1. 項(xiàng)目概述為什么精度驗(yàn)證是GIS分析的“質(zhì)檢報(bào)告”在GIS地理信息系統(tǒng)項(xiàng)目中無(wú)論是遙感影像分類、土地利用制圖還是空間預(yù)測(cè)模型我們最終都會(huì)得到一個(gè)結(jié)果圖層。這個(gè)圖層上的每一個(gè)像元或每一個(gè)圖斑都代表了我們模型或人工解譯的“判斷”。然而這個(gè)判斷有多準(zhǔn)能不能直接拿給決策者用或者我們改進(jìn)的分類算法其效果提升是真實(shí)的還是偶然的要回答這些問(wèn)題就必須依賴一套客觀、量化的評(píng)估體系而混淆矩陣正是這套體系中最核心、最基礎(chǔ)的工具。你可以把它想象成一份產(chǎn)品的“質(zhì)檢報(bào)告”。工廠生產(chǎn)了一批零件我們的分類結(jié)果質(zhì)檢員驗(yàn)證數(shù)據(jù)會(huì)抽樣檢查并把每個(gè)零件的實(shí)際質(zhì)量參考類別和檢測(cè)結(jié)果預(yù)測(cè)類別一一比對(duì)記錄在一張表格里。這張表格就是混淆矩陣。它不僅能告訴你總體的合格率總體精度還能精確指出哪一類零件最容易誤判為另一類生產(chǎn)者精度和用戶精度甚至能揭示誤判的規(guī)律錯(cuò)分誤差和漏分誤差。在ArcGIS環(huán)境下進(jìn)行基于混淆矩陣的精度驗(yàn)證其核心價(jià)值在于將空間分析的結(jié)果從“看起來(lái)不錯(cuò)”的定性描述推進(jìn)到“準(zhǔn)確率為XX%”的定量評(píng)價(jià)。這對(duì)于學(xué)術(shù)研究的嚴(yán)謹(jǐn)性、工程項(xiàng)目的驗(yàn)收標(biāo)準(zhǔn)以及業(yè)務(wù)決策的可靠性都至關(guān)重要。無(wú)論你是剛接觸遙感分類的學(xué)生還是需要評(píng)估自動(dòng)化制圖流程效率的工程師掌握這套方法都是將你的GIS工作從“操作”提升到“分析”的關(guān)鍵一步。接下來(lái)我將結(jié)合多年項(xiàng)目經(jīng)驗(yàn)為你拆解在ArcGIS中完成一次專業(yè)、可靠的精度驗(yàn)證的全流程從驗(yàn)證樣本的創(chuàng)建、混淆矩陣的生成到各項(xiàng)精度指標(biāo)的計(jì)算與解讀并分享那些官方手冊(cè)里不會(huì)寫的實(shí)操陷阱和技巧。2. 精度驗(yàn)證的基石如何準(zhǔn)備一份“無(wú)可挑剔”的驗(yàn)證樣本集在進(jìn)行任何計(jì)算之前驗(yàn)證樣本集的質(zhì)量直接決定了最終精度評(píng)價(jià)結(jié)果的可信度。一個(gè)糟糕的樣本集會(huì)讓再精妙的算法得出的高精度都變得毫無(wú)意義。這一環(huán)節(jié)是很多新手最容易栽跟頭的地方。2.1 驗(yàn)證樣本的兩種主流來(lái)源與選擇邏輯通常驗(yàn)證樣本有兩種來(lái)源獨(dú)立驗(yàn)證樣本和交叉驗(yàn)證。在ArcGIS的桌面分析場(chǎng)景中我們主要使用前者。獨(dú)立驗(yàn)證樣本在模型訓(xùn)練或分類器參數(shù)調(diào)整完全結(jié)束后從研究區(qū)中另外選取一部分未被使用過(guò)的樣本進(jìn)行驗(yàn)證。這是最可靠、最被廣泛接受的方法。它的邏輯很直接用一批全新的“考題”來(lái)測(cè)試“學(xué)生”最能反映其真實(shí)水平。交叉驗(yàn)證將已有樣本集劃分為K份輪流將其中一份作為驗(yàn)證集其余作為訓(xùn)練集最后取K次驗(yàn)證結(jié)果的平均值。這在樣本量極其有限時(shí)如某些特定地物樣本難獲取有一定價(jià)值但在ArcGIS的傳統(tǒng)監(jiān)督分類工作流中不常用更多見于機(jī)器學(xué)習(xí)腳本中。對(duì)于絕大多數(shù)ArcGIS用戶我們的目標(biāo)就是創(chuàng)建一份高質(zhì)量的獨(dú)立驗(yàn)證樣本。這里的關(guān)鍵在于“獨(dú)立”二字。我見過(guò)最常見的錯(cuò)誤是用戶直接用參與分類訓(xùn)練的樣本點(diǎn)去做驗(yàn)證這相當(dāng)于考試前偷看了答案得出的精度稱為“訓(xùn)練精度”通常會(huì)虛高不具有參考價(jià)值。