I fjärranalys hänvisar ”ground truth” till information som samlas in på plats. Ground truth gör det möjligt att relatera bilddata till verkliga funktioner och material på marken. Insamlingen av markvärdesdata möjliggör kalibrering av fjärranalysdata och underlättar tolkning och analys av vad som registreras. Som exempel kan nämnas kartografi, meteorologi, analys av flygfoton, satellitbilder och andra tekniker där data samlas in på avstånd.
Mer specifikt kan sanning på marken hänvisa till en process där en ”pixel” på en satellitbild jämförs med det som finns där i verkligheten (vid den aktuella tidpunkten) för att verifiera innehållet i ”pixeln” på bilden (observera att begreppet ”pixel” är något oklart definierat). När det gäller en klassificerad bild möjliggörs övervakad klassificering för att hjälpa till att bestämma noggrannheten i den klassificering som utförs av fjärranalysprogramvaran och därmed minimera fel i klassificeringen, t.ex. kommissionsfel och utelämningsfel.
Grundsannolikhet görs vanligen på plats, genom att utföra ytobservationer och mätningar av olika egenskaper hos egenskaperna hos de markupplösningsceller som studeras på den fjärranalyserade digitala bilden. Det innebär också att man tar geografiska koordinater för markupplösningscellen med GPS-teknik och jämför dessa med koordinaterna för den ”pixel” som studeras och som tillhandahålls av fjärranalysprogrammet för att förstå och analysera lokaliseringsfelen och hur de kan påverka en viss studie.
Grundens sanning är viktig vid den inledande övervakade klassificeringen av en bild. När identiteten och placeringen av marktäcketyper är känd genom en kombination av fältarbete, kartor och personlig erfarenhet kallas dessa områden för övningsområden. De spektrala egenskaperna hos dessa områden används för att träna fjärranalysprogramvaran med hjälp av beslutsregler för klassificering av resten av bilden. Dessa beslutsregler, t.ex. maximal sannolikhetsklassificering, parallelepipedklassificering och klassificering av minsta avstånd, erbjuder olika tekniker för att klassificera en bild. Med hjälp av ytterligare markobservationsplatser kan fjärranalysatorn upprätta en felmatris som bekräftar noggrannheten hos den klassificeringsmetod som används. Olika klassificeringsmetoder kan ha olika felprocent för ett visst klassificeringsprojekt. Det är viktigt att fjärrsensorn väljer en klassificeringsmetod som fungerar bäst med det antal klassificeringar som används samtidigt som den ger minst antal fel.
Grundsannolikhet hjälper också till med atmosfärisk korrigering. Eftersom bilder från satelliter naturligtvis måste passera genom atmosfären kan de förvrängas på grund av absorption i atmosfären. Därför kan markvärlighet hjälpa till att fullt ut identifiera objekt i satellitfoton.
Fel i uppdragsbestämningenRedigera
Ett exempel på fel i uppdragsbestämningen är när en pixel rapporterar närvaron av en funktion (t.ex. träd) som i verkligheten är frånvarande (inga träd finns i verkligheten). Genom att göra en grundsanning säkerställer man att felmatriserna har en högre noggrannhetsprocent än vad som skulle vara fallet om inga pixlar hade grundsanningats. Detta värde är den omvända delen av användarens noggrannhet, dvs. kommissionens fel = 1 – användarens noggrannhet.
UtelämningsfelRedigera
Ett exempel på ett utelämningsfel är när pixlar av en viss sak, t.ex. lönnträd, inte klassificeras som lönnträd. Processen med ground truthing bidrar till att säkerställa att pixeln klassificeras korrekt och att felmatriserna blir mer exakta. Detta värde är omvänt mot producentens noggrannhet, dvs. utelämningsfel = 1 – producentens noggrannhet
.