| Beschriftung | Erläuterung | Datentyp |
Eingabe-Raster | Das klassifizierte Eingabe-Raster. | Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
Überprüfungsdaten | Das Eingabe-Klassifizierungsbild oder andere thematische GIS-Referenzdaten. Die Eingabe kann ein Raster oder eine Feature-Class sein. Typische Daten sind ein Klassifizierungsbild eines Einzelbands vom Datentyp "Integer". Wenn Sie Polygone als Eingabe verwenden, verwenden Sie nur diejenigen, die nicht als Trainingsgebiete herangezogen werden. Hierbei kann es sich auch um GIS-Landnutzungsdaten im Shapefile- oder Feature-Class-Format handeln. | Mosaic Layer; Raster Layer; Feature Layer |
Ausgabe-Konfusionsmatrix | Der Name der Ausgabedatei der Konfusionsmatrix im Tabellenformat. Das Format der Tabelle wird durch das Ausgabeverzeichnis und den Ausgabepfad bestimmt. Die Ausgabe ist standardmäßig eine Geodatabase-Tabelle. Wenn der Pfad nicht in einer Geodatabase enthalten ist, geben Sie die .dbf-Erweiterung an, um ihn im dBASE-Format zu speichern. | Table |
Anzahl der zufälligen Punkte (optional) | Die Gesamtzahl der zufälligen Punkte, die generiert werden. Die tatsächliche Anzahl kann je nach Referenzdatenstrategie und Anzahl der Klassen höher, jedoch niemals niedriger sein als diese Zahl. Die Standardanzahl der zu erstellenden zufälligen Punkte ist 500. | Long |
Referenzdatenstrategie (optional) | Gibt das verwendete Referenzpunktschema an.
| String |
Minimale Punktentfernung (optional) | Die minimale Entfernung zwischen den Referenzpunkten. Die Standardeinstellung ist 0. | Double |
Mit der Image Analyst-Lizenz verfügbar.
Zusammenfassung
Berechnet eine Konfusionsmatrix basierend auf Unterlassungs- und Überlassungsfehlern und den IoU-Wert (Intersection Over Union). Die Berechnung der Genauigkeit erfolgt zwischen der Ausgabe des Werkzeugs Pixel mit Deep Learning klassifizieren und den Überprüfungsdaten.
Das Werkzeug ist nur für Modelle zur Pixelklassifizierung gültig, nicht für andere Modelle, die mit dem Werkzeug Pixel mit Deep Learning klassifizieren verwendet werden.
Verwendung
Dieses Werkzeug berechnet die Nutzer- und Produzentengenauigkeit für jede Klasse sowie einen allgemeinen Kappa-Übereinstimmungsindex. Diese Genauigkeitsraten reichen von 0 bis 1, wobei 1 eine Genauigkeit von 100 Prozent darstellt. Nachfolgend finden Sie ein Beispiel für eine Konfusionsmatrix:
c_1 c_2 c_3 Gesamt U_Accuracy Kappa c_1
49
4
4
57
0,8594
0
c_2
2
40
2
44
0,9091
0
c_3
3
3
59
65
0,9077
0
Gesamt
54
47
65
166
0
0
P_Accuracy
0,9074
0,8511
0,9077
0
0,8916
0
Kappa
0
0
0
0
0
0,8357
Beispiel für Konfusionsmatrix Die Nutzergenauigkeit ist ein Messwert für die Pixel, die aus allen Pixeln, die als eine bestimmte Klasse klassifiziert sind, korrekt klassifiziert sind. Die restlichen Pixel dieser Klasse gehören einer anderen Klasse an oder werden gemäß den Bezugsinformationen als andere Klasse identifiziert; sie sind falsch positive Pixel.
Die Nutzergenauigkeit wird auch als Überlassungsfehler oder Fehler vom Typ 1 bezeichnet. Die Daten zum Berechnen dieser Fehlerrate werden aus den Zeilen der Tabelle gelesen.
Die Zeile "Gesamt" zeigt die Anzahl der Punkte an, die den Referenzdaten entsprechend als angegebene Klasse hätten identifiziert werden müssen.
