daljinsko zaznavanje - In?titut za antropolo?ke in prostorske ?tudije ...

18 Klasifikacija podob
Slika 18.5: Rezultat nadzorovane klasifikacije satelitskega posnetka.
ugotovimo bodisi s terenskim ogledom ali z opazovanjem podob manjšega merila, na
primer letalskih posnetkov, ali natančnih tematskih kart. Vrednosti v znanih področjih
nato primerjamo z rezultati klasifikacije in izračunamo odstotek prekrivanja. Z analizo
kakovosti lahko tudi ugotovimo, kateri so največkrat napačno klasificirani razredi.
Kakovost postopka klasifikacije podaja matrika napak (error matrix). Gre za tabelo,
ki primerja rezultat klasifikacije z referenčnim podatkom in za vsak razred podaja
število pravilno in napačno klasificiranih pikslov. Matrika napak omogoča izračun več
statističnih pokazateljev natančnosti in odkrivanje razredov, kjer je mešanje pikslov
najbolj močno. Preglednica 18.2 prikazuje matriko, dobljeno na podlagi 800 vzorčnih
točk pri oceni natančnosti klasifikacije pokrovnosti območja Krasa. Vidimo lahko, da
so razredi precej dobro določljivi, še največ težav je z grmičevjem in kmetijskimi površinami.
Pri analizi natančnosti ločimo izdelovalčevo natančnost (producers accuracy) in uporabnikovo
natančnost (users accuracy). Prva je namenjena analitiku, ki je izdelal klasifikacijo,
in jo izračunamo kot delež pravilno klasificiranih referenčnih točk. Druga
pa služi kot vodnik za zanesljivost rezultata kot sredstva za napovedovanje in je podana
kot delež pravilno klasificiranih točk glede na celotno število točk v posamezni
kategoriji. Preglednica 18.3 podaja oceno natančnosti za klasifikacijo območja Krasa.
Natančnost presega 92 %, kar je zelo dober rezultat – splošno namreč velja, da je pri
klasifikaciji natančnost nad 90 % dobra, nad 80 % pa zadovoljiva. Primerjamo lahko
182