2.2 采樣策略設(shè)計(jì)隨機(jī)、分層與空間均衡采樣不是隨便在地圖上點(diǎn)幾個(gè)點(diǎn)?？茖W(xué)的采樣策略能確保樣本對(duì)總體有代表性。簡(jiǎn)單隨機(jī)采樣最基礎(chǔ)的方法。使用ArcGIS的“創(chuàng)建隨機(jī)點(diǎn)”工具在整個(gè)研究區(qū)或分類區(qū)域內(nèi)隨機(jī)生成點(diǎn)。優(yōu)點(diǎn)是簡(jiǎn)單保證每個(gè)位置被抽中的概率相同。缺點(diǎn)是當(dāng)?shù)仡惙植紭O不均衡時(shí)例如90%是森林10%是城鎮(zhèn)小類別可能抽不到足夠樣本導(dǎo)致其精度評(píng)價(jià)不可靠。分層隨機(jī)采樣這是推薦的首選方法。它先根據(jù)分類體系即你的幾個(gè)地類進(jìn)行“分層”然后在每一層每個(gè)地類內(nèi)部獨(dú)立進(jìn)行隨機(jī)采樣。這樣可以確保即使是非常稀少的地類也能獲取到預(yù)設(shè)數(shù)量的驗(yàn)證樣本。在ArcGIS中你需要先有分類結(jié)果圖然后利用“分區(qū)統(tǒng)計(jì)”或“提取分析”工具輔助為每個(gè)地類生成獨(dú)立的隨機(jī)點(diǎn)。考慮空間自相關(guān)空間數(shù)據(jù)的一個(gè)特性是距離相近的事物更相似。如果兩個(gè)采樣點(diǎn)靠得太近它們可能提供的是冗余信息并且不能代表更廣闊的區(qū)域。因此在生成隨機(jī)點(diǎn)時(shí)通常要設(shè)置“最小允許距離”迫使采樣點(diǎn)在空間上盡可能分散開。ArcGIS的“創(chuàng)建隨機(jī)點(diǎn)”工具中有“最小允許距離”參數(shù)務(wù)必根據(jù)你的影像分辨率如10米影像設(shè)置50-100米和研究區(qū)大小合理設(shè)置。實(shí)操心得我個(gè)人的習(xí)慣是對(duì)于一張初步的分類圖我會(huì)先用分層隨機(jī)采樣生成大約每個(gè)類別50-100個(gè)點(diǎn)視類別面積和重要性調(diào)整作為驗(yàn)證候選集。生成后一定要肉眼檢查這些點(diǎn)是否落在了正確的位置。例如隨機(jī)點(diǎn)可能落在了兩類邊界的混合像元上或者由于參考影像有云、陰影導(dǎo)致無(wú)法判讀這些點(diǎn)都需要被剔除或重新采樣。2.3 樣本點(diǎn)的真實(shí)類別標(biāo)注黃金標(biāo)準(zhǔn)的確立為驗(yàn)證樣本點(diǎn)賦予“真實(shí)類別”屬性是整個(gè)流程中最耗時(shí)但也最不能馬虎的一步。這個(gè)“真實(shí)值”就是評(píng)判分類結(jié)果對(duì)錯(cuò)的黃金標(biāo)準(zhǔn)。數(shù)據(jù)源選擇優(yōu)先選擇比分類所用影像時(shí)空更接近、分辨率更高或解釋更可靠的資料。例如更高分辨率的航空影像或谷歌地球歷史影像。野外實(shí)地調(diào)查的GPS點(diǎn)數(shù)據(jù)最可靠。已有的人工精細(xì)解譯圖或權(quán)威土地利用數(shù)據(jù)。如果都沒有則依賴專家對(duì)分類所用影像進(jìn)行目視解譯需謹(jǐn)慎存在主觀性。在ArcGIS中操作通常我們會(huì)創(chuàng)建一個(gè)點(diǎn)要素類其中一個(gè)字段如True_Class用于存儲(chǔ)真實(shí)類別。通過(guò)加載高分辨率參考影像人工目視判別每個(gè)隨機(jī)點(diǎn)位置的實(shí)際地物類型并錄入該字段。這個(gè)過(guò)程可以利用ArcGIS的“編輯”工具條配合屬性表直接輸入。這里有一個(gè)巨大的坑需要注意標(biāo)注者的主觀差異。同一個(gè)點(diǎn)不同的人可能會(huì)判為不同的類別特別是“灌叢”和“幼林”這類過(guò)渡類型。因此如果項(xiàng)目重要建議由多人獨(dú)立標(biāo)注然后計(jì)算一致性如Kappa系數(shù)只采用那些達(dá)成一致的樣本點(diǎn)或者取多數(shù)人的意見。