دقت کلی

در چند سال اخیر علاوه بر تکنیک های پیکسل مبنا از تکنیک های زیرپیکسل نیز جهت تهیه نقشه پوشش برف استفاده شده است زیرا در اکثر مدل های هیدرولوژیکی نیاز به تهیه نقشه پوشش برف به صورت مکرر و با فاصله زمانی کوتاه می باشد که تهیه این نقشه ها تنها با بکارگیری تصاویری با قدرت تفکیک زمانی بالا امکان پذیر است. تصاویری که دارای قدرت تفکیک زمانی بالا هستند، از نظر قدرت تفکیک مکانی پایین و یا متوسط می باشند که در چنین تصاویری امکان وجود پیکسل های مخلوط افزایش می یابد. استخراج اطلاعات از پیکسل های مخلوط، تنها با بکارگیری تکنیک های زیرپیکسل امکان پذیر می باشد. در این مطالعه از تصاویر ماهواره ترا سنجنده مودیس (سایت ناسا) و ماهواره لندست سنجنده OLI (سایت سازمان زمین شناسی ایالات متحده USGS ) استفاده گردید. برای انجام مراحل مختلف این تحقیق از نرم افزارهای Envi 4.8 و ArcGIS 10.3 استفاده گردیده است. در این روش سطوح برفی تصویر مودیس 1850 کیلومتر مربع و سطوح برفی لندست 1926 کیلومتر مربع برآورد گردید و دقت این روش برای دقت کلی برابر با 90 % و برای ضریب کاپا 86/0 محاسبه شد. همچنین مقدار ضریب همبستگی برای این تکنیک 93/0 محاسبه گردید. لذا با توجه به مقادیر ارائه شده میتوان به صحت و دقت برآورد اعتماد نمود.

ارزیابی دقت نتایج حاصل از طبقه بندی تصاویر ماهواره ای بسیار حائز اهمیت است. تاکنون پارامترهای متعددی برای بیان دقت طبقه بندی تصاویر مورد استفاده قرار گرفته اند. دو نمونه از متداول ترین پارامترها، ضریب کاپا و دقت کلی می باشند. بعضی از محققین ایراداتی به این پارامترهای متداول وارد کرده و پارامترهای جدیدی ارائه نموده اند و معتقدند این پارامترها، معایب پارامترهای متداول را ندارند. در این تحقیق رابطه دو مورد از این پارامترهای جدید ارزیابی دقت طبقه بندی با پارامترهای متداول مورد بررسی قرار گرفته است. این دو پارامتر مغایرت کمی و مغایرت تخصیصی نام گذاری شده اند که میزان عدم شباهت را گزارش می نمایند. به منظور بررسی رفتار این دو پارامتر طبقه بندی نظارت شده روی 57 تصویر شامل سه دسته از تصاویر با قدرت تفکیک متوسط، قدرت تفکیک بالا و قدرت تفکیک خیلی بالا انجام شد. سپس ضریب کاپا و دقت کلی به عنوان پارامترهای متداول، و مغایرت کمی و مغایرت تخصیصی به عنوان پارامترهای جدید برای هر تصویر طبقه بندی شده محاسبه شده و همبستگی مقادیر به دست آمده با یکدیگر بررسی گردید. نتایج به دست آمده در این تحقیق نشان می دهند که میزان همبستگی بین این دو دسته پارامتر بالا ولی در جهت منفی است؛ به عبارت دیگر با افزایش مقادیر یک دسته، مقادیر دسته دیگر کاهش می یابد. به این ترتیب پارامترهای مغایرت اطلاعات جدیدی را درباره نتایج طبقه بندی به کاربر ارائه نمی دهند و تنها و در صورتی که خطای طبقه بندی خواسته شود، می توان از پارامترهای مغایرت نیز درکنار آن ها استفاده نمود.