| Étiquette | Explication | Type de données |
Raster en entrée | Raster classé en entrée. | Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
Données de réalité de terrain | Image de classification en entrée ou autres données de référence de données SIG thématiques. L’entrée peut être un raster ou une classe d’entités. Les données standard sont une image de classification (monocanal, type de données numériques entières). Si vous utilisez des polygones en entrée, recourez uniquement à ceux qui ne sont pas utilisés comme échantillons d’apprentissage. Il peut également s’agir de données d’occupation du sol SIG au format de fichier de formes ou de classe d’entités. | Mosaic Layer; Raster Layer; Feature Layer |
Matrice de confusion en sortie | Le nom du fichier en sortie de la matrice de confusion au format tabulaire. Le format de la table est déterminé par l’emplacement et le chemin d’accès en sortie. Par défaut, la sortie sera une table de géodatabase. Si le chemin ne se trouve pas dans une géodatabase, spécifiez l’extension .dbf pour l’enregistrer au format dBASE. | Table |
Nombre de points aléatoires (Facultatif) | Le nombre total de points aléatoires qui vont être générés. Le nombre réel peut être supérieur, mais ne doit jamais être inférieur à ce nombre, selon la stratégie d’échantillonnage et le nombre de classes. Le nombre pas défaut de points générés de façon aléatoire est de 500. | Long |
Stratégie d’échantillonnage (Facultatif) | Spécifie la structure d’échantillonnage qui sera utilisée.
| String |
Distance minimale entre les points (Facultatif) | Distance minimale entre les points de références. La valeur par défaut est 0. | Double |
Disponible avec une licence Image Analyst.
Synthèse
Calcule une matrice de confusion en fonction des erreurs d’omission et de commission, et le score d’intersection sur union (IoU). La précision est calculée entre la sortie de l’outil Classer des pixels à l’aide du Deep Learning et les données de réalité de terrain.
L’outil est valide uniquement pour les modèles de classification des pixels et non pour les autres modèles utilisés avec l’outil Classifier des pixels à l’aide du Deep Learning.
Utilisation
L’outil calcule la précision des utilisateurs et des producteurs de chaque classe, ainsi qu’un indice Kappa d’accord global. Ces taux de précision sont compris entre 0 et 1, 1 représentant une précision de 100 pour cent. Voici un exemple de matrice de confusion :
c_1 c_2 c_3 Total 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
Total
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
Exemple de matrice de confusion La précision des utilisateurs est une mesure des pixels correctement classés parmi tous les pixels classés d’une classe donnée. Les autres pixels classés de cette classe appartiennent à une classe différente, ou sont identifiés comme une classe différente, d’après les informations de référence ; ce sont des faux positifs.
La précision des utilisateurs est également désignée sous le nom d’erreurs de commission ou d’erreur de type 1. Les données qui permettent de calculer ce taux d’erreur sont lues à partir des lignes de la table.
La ligne Total montre le nombre de points qui devraient être identifiés comme une classe donnée d’après les données de référence.
La précision des producteurs est un faux négatif, où les pixels d’une classe connue sont classés ailleurs que dans cette classe. Cela est le cas par exemple lorsque l’image classée identifie un pixel comme une forêt, alors qu’il devrait être imperméable. Dans ce cas, la classe imperméable ne comporte pas les pixels qui devraient être présents d’après les données de référence.
La précision des producteurs est également désignée sous le nom d’erreurs d’omission ou d’erreur de type 2. Les données qui permettent de calculer ce taux d’erreur sont lues à partir des colonnes de la table.
La colonne Total montre le nombre de points qui ont été identifiés comme une classe donnée d’après la carte classée.
L’indice Kappa d’accord offre une évaluation globale de la précision de la classification.
L’intersection sur union (IoU) est la surface de superposition entre la segmentation prévue et la réalité du terrain divisée par la surface d’union entre la segmentation prévue et la réalité du terrain. La valeur IoU est calculée pour chaque classe.
Paramètres
ComputeAccuracyForPixelClassification(in_raster, in_ground_truth_data, out_confusion_matrix, {num_random_points}, {sampling}, {min_point_distance})| Nom | Explication | Type de données |
in_raster | Raster classé en entrée. | Mosaic Layer; Raster Layer; Image Service; String; Raster Dataset; Mosaic Dataset |
in_ground_truth_data | Image de classification en entrée ou autres données de référence de données SIG thématiques. L’entrée peut être un raster ou une classe d’entités. Les données standard sont une image de classification (monocanal, type de données numériques entières). Si vous utilisez des polygones en entrée, recourez uniquement à ceux qui ne sont pas utilisés comme échantillons d’apprentissage. Il peut également s’agir de données d’occupation du sol SIG au format de fichier de formes ou de classe d’entités. | Mosaic Layer; Raster Layer; Feature Layer |
out_confusion_matrix | Le nom du fichier en sortie de la matrice de confusion au format tabulaire. Le format de la table est déterminé par l’emplacement et le chemin d’accès en sortie. Par défaut, la sortie sera une table de géodatabase. Si le chemin ne se trouve pas dans une géodatabase, spécifiez l’extension .dbf pour l’enregistrer au format dBASE. | Table |
num_random_points (Facultatif) | Le nombre total de points aléatoires qui vont être générés. Le nombre réel peut être supérieur, mais ne doit jamais être inférieur à ce nombre, selon la stratégie d’échantillonnage et le nombre de classes. Le nombre pas défaut de points générés de façon aléatoire est de 500. | Long |
sampling (Facultatif) | Spécifie la structure d’échantillonnage qui sera utilisée.
| String |
min_point_distance (Facultatif) | Distance minimale entre les points de références. La valeur par défaut est 0. | Double |
Exemple de code
Cet exemple génère une matrice de confusion à l’aide de 500 points aléatoires stratifiés.
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)Cet exemple génère une matrice de confusion à l’aide de 500 points aléatoires.
# 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)Environnements
Rubriques connexes
- Vue d’ensemble du jeu d’outils Deep Learning
- Installer des structures d’apprentissage profond pour ArcGIS
- Entraîner le modèle d’apprentissage profond
- Arguments de Deep learning
- Architectures des modèles de Deep Learning
- Rechercher un outil de géotraitement
- Créer des points d’évaluation de la précision
- Calculer la matrice de confusion
Vous avez un commentaire à formuler concernant cette rubrique ?