کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6349010 1621830 2014 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A bootstrap method for assessing classification accuracy and confidence for agricultural land use mapping in Canada
ترجمه فارسی عنوان
یک روش بوت استرپ برای ارزیابی دقت طبقه بندی و اطمینان برای نقشه برداری زمین های کشاورزی در کانادا
ترجمه چکیده
طبقه بندی زمین و استفاده از زمین از طریق سنجش از راه دور به طور فزاینده ای تبدیل شدن به نهادینه مجموعه داده های چارچوب برای نظارت بر تغییرات محیطی. به همین ترتیب، نیاز به اظهارات قوی نسبت به صحت طبقه بندی بسیار مهم است. این مقاله یک روش برای برآورد اعتماد به نفس در دقت مدل طبقه بندی با استفاده از رویکرد بوت استرپ توصیف می کند. با استفاده از این روش، دقت طبقه بندی و اعتماد به نفس، در حالی که به طور نزدیک، می تواند در شیوه های مکمل برای ارائه اطلاعات اضافی در مورد دقت نقشه و تعریف گروه های کلاس ها و برای اطلاع رسانی به استراتژی های نمونه گیری مرجع آینده استفاده شود. دقت طبقه بندی کلی افزایش می یابد با افزایش تعداد رشته های مورد بررسی، که در آن عرض پهنای اعتبار محدوده طبقه بندی کاهش می یابد. دقت و اعتماد به کلاس های فردی به صورت غیر خطی مربوط به تعداد زمینه های مورد بررسی می باشد. نتایج نشان می دهد که برخی از کلاس ها را می توان با دقت و با اطمینان با تعداد کمتر از نمونه محاسبه کرد، در حالی که دیگران نیاز به مجموعه داده های ارجاعی بیشتری برای دستیابی به نتایج مطلوب دارند. این رویکرد، پیشرفت بیشتری نسبت به رویکردهای دیگر برای برآورد دقت و اعتبار کلاس است، زیرا از نمونه برداری تکراری استفاده می کند تا یک برآورد واقع گرایانه از محدوده در دقت و اعتبار طبقه بندی که می تواند با ورودی های داده های مختلف مرجع به دست آید.
موضوعات مرتبط
مهندسی و علوم پایه علوم زمین و سیارات کامپیوتر در علوم زمین
پیش نمایش مقاله
یک روش بوت استرپ برای ارزیابی دقت طبقه بندی و اطمینان برای نقشه برداری زمین های کشاورزی در کانادا
چکیده انگلیسی
Land cover and land use classifications from remote sensing are increasingly becoming institutionalized framework data sets for monitoring environmental change. As such, the need for robust statements of classification accuracy is critical. This paper describes a method to estimate confidence in classification model accuracy using a bootstrap approach. Using this method, it was found that classification accuracy and confidence, while closely related, can be used in complementary ways to provide additional information on map accuracy and define groups of classes and to inform the future reference sampling strategies. Overall classification accuracy increases with an increase in the number of fields surveyed, where the width of classification confidence bounds decreases. Individual class accuracies and confidence were non-linearly related to the number of fields surveyed. Results indicate that some classes can be estimated accurately and confidently with fewer numbers of samples, whereas others require larger reference data sets to achieve satisfactory results. This approach is an improvement over other approaches for estimating class accuracy and confidence as it uses repetitive sampling to produce a more realistic estimate of the range in classification accuracy and confidence that can be obtained with different reference data inputs.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: International Journal of Applied Earth Observation and Geoinformation - Volume 29, June 2014, Pages 44-52
نویسندگان
, , , ,