М.В. Конюшкова, Е.И. Панкова
184
классифицируется как солонец солончаковый. В командной строке ILWIS это
выглядело следующим образом (формула 2):
iff(max(А,В,С,D)=A,0,(iff(max(B,C,D)=B,1,(iff(max(C,D)=C,2,3))))), (2)
где 0, 1, 2, 3 – класс лугово-каштановой, светло-каштановой почвы, солонца
остепняющегося, солонца солончакового, соответственно.
Аналогичным образом проводилась классификация снимка с выделени-
ем 3 классов почв.
Таблица 2.
Коэффициенты классификационных функций дискриминантного
анализа
Переменные
Классы почв
При выделении 4 классов почв
Кл
К1
СНост
СНск
f_nir
0.6782
0.6484
0.5769
0.5949
NDVI
326.7565
243.3837
239.1934
244.8800
Константа
-75.7472
-60.6285
-50.6950
-53.6141
При выделении 3 классов почв
Кл
К1
СНост+СНск
f_nir
0.6760
0.6466
0.5878
NDVI
326.7087
243.0418
242.9573
Константа
-75.2875
-60.1963
-52.3182
Оценивая точность классификации при выделении 4 классов почв по
таблице ошибок (таблица 3), можно заключить следующее. Использование
дискриминантных функций позволяет с высокой точностью выделять темно-
цветные почвы (с точностью 70%).
Таблица 3.
Оценка качества классификации обучающей выборки по дис-
криминантным функциям при выделении 4 классов почв. Количество случаев, от-
несенных в результате классификации к разным почвам (в скобках указан % от
объема выборки наблюдаемого класса почвы)
Предсказанные классы
Точность
классифи-
кации, %
Кл
К1
СНост
СНск
Наблюда-
емые
классы
Кл (n=33)
23 (69.7%)
8 (24.2%)
0
2 (6.1%)
69.7
К1 (n=60)
9 (15.0%)
37 (61.7%)
9 (15.0%)
5 (8.3%)
61.7
СНост (n=24)
0
10 (41.7%) 13 (54.2%)
1 (4.2%)
54.2
СНск (n=56)
1 (1.8%)
18 (32.1%) 22 (39.3%) 15 (26.8%)
26.8
Общая (n=173)
50.9
Светло-каштановые почвы выделяются с точностью 62%, солонцы ос-
тепняющиеся — с точностью 54%. С низкой точностью выделяются солонцы
Электронная Научная СельскоХозяйственная Библиотека