Evaluación de la precisión de la clasificación de una sola fecha: ¿es posible aplicarla a la clasificación sin imágenes de referencia?

Question

He aplicado la clasificación supervisada de máxima verosimilitud a una pila anual de imágenes Landsat (resolución 30m). Las clases de cobertura del suelo están relacionadas con el bosque de coníferas, es decir, bosque, tala, incendio, escarabajo de la corteza. Sólo disponía de unos pocos años de fotos aéreas de referencia (resolución de 0,5 m). Las fotos aéreas no cubren totalmente la extensión de las imágenes Landsat (AOI). Para evaluar la exactitud de la clasificación para una escena de un solo año, extraje una parte de solapamiento entre la extensión de las imágenes Landsat y las fotos aéreas:

Calculé las medidas de precisión para la parte extraída de Landsat totalmente clasificada por conjunto de puntos de muestreo estratificados por clase cartografiada.

He seguido los métodos publicados aquí:

• Olofsson, P., Foody, G.M., Herold, M., Stehman, S. V., Woodcock, C.E., Wulder, M.A., 2014. Buenas prácticas para la estimación de la superficie y la evaluación de la precisión del cambio de la tierra. Remote Sens. Environ. 148, 42-57. doi:10.1016/j.rse.2014.02.015 y
• Olofsson, P., Foody, G.M., Stehman, S. V., Woodcock, C.E., 2013. Hacer un mejor uso de los datos de precisión en los estudios de cambio de la tierra: Estimación de la exactitud y el área y cuantificación de la incertidumbre utilizando la estimación estratificada. Remote Sens. Environ. 129, 122-131. doi:10.1016/j.rse.2012.10.031

a evaluar la precisión de la clasificación .

Se puede encontrar un gran código R que resume esto aquí: https://github.com/openforis/accuracy-assessment/blob/master/error_matrix_analysis.R

La matriz de error, según este método, no se basa en los recuentos simples de la muestra, sino en las proporciones estimadas de la zona. Incluyendo la proporción de las clases cartografiadas en la evaluación de la precisión, es posible cuantificar la incertidumbre atribuible a la variabilidad del muestreo. Simplemente, para ajustar la superficie cartografiada al error de clasificación del mapa. Las estimaciones de superficie ajustadas al error deben ir acompañadas de un intervalo de confianza.

---

Mi problema:

He clasificado 7 imágenes Landsat. Calculé la precisión de las partes extraídas de ellas durante dos años, debido a la falta de disponibilidad de otros conjuntos de datos de referencia.

---

Mis preguntas:

• ¿Cómo calcular el área cartografiada ajustada para toda la escena Landsat clasificada? (es decir, el área superpuesta, donde evalué la precisión, era de 100 ha. La totalidad del AOI era de 500 ha. Mi área ajustada estimada para el área superpuesta es de 20 ha (100ha±20 ha)).
• ¿Cómo ampliar el número del margen de error para toda el área clasificada? (¿500±100 ha?)

Answer 1

Si se quiere evaluar la precisión de una clasificación supervisada, se comparan los resultados de la clasificación con la verdad de base. Por lo tanto, los resultados y la verdad sobre el terreno sólo pueden compararse dentro de un área en la que ambos datos se superponen. En su caso, esa sería el área en la que las imágenes aéreas se cruzan con los datos del Landsat. Si quiere verificar su clasificación Landsat de acuerdo con su verdad terrestre en las imágenes aéreas, sólo puede dar la precisión de la clasificación basada en el subconjunto de intersección.

En general, hay dos opciones:

La primera opción es realizar una clasificación supervisada en todas sus imágenes Landsat y evaluar la exactitud de la clasificación basándose en la verdad sobre el terreno de las zonas superpuestas. No conozco sus datos y su área de investigación, pero en mi opinión, esto estaría bien si las imágenes Landsat y aéreas se tomaron durante la misma temporada y si usted tomó un conjunto de datos de entrenamiento de todas las imágenes Landsat (bosque denso de la escena 1-7, incendio forestal de la escena 1-7 (si está disponible), etc.). Esto significa que se compara el mismo sensor y un período diferente con el mismo sensor y un período diferente.

La segunda opción es realizar una clasificación supervisada (como en la primera opción) pero tener su verdad de base tomada de las imágenes Landsat. En realidad, ésta sería la mejor opción porque se extrae la verdad de base de un conjunto de datos con la misma resolución espacial.

Si opta por la primera opción, tenga en cuenta que está esperando mucho de su algoritmo de clasificación supervisada cuando haga una evaluación de la precisión entre ambos conjuntos de datos de imágenes. Cuando se comparan los resultados de la clasificación de una imagen de 30 m de resolución con la verdad de una imagen de 0,5 m de resolución, se quiere que el algoritmo no sólo dé buenos resultados, sino que detecte más de lo que ofrece la resolución espacial. Aunque puede detectar más por interpretación visual en las imágenes aéreas de 0,5 m, transferir la información a una imagen Landsat de 30 m es muy impreciso.