Die Produzentengenauigkeit ist ein falsch-negatives Ergebnis, bei dem Pixel einer bekannten Klasse als etwas anderes klassifiziert werden als diese Klasse. Ein Beispiel hierfür ist, wenn das klassifizierte Bild ein Pixel als Wald identifiziert, es jedoch undurchlässig ist. In diesem Fall fehlen der undurchlässigen Klasse gemäß den Referenzdaten Pixel.
Die Produzentengenauigkeit wird auch als Unterlassungsfehler oder Fehler vom Typ 2 bezeichnet. Die Daten zum Berechnen dieser Fehlerrate werden aus den Spalten der Tabelle gelesen.
Die Spalte "Gesamt" zeigt die Anzahl der Punkte an, die entsprechend der klassifizierten Karte als angegebene Klasse identifiziert wurden.
Der Kappa-Übereinstimmungindex liefert eine Gesamtbewertung der Genauigkeit der Klassifizierung.
Intersection Over Union (IoU) ist die Überlappungsfläche zwischen der vorhergesagten Segmentierung und dem Feldvergleich geteilt durch die Vereinigungsfläche zwischen der vorhergesagten Segmentierung und dem Feldvergleich. Der IoU-Mittelwert wird für jede Klasse berechnet.
Parameter
ComputeAccuracyForPixelClassification(in_raster, in_ground_truth_data, out_confusion_matrix, {num_random_points}, {sampling}, {min_point_distance})| Name | Erläuterung | Datentyp |
in_raster | Das klassifizierte Eingabe-Raster. | Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
in_ground_truth_data | Das Eingabe-Klassifizierungsbild oder andere thematische GIS-Referenzdaten. Die Eingabe kann ein Raster oder eine Feature-Class sein. Typische Daten sind ein Klassifizierungsbild eines Einzelbands vom Datentyp "Integer". Wenn Sie Polygone als Eingabe verwenden, verwenden Sie nur diejenigen, die nicht als Trainingsgebiete herangezogen werden. Hierbei kann es sich auch um GIS-Landnutzungsdaten im Shapefile- oder Feature-Class-Format handeln. | Mosaic Layer; Raster Layer; Feature Layer |
out_confusion_matrix | Der Name der Ausgabedatei der Konfusionsmatrix im Tabellenformat. Das Format der Tabelle wird durch das Ausgabeverzeichnis und den Ausgabepfad bestimmt. Die Ausgabe ist standardmäßig eine Geodatabase-Tabelle. Wenn der Pfad nicht in einer Geodatabase enthalten ist, geben Sie die .dbf-Erweiterung an, um ihn im dBASE-Format zu speichern. | Table |
num_random_points (optional) | Die Gesamtzahl der zufälligen Punkte, die generiert werden. Die tatsächliche Anzahl kann je nach Referenzdatenstrategie und Anzahl der Klassen höher, jedoch niemals niedriger sein als diese Zahl. Die Standardanzahl der zu erstellenden zufälligen Punkte ist 500. | Long |
sampling (optional) | Gibt das verwendete Referenzpunktschema an.
| String |
min_point_distance (optional) | Die minimale Entfernung zwischen den Referenzpunkten. Die Standardeinstellung ist 0. | Double |
Codebeispiel
Dieses Beispiel erstellt eine Konfusionsmatrix anhand von 500 stratifizierten zufälligen Punkten.
import arcpy
arcpy.env.workspace = r"C:\Data\MyProject.gdb"
arcpy.ia.ComputeAccuracyForPixelClassification("BGYRre_ps16_ClassifyPixel",
"Classified_202412301648436631322", "BGYNIR_ps16_ComputeAccura", 500,
"STRATIFIED_RANDOM", 0)Dieses Beispiel erstellt eine Konfusionsmatrix anhand von 500 zufälligen Punkten.
# Import system modules
import arcpy
from arcpy.ia import *
# Check out the ArcGIS Image Analyst extension license
arcpy.CheckOutExtension("ImageAnalyst")
# Set local variables
in_raster=r"C:\DL\MyProject.gdb\BGYClassifyPixel"
in_ground_truth=r"C:\DL\MyProject.gdb\Classified_2024"
out__matrix=r"C:\DL\MyProject.gdb\BGYN_ComputeAccura"
num_random_points=500
sampling="RANDOM"
min_point_distance=10
# Execute
arcpy.ia.ComputeAccuracyForPixelClassification(in_raster, in_ground_truth,
out__matrix, num_random_points, sampling, min_point_distance)