QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布(4)-分类精度评价

本文是QGIS基于多期哨兵2影像提取冬小麦分布教程的第四部分,主要介绍如何进行分类结果的精度评价。通过随机采样点的目视判读,构建误差矩阵,计算精度指标,以评估提取结果的准确性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文继续介绍使用QGIS基于多期哨兵2影像遥感指数阈值法提取冬小麦分布,本文为教程的第四部分:分类结果精度评价。所使用的示范数据下载地址为:

 

链接: https://pan.baidu.com/s/1GI32ipvabbgu0Ic2Q-dhdg
提取码: 1nqx

 

分类结果需要真值作为参考值进行精度评价。实际工作中,真值一般通过野外调查或者高精度遥感影像目视解译获取。本文为了说明流程,采用QGIS自带的随机采样结合在线遥感影像识别获取真值,构建误差矩阵进行精度验证。

 

 01 重分类(reclassification)

 

前一个章节,将影像分类结果是二值化影像,1表示小麦,0表示非小麦,但SCP计算误差矩阵的时候,将0特指无数据(NoData,背景值),导致识别出的0值将被误认为背景,造成精度评价错误。因此,分类代码不能用0表示,需要用Reclassification工具将非小麦像元(分类结果中对应的值为0)的分类代码改为2。

 

点击工具栏按钮打开SCP窗口,点击->,切换到Reclassification界面,设置如下参数:

 

select the classification(选择分类影像):原阳县2020冬小麦。

点击“Incremental new values ”,将会在列表框中计算出当前分类影像的所有类别取值(包括NoData),按照Old value(原值)从小到大,New value(新值)从1开始依次递增。

 

 

从上图可以看出,分类后的影像“原阳县2020冬小麦”包含3类像素值,“-3.4028234663852886e+38”表示无数据(背景值,Nodata),0表示非小麦区域,1表示小麦,双击Old value中“-3.4028234663852886e+38”对应的New value列,将其设置为0;双击“0”对应的New value,设置为2;双击“1”对应的New value,设置为1,

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值