土地覆盖图的精度评估是指通过对比分类结果与参考数据，评估基于遥感或地理空间数据所生成土地覆盖分类图的可靠性和质量。这类地图广泛应用于环境监测、城市规划及气候变化研究，因此其准确性对于科学分析和政策制定至关重要。精度评估通常依赖于地面调查数据或高分辨率影像所提供的“真值”。它们被用于对比分类结果并识别分类误差。评估通常利用混淆矩阵来计算包括总体精度、用户精度、生产者精度，以及 Kappa 系数等指标。
随着全球土地覆盖产品的不断发布，近年来也出现了跨产品的比较评估方法，用以揭示数据间的一致性、差异性与不确定性。
参考数据
参考数据（也称为基準真相或者验证数据）对于评估土地覆盖图的准确性至关重要。这些数据是与土地覆盖标签进行比较的基准，其质量直接影响评估的有效性。
- 实地调查数据：通过 GPS 或其他设备在地面采集的点位数据。它们具有较高的可信度，但采集成本较高，覆盖范围有限。
- 高分辨率遥感影像：如 Google Earth、Sentinel-2、Landsat 等。这些影像经过专家视觉解译后，可作为有效的参考数据源。
- 已有权威数据集：如政府部门发布的土地覆盖调查数据、权威的地理空间数据库等。如果它们具有良好的时间一致性和空间精度，也可用于验证。
样本设计与抽样方法
为了实现高效而具代表性的精度评估，需在研究区域内进行合理的样本点抽样。常用策略包括：
- 简单随机抽样：每个像元被抽中的概率相等。这种方法简单，但采样得到的稀有类别的样本数可能不足。
- 分层随机抽样：考虑置信水平和误差幅度来估计所需的样本总量。
- 分层抽样估算方法：使用总体样本量，同时考虑允许的误差水平和土地覆盖比例。
样本解释方法
样本点在评估中需被赋予真实地类标签，通常有以下方式：。这种方式精度高但耗时耗力。
- 自动赋值：利用已有地图或算法自动赋值，效率高但可能需人工复核。
- 众包标注：公众利用平台（如 Geo-Wiki）进行标注。这种方法可以满足大数据需求，但需要关注数据准确性。
精度指标
有许多定量指标可以用来评估土地覆盖图的精度。这些指标通常是根据混淆矩阵（英语：confusion matrix）计算得出。
用户精度（User's accuracy，UA）、生产者精度（Producer's accuracy，PA）和 F1 值
用户精度和生产者精度属于类别指标。
而 F1 值则是用户精度与生产者精度的调和平均值，用以综合考虑这两类指标。是一种考虑随机一致性的统计指标。它的值域为 -1 至 1，值越高代表一致性越强。Kappa 系数常见解释标准如下：
{| class="wikitable"
|+Kappa值的解析
多产品对比评估
除了评估单个土地覆盖产品的精度外，许多研究还会对多个土地覆盖产品进行比较评估。这些产品通常在输入数据、分类方案或分类算法上有所不同。因此，比较评估对于理解这些数据集的一致性、差异性、互补性和可用性尤为重要。 比较评估通常采用以下方式进行：
- 使用通用参考数据集和评估指标进行定量评估。
近年来，许多研究都比较了多个高分辨率土地覆盖产品，例如欧洲空间局的WorldCover、Esir的Land Cover 和谷歌的 Dynamic World，以评估它们在不同区域和土地覆盖类型中的相对精度和主题一致性。这些努力有助于用户在为特定用途选择产品时做出明智的选择。
参见
- 测量精度
- 第一类错误与第二类错误
- 土地利用
参考文献
外部链接
*ESA 的 [https://climate.esa.int/en/projects/high-resolution-land-cover/ High Resolution Land Cover] 项目
*[https://www.geo-wiki.org/ GeoWiki] 首页
*联合国粮食及农业组织（FAO）开发的 [https://www.fao.org/land-water/land/land-governance/land-resources-planning-toolbox/category/details/en/c/1036361/ Land Cover Classification System (LCCS)]
评论 (0)