#冲刺创作新星#PIE-Engine水稻面积提取精度评定5 原创

我们首先加载我们之前所分类后的结果，然后利用一个函数进行设添加属性，将type的分类分成1，2，3，然后将三者结合在一起，
sampleRegions(collection,properties,scale,projection,tileScale,geometries)
从Image中随机采样，返回结果是一个FeatureCollection，FeatureCollection下的每一个Feature中存储采样点的相应波段的信息
方法参数：

• image(Image)
  Image实例。
• collection(FeatureCollection)
  样本点，需要包括分类字段
• properties(List)
  采样保留字段集合
• scale(Float)
  图像采样比例尺
• projection(String)
  未启用
• tileScale(Float)
  未启用
• geometries(Boolean)
  未启用
  返回值：Image
  errorMatrix(actual,predicted,order)
  通过比较FeatureCollection的两列（一列包含实际值，另一列包含预测值），计算FeatureCollection的二维错误矩阵，其中数值从0开始。矩阵的轴0（行）对应于实际值，轴1（列）对应于预测值。
  方法参数：
• featureCollection(FeatureCollection)
  FeatureCollection实例
• actual(String)
  包含实际值的属性的名称。
• predicted(String)
  包含预测值的属性的名称。
• order(List)
  未启用
  返回值：ConfusionMatrix
  acc()
  混合矩阵的精确度计算结果
  方法参数：
• ConfusionMatrix(Object)
  混合矩阵对象
  返回值：Number
  kappa()
  返回混合矩阵的kappa系数
  方法参数：
• ConfusionMatrix(Object)
  混合矩阵对象
  返回值：Number
  代码：

 * @Name    :   基于 PIE Engine Studio 的水稻自动提取
 * @Author  :   武汉大学VHR队
 * @Desc    :   淮安市水稻提取 - 精度评价
 * @Source  :   航天宏图第四届 “航天宏图杯”PIE软件二次开发大赛云开发组三等奖获奖作品
 */

//5.精度评价
//导入验证样本
var isa = pie.FeatureCollection('user/pieadmin/saas/06/ivali_sa');
var forest = pie.FeatureCollection('user/pieadmin/saas/06/vali_forest');
var water = pie.FeatureCollection('user/pieadmin/saas/06/vali_water');
var rice = pie.FeatureCollection('user/pieadmin/saas/06/vali_rice');
//给验证样本添加属性type，1为水稻，2为其他地物
var rice = rice.map(function(feature) { return feature.set("type", "1") })
var forest = forest.map(function(feature) { return feature.set("type", "2") })
var isa = isa.map(function(feature) { return feature.set("type", "2") })
var water = water.map(function(feature) { return feature.set("type", "2") })
var norice = water.merge(forest).merge(isa);
var sample = rice.merge(norice);
//选择用于淮安市精度评价的图像
var image = pie.Image('user/pieadmin/saas/06/result_0724_acc').select('B1').rename('predict');
//支持向量机结果的路径：'user/pieadmin/saas/06/svmrice_acc'
//随机森林结果的路径：'user/pieadmin/saas/06/rfrice_acc'
//阈值筛选后最终结果路径：'user/pieadmin/saas/06/result_0724_acc'   

//获得验证样本
var validation = image.sampleRegions(sample, ["type"], 30);
//混淆矩阵计算
var class_11 = validation.filter(pie.Filter.eq('type', 1)).filter(pie.Filter.eq('predict', 1)).size();
var class_12 = validation.filter(pie.Filter.eq('type', 1)).filter(pie.Filter.eq('predict', 2)).size();
var class_21 = validation.filter(pie.Filter.eq('type', 2)).filter(pie.Filter.eq('predict', 1)).size();
var class_22 = validation.filter(pie.Filter.eq('type', 2)).filter(pie.Filter.eq('predict', 2)).size();
var sum = validation.filter(pie.Filter.eq('type', 2).and(pie.Filter.eq('predict', 2))).size()
//print(sum)
print(class_11);
print(class_21);
print(class_12);
print(sum);
//精度评价，输出OA,KAPPA
var errorM = validation.errorMatrix("type", "predict");
print(errorM);
print(errorM.acc());
print(errorM.kappa());