3. ArcGIS中的核心操作從樣本點(diǎn)到混淆矩陣表當(dāng)你的驗(yàn)證樣本點(diǎn)要素類準(zhǔn)備好了包含True_Class字段分類結(jié)果柵格也準(zhǔn)備好了就可以開始核心計(jì)算了。3.1 使用“生成混淆矩陣”工具步驟與參數(shù)詳解ArcGIS Pro和ArcMap都提供了專門的工具。這里以功能更強(qiáng)大的ArcGIS Pro中的“生成混淆矩陣”工具為例位于“影像分類”工具箱或“空間分析”工具箱。輸入數(shù)據(jù)輸入分類柵格數(shù)據(jù)你的分類結(jié)果圖。輸入驗(yàn)證柵格或要素?cái)?shù)據(jù)你的驗(yàn)證樣本點(diǎn)要素類。驗(yàn)證字段選擇那個(gè)存儲(chǔ)了真實(shí)類別的字段如True_Class。關(guān)鍵參數(shù)解析輸出混淆矩陣指定一個(gè)輸出位置和名稱結(jié)果將是一個(gè)文本文件.txt或地理數(shù)據(jù)庫(kù)表。輸出精度評(píng)估報(bào)告可選強(qiáng)烈建議勾選。它會(huì)生成一個(gè)包含總體精度、Kappa系數(shù)、生產(chǎn)者精度、用戶精度等詳細(xì)指標(biāo)的HTML報(bào)告非常直觀。處理像元時(shí)忽略背景值可選如果你的分類圖有背景值如0或255且這些區(qū)域不應(yīng)參與計(jì)算就在這里指定。這能防止背景值被誤統(tǒng)計(jì)為一個(gè)類別。類值可選如果你只想評(píng)估某幾個(gè)特定類別可以在這里指定。默認(rèn)是評(píng)估所有在驗(yàn)證樣本中出現(xiàn)的類別。運(yùn)行與輸出點(diǎn)擊運(yùn)行后工具會(huì)做兩件事將驗(yàn)證點(diǎn)與分類柵格疊加提取每個(gè)點(diǎn)所在位置分類結(jié)果的類別值存入點(diǎn)要素的一個(gè)新字段如Pred_Class?；谒悬c(diǎn)的True_Class和Pred_Class統(tǒng)計(jì)生成混淆矩陣和精度報(bào)告。3.2 工具背后的原理像元值提取與交叉統(tǒng)計(jì)理解工具在做什么能幫你更好地排查問(wèn)題。其工作流程可以拆解為空間鏈接對(duì)于每一個(gè)驗(yàn)證點(diǎn)工具讀取其坐標(biāo)然后去輸入分類柵格數(shù)據(jù)中找到對(duì)應(yīng)坐標(biāo)的像元獲取該像元的數(shù)值即預(yù)測(cè)類別。屬性賦值將這個(gè)預(yù)測(cè)類別的數(shù)值寫入點(diǎn)要素的一個(gè)新字段。制表分析遍歷所有點(diǎn)創(chuàng)建一個(gè)二維表格。表格的行代表真實(shí)類別True_Class列代表預(yù)測(cè)類別Pred_Class。表格中的每個(gè)單元格的值就是屬于該真實(shí)類別且被預(yù)測(cè)為該類別的樣本點(diǎn)數(shù)量。計(jì)算指標(biāo)基于這個(gè)計(jì)數(shù)表格工具自動(dòng)計(jì)算各項(xiàng)精度指標(biāo)。3.3 常見報(bào)錯(cuò)與排查指南錯(cuò)誤 “輸入驗(yàn)證數(shù)據(jù)與輸入分類柵格數(shù)據(jù)的范圍不匹配”或“未找到任何重疊的樣本點(diǎn)”。原因這是最常見的問(wèn)題。驗(yàn)證樣本點(diǎn)的空間范圍完全在分類柵格的范圍之外或者兩者的坐標(biāo)系不一致。解決檢查坐標(biāo)系確保驗(yàn)證點(diǎn)要素類和分類柵格數(shù)據(jù)使用完全相同的坐標(biāo)系不僅是同一橢球體投影也要相同。使用“投影”工具進(jìn)行統(tǒng)一。檢查空間范圍將兩者加載到同一地圖中放大查看驗(yàn)證點(diǎn)是否確實(shí)落在了分類圖的有效區(qū)域內(nèi)。有時(shí)分類圖邊緣有Nodata區(qū)域點(diǎn)落在那里也會(huì)出錯(cuò)。重新采樣或裁剪如果范圍確實(shí)不一致考慮用分類柵格的范圍去裁剪驗(yàn)證點(diǎn)或者重新在有效區(qū)域內(nèi)生成隨機(jī)點(diǎn)。