Inspecter les échantillons d'apprentissage (Spatial Analyst)

Disponible avec une licence Spatial Analyst.

Synthèse

Estime la précision d’échantillons d'apprentissage individuels. La précision de la validation croisée est calculée à l’aide du résultat d’apprentissage de la classification précédemment généré dans un fichier .ecd et des échantillons d’apprentissage. Les sorties sont notamment un jeu de données raster contenant les valeurs des classes incorrectement classées et un jeu de données d'échantillons d'apprentissage avec le score de précision pour chaque échantillon d'apprentissage.

Utilisation

• L'outil utilise le raster en entrée, un raster en entrée supplémentaire et le fichier de définition de classificateur .ecd pour produire une couche de classification à la volée. Cette couche de classification est ensuite utilisée comme référence et comparée à tous les polygones ou points des échantillons d'apprentissage. Comme un échantillon d'apprentissage idéal ne doit contenir que des pixels de la classe qu'il représente, la précision est calculée en comparant tous les pixels classés correctement avec tous les pixels classés incorrectement pour chaque échantillon d'apprentissage. Le score de précision (par polygone ou point) est calculé en tant que number of correctly classified pixels/number of total pixels contenu dans chaque échantillon d'apprentissage.

• Le score pour les échantillons d'apprentissage de type polygone est une valeur décimale allant de 0 à 1, où une valeur plus proche de 1 signifie une meilleure précision. Le score pour les échantillons d'apprentissage de type point est soit 0 pour imprécis ou 1 pour précis.

• Les résultats peuvent être utilisés des manières suivantes pour optimiser les échantillons d'apprentissage qui définissent les classes :

  • Utilisez la table attributaire de l'échantillon d'apprentissage en sortie pour trier les entités d'apprentissage par précision, puis zoomez sur chaque entité.
  • Utilisez l'appariement de classes raster classées incorrectement pour voir le lieu de la confusion de classification et sa cause.
  • A l'aide de cette information, vous pouvez choisir de conserver, supprimer ou mettre à jour les entités d'apprentissage.

Paramètres

Boîte de dialogue

Étiquette	Explication	Type de données
Raster en entrée	Le raster en entrée à classer.	Mosaic Layer; Raster Layer; Image Service; String
Fichier de définition de classificateur en entrée	Le fichier de classificateur en sortie .ecd généré à partir d'un des outils Préparer le classificateur. Le fichier .ecd qui contient des informations sur des attributs, des statistiques ou d'autres informations nécessaires pour le classificateur.	File
Classe d'entités de l'échantillon d'apprentissage en sortie avec score	Les échantillons d'apprentissage individuels en sortie sont enregistrés en tant que classe d'entités. La table attributaire associée contient un champ supplémentaire qui indique le score de précision.	Feature Class
Raster incorrectement classé en sortie	Raster incorrectement classé en sortie qui possède des données NoData en dehors des échantillons d'apprentissage. Dans les échantillons d'apprentissage, les pixels correctement classés sont représentés en tant que NoData et les pixels incorrectement classés sont représentés par leur valeur de classe. Les résultats sont un appariement d'index de valeurs de classes incorrectement classées.	Raster Dataset
Raster en entrée supplémentaire (Facultatif)	Des jeux de données raster auxiliaires, comme une image multispectrale ou un MNE, seront incorporés pour générer des attributs et d’autres informations requises par le classificateur. Ce raster est requis pour le calcul d’attributs, tels que la moyenne ou l’écart type. Ce paramètre est facultatif.	Mosaic Layer; Raster Layer; Image Service; String

Python

InspectTrainingSamples(in_raster, in_classifier_definition, out_training_feature_class, out_misclassified_raster, {in_additional_raster})

Nom	Explication	Type de données
in_raster	Le raster en entrée à classer.	Mosaic Layer; Raster Layer; Image Service; String
in_classifier_definition	Le fichier de classificateur en sortie .ecd généré à partir d'un des outils Préparer le classificateur. Le fichier .ecd qui contient des informations sur des attributs, des statistiques ou d'autres informations nécessaires pour le classificateur.	File
out_training_feature_class	Les échantillons d'apprentissage individuels en sortie sont enregistrés en tant que classe d'entités. La table attributaire associée contient un champ supplémentaire qui indique le score de précision.	Feature Class
out_misclassified_raster	Raster incorrectement classé en sortie qui possède des données NoData en dehors des échantillons d'apprentissage. Dans les échantillons d'apprentissage, les pixels correctement classés sont représentés en tant que NoData et les pixels incorrectement classés sont représentés par leur valeur de classe. Les résultats sont un appariement d'index de valeurs de classes incorrectement classées.	Raster Dataset
in_additional_raster (Facultatif)	Des jeux de données raster auxiliaires, comme une image multispectrale ou un MNE, seront incorporés pour générer des attributs et d’autres informations requises par le classificateur. Ce raster est requis pour le calcul d’attributs, tels que la moyenne ou l’écart type. Ce paramètre est facultatif.	Mosaic Layer; Raster Layer; Image Service; String

Environnements

Compression, Espace de travail courant, Étendue, Transformations géographiques, NoData, Mot-clé CONFIG en sortie, Système de coordonnées en sortie, Facteur de traitement parallèle, Pyramide, Méthode de rééchantillonnage, Espace de travail temporaire, Raster de capture, Statistiques raster, Taille de tuile