pixel i,j
trainingsgegevens
gras
aardappel
biet
graan
Fig. 11. Bij classificatie van een remote sens/ng-beeld wordt een
pixel toegewezen aan de klasse die (statistisch) het meest overeen
komt met de kenmerken van de pixel. De kenmerken van de pixel en
de verschillende klassen zijn door middel van kleur gevisualiseerd.
trainingsgegevens, biet (t-1)
biet (t-1)
pixel i,j (t)
gras
aardappel
biet
graan
Fig. 12. Het effect van het gebruik van informatie over gewasrotaties
in de classificatie. Afhankelijk van het gewas dat in het voorgaande
jaar werd verbouwd (hier bieten) en de gevolgde gewasrotatie, zijn
sommige klassen meer of minder waarschijnlijk.
ceerd. Voor een groot aantal toepassingen is deze nauwkeurigheid
echter onvoldoende.
De classificatienauwkeurigheid is te vergroten door naast de remote
sensing gebruik te maken van reeds beschikbare geografische infor
matie. Het gedachteloos bij elkaar stoppen van verschillende typen
gegevens leidt tot niets. Kennis over betrekkingen (relaties) tussen
de gegevenstypen is noodzakelijk. Die relaties kunnen liggen op het
tijdsaspect, de geometrie en de attributen. Voor tijd en geometrie
wordt in het hiernavolgende een voorbeeld gegeven.
Tijd
Grondgebruik heeft een dynamisch karakter, het verandert in de tijd.
Grondgebruiksveranderingen zijn veelal te verklaren uit bijvoorbeeld
maatschappelijke, ecologische en/of economische processen.
In de akkerbouw werkt men met zogenaamde gewasrotatiesche
ma's. Zo'n schema geeft aan welke gewassen elkaar opvolgen. Er
zijn verschillende schema's ontwikkeld, afhankelijk van het voor
komende bodemtype, wettelijke verboden en te nemen landbouw
kundige maatregelen (spuiten, ontsmetten, enz.). Een concreet voor
beeld van een gewasrotatieschema is bijvoorbeeld de opeenvolging
aardappelen-bieten-graan. Dit is een driejarig schema, waarna in het
vierde jaar weer opnieuw aardappelen worden gepoot. In een be
paald gebied wordt meestal een aantal verschillende gewasrotatie
schema's toegepast.
Indien nu bekend is welk gewas op een bepaald jaar t-1 op plek x,y
werd verbouwd, en ook welke gewasrotaties worden toegepast, kan
er een uitspraak worden gedaan over het mogelijke voorkomen van
een bepaald gewas in jaar t. Deze kennis is gebruikt in een remote
sensing-gewasclassificatie van een akkerbouwgebied in Oostelijk
Flevoland. De benodigde ingrediënten voor de classificatie waren de
volgende:
een satellietopname van het gebied in jaar t; deze is besteld bij
de distributeur;
een digitaal geografisch bestand met daarin de plaats van de
percelen met het type gewas voor jaar t-1. Het geografische
bestand met de gewassen is opgebouwd uit inventarisaties van
het Rentambt Oostelijk Flevoland;
kennis over de toegepaste gewasrotaties. Niet alleen voor t-1
maar ook voor t-2 en t-3 werden perceel en gewas digitaal opge
slagen. Hierdoor was het mogelijk in het GIS (kwantitatief) te
analyseren welke gewasrotaties er voorkwamen en in welke
mate. Deze gegevens werden vastgelegd in een matrix.
Deze ingrediënten werden gecombineerd in een „kennis-onder
steunde" classificatie om op basis van beide gegevenstypen (RS en
GIS) het gewas te bepalen voor elke pixel. De kennis over gewas
rotaties vergroot of verkleint de kans dat een pixel aan een bepaalde
klasse wordt toegekend (fig. 12).
maken van „grondgebruiksclassificaties".
Hierbij kan worden opgemerkt dat „grond
gebruik" een slecht gekozen term is, om
dat vanuit de lucht moeilijk is waar te ne
men of bijvoorbeeld gras wordt gebruikt
voor recreatieve doeleinden, of het een na
tuurterrein is of dat het dient voor be
weiding.
De classificatieprocedure is als volgt. Het
satellietbeeld wordt in de computer op
geslagen. Vervolgens wordt een aantal
zgn. trainingsgebieden ingevoerd. Dit
houdt in dat voor bepaalde klassen een
aantal pixels in het beeld wordt aangewe
zen (men heeft dus veldgegevens nodig).
Van deze groepjes pixels bepaalt de com
puter de statistiek. Het classificeren houdt
dan in dat elke pixel uit het beeld wordt
vergeleken met de trainingsstatistieken.
De pixel wordt vervolgens toegewezen aan
de meest waarschijnlijke klasse (fig. 11).
De hierboven beschreven methode resul
teert in een rasterbestand waarin voor elk
raster-element een klasse is gegeven.
De kwaliteit van deze bestanden wordt
vastgesteld door het vergelijken van de
door de computer gevonden klasse en de
in werkelijkheid voorkomende klasse (ook
hiervoor is veldwerk noodzakelijk). In het
algemeen kan men zeggen dat 50% tot
75% van de pixels juist wordt geclassifi-
Fig. 13. Bij het menselijk waarnemen wordt, behalve spectrale reflectie, een groot aantal
andere kenmerken gebruikt voor de beeldinterpretatie. Andere kenmerken zijn o.a. struc
tuur, textuur, context en associatie.
482
NGT GEODESIA 91 - 11
