类方法（K2和K3)，K1分类方法的生产精度提高了2.4%和7.3%，用户精度提高了2.1%和5.4%。由此可见，在山地丘陵地区，单纯依靠地物光谱信息并不能有效地提取苹果树种植信息。然而，通过引入辅助信息的面向对象决策树分类可以提高苹果树种植面积的提取精度，此外将辅助信息（SLOPE和FVC）融合到遥感影像多尺度分割的面向对象决策树分类则可以进一步提高其提取精度。