今天讲讲如何在GEE中做最后的精度评价。主要是因为在和许多读者或通过交流群，或通过私聊沟通过程中，发现很多人还不是很理解在GEE中分类后精度评价的问题。
在进行评价之前，需要明晰在GEE中精度评价分为哪几种情况。我们这里说的是两种情况。
第一种，构建好了分类模型后，将分类模型应用于验证样本集，然后计算混淆矩阵；第二种，没有分类模型，只有分类结果图，那么应该是将分类结果图应用于样本集，最后计算混淆矩阵。
对于第一种情况，由于官方给出了有关代码，所以大家都比较好理解，也正是这么做的，具体参见下图。（参见代码：https://code.earthengine.google.com/e145a3f0e88cc272c6541f4514bb3093）
对于第二种情况，则有很多人不理解，或者还没有完全掌握。举个例子，下面有一张水体分类图和验证样本，需要计算水体精度，该如何做呢？
其实也是可以做的，最后的结果见下图：
那么两种方法的区别或者一致性是什么呢？这地方有个概念需要理解清楚，即精度评价针对的是测试样本本身，而不是模型。也就是说，对于测试样本集，我们已经构建好了标签信息，那么接下来要做的只是找到每个样本对应的分类标记就行。而分类标签的获取，可以是来源于模型，而更多的应该是直接来源于分类图结果。
那么，
对应到GEE中，测试样本集最后会是一个FeatureCollection类，在FeatureCollection类中可以计算混淆矩阵等指标，其输入只需要两个不同的字段（比如样本的属性字段“class”和分类结果图字段“classification”）。
那么，如何获取这两个字段，以及成功获取这两个字段，就可以计算精度。
对应于第一种情况，因为模型已经构建好了，当然可以用于分类每个样本的分类属性，所以可以构建这两个字段以及计算混淆矩阵的，也就是直接使用：
对应于第二种情况，
由于没有模型而只有分类结果图，所以需要做的就是获取测试样本集对应位置的分类结果，那么在GEE中自然想到sampleRegions函数，或者类似于能够替换sampleRegions的函数
，效果如下图：
1）
第二种方式使用范围更广泛，本质上更好，因为不再设计推理的过程
；
2）
第二种方案非常适合在分块情况下的精度评价
。我们知道分块后，每一块的测试样本集都是不同的，但是又需要给出一个总的整体的精度评价，那么此时需要将每一块内的测试样本集整合起来，最后利用全局分类图进行评价，那么此时就需要使用我们今天介绍的方法了。
今天的水体精度评价代码如下，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'] });print
