CHƯƠNG 4. KẾT QUẢ PHÂN TÍCH VÀ THẢO LUẬN CHO VIỆC PHÂN LOẠI SỬ DỤNG DỮ LIỆU PLR VÀ ASA
4.4. Kết quả phân loại với ảnh PLR
Trong phần này sẽ đánh giá khả năng sử dụng ảnh PLR một thời điểm ngày 23/11/2013 phân cực HH, HV trong giám sát RNM. Sẽ sử dụng các mẫu huấn luyện và kiểm tra như được trình bày ở Chương 4, phần 4.8 và 4.9 cho hai trường hợp: trường hợp phân loại với 6 lớp và trường hợp phân loại với 4 lớp.
4.4.1. Phân loại với 6 lớp
Sau khi thực hiện phân loại cho ảnh PLR 23/11/2010 có phân cực kép HH và HV với quy trình phân loại được trình bày ở Chương 4. Kết quả phân loại được thực hiện cho 4 phương pháp phân loại gồm SVM, MLC, MiD, MaD được trình bày như bảng 4.4. Dễ nhận thấy với hai phương pháp SVM và MLC (Hình 4.15) cho độ chính xác toàn cục và Kappa cao hơn hai phương pháp còn lại. Độ chính xác của hai phương pháp này tương đương nhau trong trường hợp phân loại này.
Bảng 4.4. Độ chính xác toàn cục và hệ số Kappa của ảnh PLR 23/11/2010 cho bốn phương pháp phân loại trong trường hợp 6 lớp
STT Dữ liệu Phương pháp phân loại Độ chính xác toàn cục (%) Kappa
1 PLR_20101123 SVM 61.79 0.5178
2 PLR_20101123 MLC 63.82 0.5514
3 PLR_20101123 MiD 54.57 0.4385
4 PLR_20101123 MaD 56.10 0.4509
Trong bảng 4.5 cho thấy phương pháp SVM cho kết quả với độ chính xác toàn cục là 61.79%, có nhiều nhầm lẫn giữa: nhóm lớp RNM xen khe mặt nước (RNM_MN) với các đối tượng RNM dày, thưa và trung bình; Nhóm lớp RNM mặn trung bình nhầm lẫn với RNM dày và thưa nhiều; lớp dân cư với lớp RNM thưa. Điều tượng tự cũng xảy ra ở phương pháp phân loại MLC. Do đó cần phải giảm số lớp cần phân loại xuống còn 4 lớp, bằng cách loại bỏ lớp RNM trung bình và RNM xen kẽ mặt nước.
Bảng 4.5. Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại SVM trong trường hợp 6 lớp
Lớp phân loại Dữ liệu mặt đất
Dancu RNM_day RNM_TB RNM_thua MN RNM_MN Tổng
Dancu 10 0 0 0 0 0 10
RNM_day 0 138 15 15 0 108 276
RNM_TB 3 61 36 16 5 35 156
RNM_thua 5 5 20 51 3 42 126
MN 0 0 0 0 226 0 226
RNM_MN 6 12 1 18 6 147 190
Tổng 24 216 72 100 240 332 984
Độ chính xác người
sản xuất (%) 41.7 63.9 50.0 51.0 94.2 44.3
Độ chính xác người
dùng 100.0 50.0 23.1 40.5 100.0 77.4
Độ chính xác toàn cục = (608/984) = 61.79%
Hệ số Kappa = 0.5178
Bảng 4.6. Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại MLC trong trường hợp 6 lớp
Lớp phân loại Dữ liệu mặt đất
Dancu RNM_day RNM_TB RNM_thua MN RNM_MN Tổng
Dancu 13 0 0 0 0 1 14
RNM_day 0 131 0 2 0 52 185
RNM_TB 4 71 58 33 6 93 265
RNM_thua 4 4 12 48 2 33 103
MN 0 0 0 0 225 0 225
RNM_MN 3 10 2 17 7 153 192
Tổng 24 216 72 100 240 332 984
Độ chính xác người
sản xuất (%) 54.2 60.7 80.7 48.0 63.0 46.1
Độ chính xác người
dùng (%) 92.9 70.8 21.9 46.6 93.8 79.7
Độ chính xác toàn cục = (628/984) = 63.82%
Hệ số Kappa = 0.5514
Hình 4.15. Kết quả phân loại ảnh PLR 23/11/2010 theo phương pháp SVM (bên trái) và MLC (bên phải) trong trường hợp 6 lớp
4.4.2. Phân loại với 4 lớp
Kết quả phân loại các với 4 đối tượng sau khi bỏ đi hai đối tượng dễ nhầm lẫn RNM trung bình và RNM xen kẽ mặt nước. Kết quả phân loại được thực hiện cho 4 phương pháp phân loại gồm SVM, MLC, MiD, MaD được trình bày như bảng 4.6. Dễ nhận thấy với hai phương pháp SVM và MLC (Hình 4.16) cho độ chính xác toàn cục và hệ số Kappa cao hơn hai phương pháp còn lại.
