今天講講如何在GEE中做最后的精度評價。主要是因為在和許多讀者或通過交流群，或通過私聊溝通過程中，發現很多人還不是很理解在GEE中分類后精度評價的問題。
在進行評價之前，需要明晰在GEE中精度評價分為哪幾種情況。我們這里說的是兩種情況。
第一種，構建好了分類模型后，將分類模型應用于驗證樣本集，然后計算混淆矩陣；
第二種，沒有分類模型，只有分類結果圖，那么應該是將分類結果圖應用于樣本集，最后計算混淆矩陣。
對于第一種情況，由于官方給出了有關代碼，所以大家都比較好理解，也正是這么做的，具體參見下圖。（參見代碼：https://code.earthengine.google.com/e145a3f0e88cc272c6541f4514bb3093）
對于第二種情況，則有很多人不理解，或者還沒有完全掌握。舉個例子，下面有一張水體分類圖和驗證樣本，需要計算水體精度，該如何做呢？其實也是可以做的，最后的結果見下圖：
那么兩種方法的區別或者一致性是什么呢？這地方有個概念需要理解清楚，即精度評價針對的是測試樣本本身，而不是模型。也就是說，對于測試樣本集，我們已經構建好了標簽信息，那么接下來要做的只是找到每個樣本對應的分類標記就行。而分類標簽的獲取，可以是來源于模型，而更多的應該是直接來源于分類圖結果。
那么，對應到GEE中，測試樣本集最后會是一個FeatureCollection類，在FeatureCollection類中可以計算混淆矩陣等指標，其輸入只需要兩個不同的字段（比如樣本的屬性字段“class”和分類結果圖字段“classification”）。那么，如何獲取這兩個字段，以及成功獲取這兩個字段，就可以計算精度。
對應于第一種情況，因為模型已經構建好了，當然可以用于分類每個樣本的分類屬性，所以可以構建這兩個字段以及計算混淆矩陣的，也就是直接使用：
對應于第二種情況，由于沒有模型而只有分類結果圖，所以需要做的就是獲取測試樣本集對應位置的分類結果，那么在GEE中自然想到sampleRegions函數，或者類似于能夠替換sampleRegions的函數，效果如下圖：
那么，第二種方式較第一種方式有什么好處呢？
1）第二種方式使用范圍更廣泛，本質上更好，因為不再設計推理的過程；
2）第二種方案非常適合在分塊情況下的精度評價。我們知道分塊后，每一塊的測試樣本集都是不同的，但是又需要給出一個總的整體的精度評價，那么此時需要將每一塊內的測試樣本集整合起來，最后利用全局分類圖進行評價，那么此時就需要使用我們今天介紹的方法了。
今天的水體精度評價代碼如下，大家有需要的自取：
https://code.earthengine.google.com/6d2ed19fb3917832c8883ad8ab0d77e6
var imgData = waterImg.rename('waterImg');Map.addLayer(imgData,{'min':0,'max':1,'palette':["f1f1f1","2010ff"]},"2018-01水體分佈圖")var sampleSet = ee.FeatureCollection([waterPoint,nonWaterPoint]).flatten();var imageSamp = imgData.sampleRegions({"collection": sampleSet,"scale": 10,'properties':['class']// geometries: true});print(imageSamp)var confusionMatrix = imageSamp.errorMatrix('waterImg', 'class');//計算混淆矩陣print('confusionMatrix',confusionMatrix);//面板上顯示混淆矩陣print('overall accuracy', confusionMatrix.accuracy());//面板上顯示總體精度print('kappa accuracy', confusionMatrix.kappa());//面板上顯示kappa值