錯(cuò)誤 “驗(yàn)證字段中包含的某些值在輸入分類柵格中不存在”。原因你的True_Class字段里有些類別的編號(hào)如“5”在你的分類柵格里根本沒有。可能是標(biāo)注錯(cuò)誤也可能是分類時(shí)合并或刪除了某些類別。解決檢查分類柵格的值域右鍵圖層屬性-源查看“像素深度”和“統(tǒng)計(jì)信息”核對(duì)True_Class字段的所有值是否都出現(xiàn)在分類柵格中。修正錯(cuò)誤的標(biāo)注值。警告 “某些樣本點(diǎn)位于NoData像元上”。原因樣本點(diǎn)落在了分類柵格的無(wú)效區(qū)域如背景、掩膜外。解決工具通常會(huì)忽略這些點(diǎn)。但你需要評(píng)估這是否會(huì)影響樣本的代表性。如果大量點(diǎn)落在邊緣建議檢查分類過(guò)程或重新生成樣本點(diǎn)。4. 解讀混淆矩陣超越“總體精度”的深度分析工具生成了漂亮的矩陣和報(bào)告但數(shù)字背后的故事才是關(guān)鍵。我們以一個(gè)虛構(gòu)的林地分類混淆矩陣為例進(jìn)行解讀。假設(shè)我們對(duì)森林F、灌木S、草地G、農(nóng)田C四類進(jìn)行分類得到一個(gè)如下所示的混淆矩陣單位個(gè)樣本點(diǎn)真實(shí) vs 預(yù)測(cè)預(yù)測(cè)為 F預(yù)測(cè)為 S預(yù)測(cè)為 G預(yù)測(cè)為 C行合計(jì)真實(shí)為 F851032100真實(shí)為 S5701510100真實(shí)為 G2206513100真實(shí)為 C051085100列合計(jì)92105931104004.1 核心精度指標(biāo)的計(jì)算與含義總體精度所有被正確分類的樣本點(diǎn)總數(shù)除以總樣本數(shù)。OA (85 70 65 85) / 400 305 / 400 0.7625 (76.25%)含義這是最直觀的指標(biāo)表示分類圖整體上有76.25%的像元是正確的。但它掩蓋了類別間的差異。生產(chǎn)者精度又稱“制圖精度”。對(duì)于某個(gè)真實(shí)類別有多少比例被正確分到了該類。計(jì)算該類對(duì)角線上的值除以該類的真實(shí)樣本總數(shù)行合計(jì)。例如森林F的生產(chǎn)者精度PA_F 85 / 100 85%含義從“地面真實(shí)”的角度看有85%的森林被正確地劃為了森林。漏分誤差 1 - PA。這里森林有15%被漏分到了其他類主要是灌木10%。用戶精度又稱“用戶精度”。對(duì)于某個(gè)預(yù)測(cè)類別有多少比例確實(shí)是該類。計(jì)算該類對(duì)角線上的值除以被分到該類的所有樣本數(shù)列合計(jì)。例如森林F的用戶精度UA_F 85 / 92 ≈ 92.4%含義從“地圖使用者”的角度看你在地圖上看到一個(gè)標(biāo)注為“森林”的像元它有92.4%的概率真的是森林。錯(cuò)分誤差 1 - UA。這里被分為森林的像元中有約7.6%其實(shí)是別的類主要是灌木5.4%。核心洞察PA和UA的不一致是混淆矩陣分析的精髓。高PA低UA說(shuō)明該類被“過(guò)度提取”很多別的類被錯(cuò)分進(jìn)來(lái)地圖上這類很多但不可信。低PA高UA說(shuō)明該類被“提取不足”很多本屬于它的像元被漏掉了地圖上這類很純但不全。上表中草地G的PA為65%UA約為69.9%兩者都較低說(shuō)明草地與其他類尤其是灌木S混淆嚴(yán)重。Kappa系數(shù)一個(gè)考慮了隨機(jī)一致性的指標(biāo)比總體精度更嚴(yán)謹(jǐn)。公式Kappa (總體精度 - 隨機(jī)一致概率) / (1 - 隨機(jī)一致概率)計(jì)算簡(jiǎn)化理解工具會(huì)自動(dòng)計(jì)算。通常Kappa 0.8表示極好的一致性0.6-0.8為高度一致0.4-0.6為中等一致0.4則一致性較差。意義它回答了“分類結(jié)果比隨機(jī)分類好多少”的問(wèn)題。在上例中總體精度76.25%但Kappa系數(shù)可能只有0.68左右說(shuō)明一致性良好但并非極佳。