Trong bốn phương pháp phân loại có hai phương pháp có kết quả phân loại với độ chính xác cao, trong đó cao nhất là SVM với độ chính xác toàn cục là 81.91 %, sai số người sản xuất nhỏ nhất là 69.7 % và sai số người sử dụng nhỏ nhất là 83.9 %. Trong trường hợp này xảy ra nhầm lẫn giữa RNM thưa thành các đối tượng mặt nước là nhiều nhất, điều này làm giảm sai số người sản xuất ở đối tượng này chỉ còn 69.7%.(Bảng 4.7).
Do dó ta dễ nhận thấy kết quả phân loại ở hình 4.16 bên trái thu nhận nhiều đối tương bề mặt nước hơn là phương pháp MLC.
Trong trường hợp phân loại với phương pháp MLC có độ chính xác là 79.88 %, sai số người sản xuất nhỏ nhất là 70.4 % và sai số người sử dụng là 66.7 %. Trong trường hợp này xảy ra nhầm lẫn đối tượng mặt nước thành RNM thưa là nhiều nhất, điều này làm
giảm sai số người sử dụng ở đối tượng này chỉ còn 69.2 % (Bảng 4.8). Do dó ta dễ nhận thấy kết quả phân loại ở hình 4.16 bên phải nhận nhiều RNM thưa hơn phương pháp SVM.
Bảng 4.7. Độ chính xác toàn cục và hệ số Kappa của ảnh PLR 23/11/2010 cho bốn phương pháp phân loại trong trường hợp 4 lớp
STT Dữ liệu Phương pháp phân loại Độ chính xác toàn cục (%) Kappa
1 PLR_20101123 SVM 81.91 0.7322
2 PLR_20101123 MLC 79.88 0.7322
3 PLR_20101123 MiD 61.38 0.4321
4 PLR_20101123 MaD 65.24 0.4944
Bảng 4.8. Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại SVM trong trường hợp 4 lớp
Loại phân loại Dữ liệu mặt đất
Dancu RNM_day RNM_thua MN Tổng
Dancu 13 0 0 0 13
RNM_day 0 235 25 0 260
RNM_thua 3 37 265 11 316
MN 0 12 90 293 395
Tổng 16 284 380 304 984
Độ chính xác người sản xuất (%) 81.3 82.8 69.7 96.4 Độ chính xác người dùng (%) 100.0 90.4 83.9 74.2
Độ chính xác toàn cục = (806/984) = 81.91%
Hệ số Kappa = 0.7322
Bảng 4.9. Ma trận sai số phân loại cho ảnh PLR 23/11/2010 với phương pháp phân loại MLC trong trường hợp 4 lớp
Loại phân loại Dữ liệu mặt đất
Dancu RNM_day RNM_thua MN Tổng
Dancu 12 1 4 1 18
RNM_day 0 200 24 10 234
RNM_thua 4 82 352 71 509
MN 0 1 0 222 223
Tổng 16 284 380 304 984
Độ chính xác người sản xuất (%) 75.0 70.4 92.6 73.0
Độ chính xác người dùng (%) 66.7 85.5 69.2 99.6 Độ chính xác toàn cục = 786/984 = 79.88%
Hệ số Kappa = 0.6916
Hình 4.16. Kết quả phân loại ảnh PLR 23/11/2010 theo phương pháp SVM (bên trái) và MLC (bên phải)