《表4 RF分类精度分析表Tab.4 The Accuracy Analysis Table of RF Classification Method》

  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

《高分二号数据的城市生态用地分类方法探讨》

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

在实地调查和土地利用数据基础上，对上述分类结果用混淆矩阵进行精度评价，分别计算出其总体精度和Kappa系数，如表1~表4所示。从图4及表2看出，ML分类结果中，建筑物和道路混分现象十分严重，并且存在裸土和道路混分、建筑物和裸土混分、建筑物错分为水体的情况。建筑物分类生产者精度最低，仅为47.41%，漏分现象严重，建筑物将近有一半误分为道路，这是ML方法精度较低的主要因素。从图5及表3可以看出，SVM分类结果较ML方法提高不少，但裸土误分为建筑物和道路现象较为严重，造成其生产者精度只有57.30%，也有建筑物和道路混分的情况，还存在将水体错分为建筑物的现象。从图6及表4可以看出，加入光谱和纹理特征的RF分类虽未将建筑物和道路完全分开，但漏分、错分及混分的现象相对而言改善不少，生产者精度均在96%以上，裸土漏分、误分现象较SVM方法减轻了不少，生产者精度虽未高于ML方法，却大大改善了ML方法中其他类别误分为裸土的情况，将用户精度提高到100%。在本文中，RF在水体分类方面稍逊于SVM和ML，漏分现象稍高，造成其生产者精度稍低于SVM方法，但无其他类别错分为水体的现象。