《表2 最大似然法分类精度验证》
通过ENVI 5.3软件平台,在影像中对耕地、林地、水域、建设用地和未利用地分别选取训练样本区,并计算样本区之间的分离度,最大程度上提高分类的精度。具体步骤为:首先在ENVI5.3软件中打开Toolbox工具箱,选择Region of Interest下面的ROI Separability工具,将样本区和原始影像分别叠加进来进行分离度计算。本文分类度计算的具体结果为:耕地与建设用地的分类度为1.95、耕地与未利用地的分离度为1.99、耕地与水域的分离度为1.99、建设用地与未利用地的分离度为1.99、建设用地与水域的分离度为2.00、林地与耕地的分离度为1.96、林地与建设用地的分离度为1.99、林地与未利用地的分离度为1.99、林地与水域的分离度为2.00、水域与未利用地的分离度为1.99。利用选好的样本训练区,分别采用最大似然、平行六面体、传统神经网络、K-Means均值聚类对影像进行分类,分类结果如图4所示。同时为了合理评估各种分类方法在高分辨遥感影像中的实际分类效果,故通过ENVI5.3软件平台基于同样的ROI验证样区对分类结果分别进行混淆矩阵分析(表2)。从混淆矩阵中我们可以看出,传统分类方法中分类精度最高的是传统神经网络分类和最大似然分类,其Kappa系数分别为0.9817、0.9708;分类精度最低的是K-Means均值聚类和平行六面体分类,Kappa系数分别为0.5749、0.7728。
图表编号 | XD0071806600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.03.26 |
作者 | 李贤江、陈佑启、邹金秋、石淑芹、郭涛、蔡为民、陈浩 |
绘制单位 | 天津工业大学经济与管理学院、中国农业科学院农业资源与农业区划研究所、中国农业科学院农业资源与农业区划研究所、天津工业大学经济与管理学院、四川智图信息技术有限公司、天津工业大学经济与管理学院、天津市环境保护科学研究院 |
更多格式 | 高清、无水印(增值服务) |