اعتبار سنجی نتایج طبقه بندی تصاویر ماهواره ای

نتیجه طبقه بندی یک تصویر ماهواره ای در قالب یک فایل رستری قابل ارزیابی هست که هریک از پیکسل های آن از یک برچسب عضویت به یک کلاس خاص برخوردار هستند. طبقه بندی تصویر بر اساس نمونه های هریک از کلاس ها صورت می گیرد با این حال برای ارزیابی کیفیت کلاس های استخراج شده باید نتیجه بدست آمده با استفاده از روش های خاصی مورد بررسی قرار بگیرد. این روش اعتبار سنجی از طریق مقایسه نمونه های طبقه بندی شده با نمونه های صحیح (مرجع) بدست آمده از نمونه برداری زمینی (یا یک مرجع برتر) صورت بگیرد.

در اثر این مقایسه یک ماتریس خطا ایجاد میشود که در آن فاکتورهای مختلفی در ارتباط با دقت محاسبه میشوند. نمونه های صحیح مرجع معمولا از طریق روش های زمینی استخراج میشوند. اما این در حالی  است که تصاویر ماهواره ای توان تفکیک مکانی بالا و تصاویر هوایی نیز میتوانند به عنوان مرجع دقیق در این زمینه مورد توجه قرار بگیرند.

رهیافت های مختلفی در ارتباط با نمونه برداری در زمینه اعتبار سنجی نتایج طبقه بندی ارائه شده است. اینکه کدام یک از این روش ها مورد استفاده قرار می گیرد تابعی است از استراتژی نمونه برداری، محدوده نمونه برداری و همچنین تعداد نمونه هایی که در این زمینه نیاز است.

در بین تمامی روش های موجود معمولا روش های پیشنهاد شده برای نقشه های کاربری اراضی استفاده از روش نمونه برداری رندوم و یا نمونه برداری stratified random مناسب تر است. تعداد نمونه های برداشت شده برای اعتبار سنجی با دو فاکتور در ارتباط است. به عبارت دیگر تعداد نمونه های برداشت شده باید به گونه ای باشد که مانع از رد شدن نتیجه بدست آمده برای نقشه طبقه بندی گردد و از سوی دیگر باید بتواند دقت صحیح نقشه مورد نظر را تعیین کند. تئوری نمونه برداری به خوبی میتواند در ارتباط با تعداد نمونه های برداشتی برای اعتبار سنجی کمک نماید. تعداد نمونه های برداشتی باید در مقایسه با منطقه مورد نظر بصورت بهینه باشد. عموما نمونه های برداشتی بصورت نقطه ای در نظر گرفته می شود اما این در حالی است که بصورت مساحت (پلیگون) نیز میتوان آن را متصور شد و استفاده نمود. با این حال یکی از مهم ترین موارد اثرگذار در نمونه برداری از منطقه موردنظر میزان ناهمگونی موجود در پدیده های کلاس مورد نظر است.

پس از انجام فرایند نمونه برداری و مقایسه نمونه های تصویری با نمونه های مرجع بدست آمده، یک ماتریس خطا ایجاد می شود که در شکل جدول زیر نیز نشان داده شده است. در این جدول 4 کلاس A,B,C,D لیست شده است. در مجموع نزدیک به 163 نمونه برداشت گردیده همانگونه که از جدول بر میاید  برای کلاس A به اندازه 53 نمونه آن در روی زمین یافت شده است اما این در حالی است که نتیجه طبقه بندی نشان از وجود 61 مورد از آن را دارد و این دو نوع نمونه در 35 مورد با یکدیگر دارای توافق و همخوانی هستند.

از مهم ترین فاکتورهایی که در گام اول در ماتریس خطا مورد توجه قرار میگیرد overall accuracy است. این فاکتور دقت را بر اساس تعداد پیکسل هایی که به درستی طبقه بندی شده ­اند محاسبه میکند. به عبارت دیگر تعداد پیکسل هایی که برای هریک از کلاس های مذکور  به درستی طبقه بندی شده اند به تمامی تعداد پیکسل های چک شده تقسیم میشوند(35+11+38+2/163 = 53%).  با استفاده از این فاکتور میتوان به دقت کلی نقشه تولید شده پی برد.

اما فاکتورهای دیگری نیز وجود دارد که میتوان با استفاده از آنها میزان دقت را برای هریک از کلاس ها بصورت جداگانه محاسبه نمود. در همین راستا به میتوان به پارامترهای Commission و Omission اشاره نمود.

Omission اشاره به آن دسته از نمونه هایی  دارد که در  فرایند تفسیر نتیجه مورد  استفاده قرار نگرفته است. به عنوان مثال برای کلاس A به اندازه 53 نمونه برداشت شده است. 18 نمونه از 53 نمونه به عنوان کلاس B,C,D تفسیر شده است. بر همین اساس 18/53 = 34%  خطای Omission این کلاس است.

خطای Commission اشاره به آن دسته از پیکسل هایی  دارد که به اشتباه طبقه بندی شده اند. به عنوان مثال در کلاس d تنها دو نمونه از 21 نمونه به درستی طبقه­ بندی شده اند (10 درصد). خطاهای Commission و Omission به عنوان خطاهای نوع یک و دو در نظر گرفته میشوند. از خطای Omission با عنوان دقت تولید کننده (Producer Accuracy)و از خطای Commission با عنوان دقت کاربر (user accuracy)یاد می شود. بر همین اساس دقت کاربر (user accuracy)عبارت است از احتمال قطعیت درست طبقه بندی شدن یک پیکسل. دقت تولید کننده نیز عبارت است از احتمال آنکه یک نمونه  برداشت شده بر روی تصویر مرتبط با آن کلاس خاص است.

فاکتور دیگری که در زمینه اعتبار سنجی بسیار مورد توجه قرار می گیرد و اعتبار بالایی دارد  پارامتر کاپاست. ضریب کاپا میزان دقت را بر عکس روش دقت کلی بر اساس تمامی پیکسل هایی که درست و غلط  طبقه بندی شده اند محاسبه می نماید. این فاکتور از اعتبار بالاتری در مقایسه با دقت کلی برای ارزیابی دقت نقشه طبقه بندی برخوردار است.