4.2 從矩陣中發(fā)現(xiàn)分類問(wèn)題與改進(jìn)方向分析混淆矩陣目標(biāo)是指出分類器的“弱點(diǎn)”在哪里。觀察非對(duì)角線上的大值它們揭示了主要的混淆對(duì)。在我們的例子里灌木S和草地G相互混淆非常嚴(yán)重S→G: 15個(gè) G→S: 20個(gè)。這說(shuō)明在光譜特征上這兩種植被類型可能非常相似。改進(jìn)方向可以是1引入更多時(shí)相的影像利用物候差異2加入紋理特征、指數(shù)如NDVI作為輔助波段3重新考慮這兩類的定義是否清晰可分。農(nóng)田C的漏分主要流向草地G10個(gè)。這可能是因?yàn)槭崭詈蟮霓r(nóng)田在光譜上與枯草相似?？梢钥紤]加入收割季前后的影像進(jìn)行時(shí)相分析。利用誤差矩陣計(jì)算各類別的權(quán)重如果某些類別面積很大或生態(tài)/經(jīng)濟(jì)價(jià)值很高可以為其分配更高權(quán)重計(jì)算加權(quán)Kappa或加權(quán)總體精度使評(píng)價(jià)更符合實(shí)際需求。5. 超越基礎(chǔ)工具高級(jí)分析與可視化實(shí)踐ArcGIS的標(biāo)準(zhǔn)工具提供了很好的起點(diǎn)但在實(shí)際項(xiàng)目報(bào)告中我們常常需要更定制化的分析和展示。5.1 使用Python與ArcPy進(jìn)行批處理和自定義分析當(dāng)你有大量分類結(jié)果需要評(píng)估或者需要計(jì)算標(biāo)準(zhǔn)工具未提供的指標(biāo)如F1-score、各類別IoU時(shí)編寫Python腳本是最高效的方式。import arcpy from arcpy.sa import * import pandas as pd import numpy as np # 設(shè)置工作空間 arcpy.env.workspace rC:\YourProject.gdb arcpy.env.overwriteOutput True # 1. 使用工具生成基礎(chǔ)混淆矩陣表 in_classified_raster Final_Classification in_validation_points Validation_Samples validation_field True_Class out_confusion_matrix Confusion_Matrix_Table # 執(zhí)行工具 arcpy.ia.GenerateConfusionMatrix(in_classified_raster, in_validation_points, out_confusion_matrix, validation_field) print(混淆矩陣表已生成。) # 2. 將結(jié)果表讀取為Pandas DataFrame進(jìn)行靈活分析 arr arcpy.da.TableToNumPyArray(out_confusion_matrix, [*]) # 讀取所有字段 df pd.DataFrame(arr) # 假設(shè)字段名為OBJECTID, CLASS_VALUE, GROUND_TRUTH, PREDICTED, COUNT # 我們需要重塑為矩陣形式 pivot_df df.pivot_table(indexGROUND_TRUTH, columnsPREDICTED, valuesCOUNT, aggfuncsum, fill_value0) classes sorted(pivot_df.index.union(pivot_df.columns)) # 獲取所有類別 pivot_df pivot_df.reindex(indexclasses, columnsclasses, fill_value0) # 確保矩陣完整 print(混淆矩陣DataFrame格式:) print(pivot_df) # 3. 