A bootstrap method for assessing classification accuracy and confidence for agricultural land use mapping in Canada

De plus en plus, les classifications de la couverture et de l’utilisation des terres, déterminées par télédétection, constituent des jeux de données cadres institutionnalisés qui servent à la surveillance des changements environnementaux. Ainsi, des énoncés solides sur l’exactitude de la classification nous paraissent essentiels. Le présent article décrit une méthode permettant d’estimer le niveau de confiance relatif à l’exactitude du modèle de classification en utilisant une approche d’autoamorçage. Grâce à cette méthode, nous avons constaté que le degré d’exactitude et le niveau de confiance de la classification, bien qu’étroitement liés, peuvent être utilisés de façon complémentaire pour offrir de l’information additionnelle sur l’exactitude des cartes et pour déterminer des groupes de classes, ainsi que pour orienter les futures stratégies d’échantillonnage de référence. L’exactitude globale de la classification s’accroît avec l’augmentation du nombre de champs faisant l’objet de levés, alors que l’étendue de l’intervalle de confiance de la classification diminue. Le degré d’exactitude et le niveau de confiance de classes individuelles étaient liés de façon non linéaire au nombre de champs ayant fait l’objet de levés. Les résultats indiquent que nous pouvons estimer certaines classes de manière exacte et fiable avec un nombre moins élevé d’échantillons, alors que d’autres exigent des jeux de données de référence plus volumineux pour donner des résultats satisfaisants. Cette méthode représente une amélioration par rapport à d’autres approches permettant d’estimer le degré d’exactitude et le niveau de confiance de la classification, étant donné qu’elle utilise un échantillonnage répété afin de produire une estimation plus réaliste de la plage de valeurs d’exactitude et de l’intervalle de confiance que l’on peut obtenir à l’égard de la classification en utilisant différentes données de référence.