《表1 不同分类方法的耕地分类精度》

  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

《南方地区复杂条件下的耕地面积遥感提取方法》

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

利用面向对象的CART决策树分类结果如图5(a），分类结果总体精度为96.1，Kappa系数为0.94。采用CART决策树分类的结果如图5(b），总体精度为71.0，Kappa系数为0.40。为了进一步验证，采用清华大学全球2017年分辨率为10 m的土地覆盖产品数据[8]对两种分类方法的结果进行对比，根据广泛查阅各类数据产品结果，目前没有2018年10 m分辨率土地覆盖产品，仅有2017年10 m分辨率Sentinel-2A数据制作的土地覆盖产品，该数据产品与本文实验的时间点以及采用数据精度类型最为接近；2017年至2018年仅差1 a，同一地区1 a内的土地利用变化极小，其中微小变化的误差可忽略不计，因此利用2017年的土地覆盖产品数据能够进行对比说明。表1是本文两种分类方法和土地覆盖产品精度评价结果，均用同一样本进行混淆矩阵评价得到，可以看出，土地覆盖产品数据总体精度为72.9，Kappa系数为0.46。从评价精度来看，本文采用的面向对象的CART决策树在总体精度上最高，在耕地类别提取精度能够达到92.2%。