計(jì)算自定義指標(biāo)例如每個(gè)類別的F1-Score report {} for cls in classes: TP pivot_df.at[cls, cls] # 對(duì)角線上的值真正例 FP pivot_df[cls].sum() - TP # 列和減去TP假正例 FN pivot_df.loc[cls].sum() - TP # 行和減去TP假負(fù)例 precision TP / (TP FP) if (TP FP) 0 else 0 # 用戶精度 recall TP / (TP FN) if (TP FN) 0 else 0 # 生產(chǎn)者精度 f1_score 2 * precision * recall / (precision recall) if (precision recall) 0 else 0 report[cls] { Precision (UA): round(precision, 4), Recall (PA): round(recall, 4), F1-Score: round(f1_score, 4) } custom_report_df pd.DataFrame(report).T print(\n自定義精度報(bào)告含F(xiàn)1-Score:) print(custom_report_df) # 4. 可以將報(bào)告導(dǎo)出為CSV或Excel custom_report_df.to_csv(rC:\YourProject\Custom_Accuracy_Report.csv) print(自定義報(bào)告已導(dǎo)出。)這段腳本展示了如何突破圖形界面限制實(shí)現(xiàn)自動(dòng)化處理和高級(jí)指標(biāo)計(jì)算。你可以輕松地修改它用于批量處理多個(gè)分類結(jié)果或者集成到更大的自動(dòng)化制圖流程中。5.2 結(jié)果可視化制作專業(yè)級(jí)的精度評(píng)價(jià)圖表數(shù)字表格不直觀將結(jié)果可視化是報(bào)告和論文中的必備技能?；煜仃嚐崃D使用Python的seaborn或matplotlib庫(kù)將混淆矩陣?yán)L制成熱力圖用顏色深淺直觀顯示混淆程度。對(duì)角線正確分類用深色高亮非對(duì)角線的混淆用其他顏色梯度表示一目了然。精度指標(biāo)柱狀圖將每個(gè)類別的生產(chǎn)者精度和用戶精度并排繪制成柱狀圖可以非常清晰地看出各類別的“可靠性”差異。雷達(dá)圖/蜘蛛圖如果你有多個(gè)分類方案或不同時(shí)間的結(jié)果可以將各類別的F1-Score繪制在雷達(dá)圖上便于綜合比較不同方案在各個(gè)類別上的表現(xiàn)優(yōu)劣。這些圖表都可以在Python中生成后導(dǎo)入ArcGIS Pro的布局視圖中與地圖、圖例、比例尺一起排版形成一張完整、專業(yè)的專題圖或報(bào)告插圖。5.3 空間化誤差分析誤差在哪里比有多少誤差更重要標(biāo)準(zhǔn)的混淆矩陣告訴你錯(cuò)了多少但沒有告訴你錯(cuò)在哪里。將誤差信息空間化能提供更具洞察力的信息。創(chuàng)建誤差圖層在生成混淆矩陣后你的驗(yàn)證點(diǎn)要素類里會(huì)有一個(gè)字段存儲(chǔ)了預(yù)測(cè)類別。你可以添加一個(gè)新字段Error_Type并通過(guò)字段計(jì)算器賦值正確如果True_ClassPred_Class錯(cuò)分如果True_Class!Pred_Class還可以細(xì)分如“本為A錯(cuò)分為B”符號(hào)化顯示在地圖中用不同的顏色和形狀顯示“正確點(diǎn)”和各類“錯(cuò)誤點(diǎn)”。你會(huì)立刻看到錯(cuò)誤點(diǎn)是否在空間上聚集例如是否都發(fā)生在兩類地物的邊界地帶、陰影區(qū)域、或特定地形位置。疊加分析將誤差點(diǎn)圖層與原始影像、地形數(shù)據(jù)、輔助數(shù)據(jù)疊加。你可能會(huì)發(fā)現(xiàn)大部分混淆發(fā)生在海拔XX米以上的陰坡或者與某條道路緩沖區(qū)高度重合。這為模型改進(jìn)提供了直接線索——也許需要引入地形校正或者需要將“道路邊緣的草地”單獨(dú)作為一個(gè)類別。這種空間誤差模式分析往往能發(fā)現(xiàn)純粹統(tǒng)計(jì)數(shù)字無(wú)法揭示的系統(tǒng)性偏差是將精度驗(yàn)證從“驗(yàn)收環(huán)節(jié)”推進(jìn)到“診斷和改進(jìn)環(huán)節(jié)”的關(guān)鍵。