遥感分类产品精度验证之TIF验证TIF

KKB_2020.tif

KKB_2020_JRC.tif

kkb.geojson

所用到的包:(我嫌geopandas安装太麻烦colab做的。。

cpp 复制代码
import rasterio
import geopandas as gpd
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay
from rasterio.mask import mask

定义所需要的函数

cpp 复制代码
# 裁剪栅格数据的函数
def clip_raster(raster_file, geojson):
    with rasterio.open(raster_file) as src:
        out_image, out_transform = mask(src, geojson.geometry, crop=True)
        out_meta = src.meta.copy()
        out_meta.update({"driver": "GTiff",
                         "height": out_image.shape[1],
                         "width": out_image.shape[2],
                         "transform": out_transform})
    return out_image[0], out_meta

# 将tif转为二分类
def convert_to_binary(data):
    return np.where(data != 0, 1, 0)  # Non-zero values represent water

# 创建对比图,0为背景值,1为正确值
def create_comparison_map(true_data, predicted_data):
    comparison_map = np.zeros_like(true_data)
    comparison_map[(true_data == 1) & (predicted_data == 1)] = 1  # Correct identification
    comparison_map[(true_data == 0) & (predicted_data == 0)] = 0  # Background value
    comparison_map[(true_data == 1) & (predicted_data == 0)] = 2  # Missed identification
    comparison_map[(true_data == 0) & (predicted_data == 1)] = 3  # Over identification
    return comparison_map

# 计算精度
def calculate_accuracy_metrics(confusion_matrix):
    accuracy = np.diag(confusion_matrix).sum() / confusion_matrix.sum()
    producer_accuracy = np.diag(confusion_matrix) / confusion_matrix.sum(axis=1)
    user_accuracy = np.diag(confusion_matrix) / confusion_matrix.sum(axis=0)
    return accuracy, producer_accuracy, user_accuracy

# 保存tif
def save_raster(data, meta, filename):
    meta.update({"count": 1})
    with rasterio.open(filename, 'w', **meta) as dst:
        dst.write(data, 1)

加载数据并按研究区裁剪,目的是不让背景值影响计算,并将tif转为2分类,最后调用sklearn计算混淆矩阵。

cpp 复制代码
# 加载数据
file_kkb_2020 = '/content/KKB_2020.tif'
file_kkb_2020_jrc = '/content/KKB_2020_JRC.tif'
file_geojson = '/content/kkb.geojson'
geojson = gpd.read_file(file_geojson)

# 裁剪tif
kkb_2020, meta = clip_raster(file_kkb_2020, geojson)
kkb_2020_jrc, meta  = clip_raster(file_kkb_2020_jrc, geojson)

# 转化为0,1值
kkb_2020_binary = convert_to_binary(kkb_2020)  # Non-NaN values represent water
kkb_2020_jrc_binary = convert_to_binary(kkb_2020_jrc)  # Non-zero values represent water

# 调用sklearn方法计算混淆矩阵
cm = confusion_matrix(kkb_2020_binary.flatten(), kkb_2020_jrc_binary.flatten())
print(cm)

展示混淆矩阵与对比图,结果如下图所示

cpp 复制代码
# 展示混淆矩阵
disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=["No Water", "Water"])
disp.plot()
plt.title('Confusion Matrix')
plt.show()

# 创建对比图
comparison_map = create_comparison_map(kkb_2020_binary, kkb_2020_jrc_binary)


# 展示对比图
plt.imshow(comparison_map, cmap='viridis', interpolation='nearest')
plt.colorbar()
plt.title('Comparison Map')
plt.show()

计算精度指标与保存对比图

cpp 复制代码
# 计算精度指标
accuracy, producer_accuracy, user_accuracy = calculate_accuracy_metrics(cm)

accuracy_metrics = pd.DataFrame({
    'Metric': ['Overall Accuracy', 'Producer Accuracy', 'User Accuracy'],
    'Value': [accuracy, producer_accuracy.mean(), user_accuracy.mean()]
})
# 保存对比图
meta.update({"count": 1})
with rasterio.open('/content/comparison_map.tif', 'w', **meta) as dst:
    dst.write(comparison_map, 1)
    
print(accuracy_metrics)

数据与代码存放在:

https://drive.google.com/drive/folders/1ECbBZTlPlLPNiBkA67GCbCf_6otl83jN?usp=sharing

相关推荐
神经星星1 分钟前
准确度提升400%!印度季风预测模型基于36个气象站点,实现城区尺度精细预报
人工智能
IT_陈寒3 小时前
JavaScript 性能优化:5 个被低估的 V8 引擎技巧让你的代码快 200%
前端·人工智能·后端
Juchecar3 小时前
一文讲清 PyTorch 中反向传播(Backpropagation)的实现原理
人工智能
黎燃3 小时前
游戏NPC的智能行为设计:从规则驱动到强化学习的演进
人工智能
机器之心4 小时前
高阶程序,让AI从技术可行到商业可信的最后一公里
人工智能·openai
martinzh4 小时前
解锁RAG高阶密码:自适应、多模态、个性化技术深度剖析
人工智能
机器之心4 小时前
刚刚,李飞飞空间智能新成果震撼问世!3D世界生成进入「无限探索」时代
人工智能·openai
scilwb4 小时前
Isaac Sim机械臂教程 - 阶段1:基础环境搭建与机械臂加载
人工智能·开源
舒一笑4 小时前
TorchV企业级AI知识引擎的三大功能支柱:从构建到运营的技术解析
人工智能
掘金酱4 小时前
🎉 2025年8月金石计划开奖公示
前端·人工智能·后端