《表1 不同分类方法的耕地分类精度》
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%。
图表编号 | XD00212730100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.20 |
作者 | 牟昱璇、邬明权、牛铮、黄文江、杨尽 |
绘制单位 | 成都理工大学旅游与城乡规划学院、中国科学院空天信息创新研究院遥感科学国家重点实验室、中国科学院空天信息创新研究院遥感科学国家重点实验室、中国科学院空天信息创新研究院数字地球重点实验室、成都理工大学旅游与城乡规划学院 |
更多格式 | 高清、无水印(增值服务) |