W teledetekcji „prawda naziemna” odnosi się do informacji zebranych na miejscu. Prawda naziemna pozwala na odniesienie danych obrazowych do rzeczywistych cech i materiałów na ziemi. Zbieranie danych prawdy o terenie umożliwia kalibrację danych teledetekcyjnych, a także pomaga w interpretacji i analizie tego, co jest wykrywane. Przykłady obejmują kartografię, meteorologię, analizę zdjęć lotniczych, zdjęć satelitarnych i innych technik, w których dane są zbierane na odległość.
Bardziej szczegółowo, prawda naziemna może odnosić się do procesu, w którym „piksel” na obrazie satelitarnym jest porównywany z tym, co jest tam w rzeczywistości (w chwili obecnej) w celu zweryfikowania zawartości „piksela” na obrazie (zauważając, że pojęcie „piksela” jest nieco źle zdefiniowane). W przypadku sklasyfikowanego obrazu, pozwala to na nadzorowaną klasyfikację, aby pomóc określić dokładność klasyfikacji wykonanej przez oprogramowanie teledetekcyjne, a tym samym zminimalizować błędy w klasyfikacji, takie jak błędy popełnienia i błędy pominięcia.
Ground truth jest zwykle wykonywana na miejscu, wykonując obserwacje powierzchni i pomiary różnych właściwości cech komórek rozdzielczości gruntu, które są badane na zdalnie sondowanym obrazie cyfrowym. Wiąże się to również z przyjęciem współrzędnych geograficznych komórki rozdzielczości gruntu za pomocą technologii GPS i porównaniem ich ze współrzędnymi badanego „piksela” dostarczonymi przez oprogramowanie teledetekcyjne w celu zrozumienia i przeanalizowania błędów lokalizacji i tego, jak mogą one wpłynąć na konkretne badanie.
Prawda o terenie jest ważna we wstępnej nadzorowanej klasyfikacji obrazu. Gdy tożsamość i lokalizacja typów pokrycia terenu są znane dzięki połączeniu pracy w terenie, map i osobistego doświadczenia, obszary te są znane jako miejsca treningowe. Charakterystyki spektralne tych obszarów są wykorzystywane do szkolenia oprogramowania teledetekcyjnego przy użyciu reguł decyzyjnych do klasyfikacji pozostałej części obrazu. Reguły decyzyjne takie jak Maximum Likelihood Classification, Parallelepiped Classification i Minimum Distance Classification oferują różne techniki klasyfikacji obrazu. Dodatkowe obiekty naziemne umożliwiają zdalnemu czujnikowi ustalenie macierzy błędów, która potwierdza dokładność zastosowanej metody klasyfikacji. Różne metody klasyfikacji mogą mieć różny procent błędów dla danego projektu klasyfikacji. Ważne jest, aby zdalny czujnik wybrał metodę klasyfikacji, która działa najlepiej z liczbą używanych klasyfikacji, zapewniając jednocześnie najmniejszą ilość błędów.
Prawda o terenie pomaga również w korekcji atmosferycznej. Ponieważ obrazy z satelitów muszą oczywiście przechodzić przez atmosferę, mogą zostać zniekształcone z powodu absorpcji w atmosferze. Tak więc prawda naziemna może pomóc w pełnej identyfikacji obiektów na zdjęciach satelitarnych.
Błędy zlecaniaEdit
Przykładem błędu zlecania jest sytuacja, gdy piksel zgłasza obecność cechy (takiej jak drzewa), która w rzeczywistości jest nieobecna (żadne drzewa nie są w rzeczywistości obecne). Trutting naziemny zapewnia, że macierze błędów mają wyższy procent dokładności niż miałoby to miejsce w przypadku braku trutingu naziemnego pikseli. Wartość ta jest odwrotnością dokładności użytkownika, tj. Błąd Komisji = 1 – dokładność użytkownika.
Błędy przeoczeniaEdit
Przykładem błędu przeoczenia jest sytuacja, w której piksele pewnej rzeczy, na przykład drzewa klonowego, nie są klasyfikowane jako drzewa klonowe. Proces sprawdzania gruntu pomaga zapewnić, że piksel jest klasyfikowany poprawnie, a macierze błędów są bardziej dokładne. Wartość ta jest odwrotnością dokładności producenta, tj. Błąd pominięcia = 1 – dokładność producenta
.