gebruikte methode is de zogenaamde „nearest neigh
bour" resampling-methode. Deze methode wijst aan
iedere lege pixel op de kaart de pixelwaarde toe van de
dichtstbij gelegen pixel in het originele satellietbeeld.
Deze methode heeft de voorkeur wanneer het gecorri
geerde satellietbeeld wordt gebruikt voor een grondge
bruiksclassificatie, omdat de originele pixelwaarden niet
worden gewijzigd. Bij andere resampling-methoden wor
den de pixelwaarden van de kaartpixels bepaald door ge
wogen middeling van de pixelwaarden van een aantal
omringende pixels in het originele satellietbeeld. Hierbij
worden de originele pixelwaarden gewijzigd. Tijdens de
uitvoering van een resampling is het mogelijk om de
grootte van de originele pixels te wijzigen.
Contrastverbetering
Opnamesystemen en beeldschermen verdelen het bereik
van zwart tot wit meestal in 256 „grijswaarden". De pixel
waarden binnen een bepaald satellietbeeld zullen echter
zelden dit gehele bereik beslaan. Het doel van contrast
verbetering is nu om het relatief smalle traject van pixel
waarden in een satellietbeeld weer te geven over zo'n
breed mogelijk traject op het beeldscherm. Hierdoor kun
nen reflectieverschillen die niet of nauwelijks waarneem
baar zijn in het originele satellietbeeld, duidelijk zichtbaar
worden gemaakt. Voor de uitvoering van een contrast
verbetering zijn verschillende technieken beschikbaar.
De weergave van een satellietbeeld met een optimaal
contrast is van groot belang bij visuele interpretatie van
satellietbeelden en voor interactieve aanwijzing van trai-
ningsgebieden ten behoeve van automatische classifi
catie (zie hieronder bij „Beeldclassificatie"). Er bestaan
geen eenvoudige regels voor het verkrijgen van het
„beste" contrast. Afhankelijk van de van belang zijnde
grondgebruiksklassen kunnen verschillende contrastver
beteringen nodig zijn.
Band
Golflengteband (^m)
Resolutie (m)
1
0,50 - 0,59
20
2
0,61 - 0,68
20
3
0,79 - 0,89
20
panchromatisch
0,51 - 0,73
10
Tabel 2. Overzicht van de golflengtebanden (pm) en de geometri
sche resolutie (m) van de sensors in de SPOT-satelliet. De
panchromatische band omvat een relatief breed golflengte-
traject.
Beeldclassificatie
Bij de zogenaamde „supervised" classificatie van satel
lietbeelden onderscheiden we vier stadia:
in het trainingsstadium wordt een interpretatiesleu
tel opgesteld. Hiertoe worden voor de te onderschei
den klassen representatieve percelen, de zogenaam
de trainingsgebieden, uitgezocht. Trainingsgebieden
worden geselecteerd aan de hand van veldwaarne
mingen, luchtfoto's, topografische kaarten en de sa
tellietbeelden zelf. De trainingsgebieden worden inter
actief op het scherm aangewezen. Hierbij is het van
groot belang dat het op het scherm weergegeven
satellietbeeld een optimaal contrast heeft. Van de trai
ningsgebieden wordt de spectrale signatuur statis
tisch beschreven;
in het classificatiestadium wordt de spectrale signa
tuur van elke pixel in het beeld vergeleken met de
spectrale signatuur van de trainingsgebieden. Ver
volgens wordt iedere pixel toegewezen aan de „best
NGT GEODESIA 93-12
passende" klasse. Hierbij kunnen verschillende (wis
kundige) methoden worden toegepast. Een veel ge
bruikte methode is de zogenaamde maximum likeli
hood classificatiemethode [7];
in het presentatiestadium wordt het classificatie
resultaat gepresenteerd in de vorm van kaarten of
tabellen of eventueel digitaal vastgelegd (bijvoorbeeld
op magneetband). In het laatste geval kan het classi
ficatieresultaat worden ingevoerd in een geografisch
informatiesysteem (GIS) en zo worden gecombineerd
met andere digitale geografische bestanden;
in het validatiestadium wordt de nauwkeurigheid van
het classificatieresultaat vastgesteld. Hiertoe wordt
het classificatieresultaat vergeleken met referentie-
gegevens die in het veld zijn verzameld of zijn afgeleid
uit luchtfoto's of topografische kaarten.
Het definiëren van de te onderscheiden klassen, het aan
wijzen van trainingsgebieden en het uitvoeren van de
classificatie is een iteratief proces. Voorwaarden voor een
succesvolle classificatie zijn dat de trainingsgebieden
representatief zijn voor de betreffende klassen en dat de
te onderscheiden klassen significant verschillende re
flectiewaarden hebben. In de praktijk zullen er echter
altijd verschillende klassen zijn waarvan de reflectie
waarden elkaar meer of minder overlappen. Hierdoor
treden foutieve classificaties op. Soms zal men zelfs moe
ten besluiten om bepaalde klassen samen te voegen.
Nabewerking met behulp van filters
Geclassificeerde remote sensing beelden bevatten vaak
„ruis", dat wil zeggen afzonderlijke pixels of groepjes van
enkele pixels met een klasse die afwijkt van de omringen
de pixels. Vaak zijn deze pixels foutief geclassificeerd.
Dat kan het gevolg zijn van bijvoorbeeld onregelmatige
respons van het opnamesysteem, mixed pixels, spectrale
overlap tussen verschillende bodembedekkingsklassen,
lokale afwijkingen in gewasontwikkeling en het classifica
tie-algoritme. Ruis kan echter ook worden veroorzaakt
door correct geclassificeerde pixels. Dat betreffen dan
grondgebruiksvormen als verspreid liggende bebouwing
(bijvoorbeeld boerderijen), houtwallen en boomgroepen.
Deze grondgebruiksvormen zijn vaak niet van belang
voor toepassingen op landelijke en regionale schaal.
De ruis kan vaak worden verminderd door toepassing van
een zogenaamd ,,majority"-filter. Een dergelijk filter wijst
de meest voorkomende klasse in een N x N-matrix toe
aan de centrale pixel in de matrix. Verschillende matrix-
groottes kunnen worden toegepast; veel gebruikte zijn:
3 x 3, 5 x 5 en 7 x 7. Soms worden deze filters meerdere
malen achtereen toegepast. Toepassing van een majo
rity-filter heeft in het algemeen ook een wezenlijke toe
name van de classificatie-nauwkeurigheid tot gevolg [8].
Combinatie met andere bestanden
In de context van een GIS kunnen satellietbeelden op
eenvoudige wijze worden gecombineerd met andere digi
tale geografische bestanden. Deze bestanden kunnen
zowel bestaan uit satellietbeelden (met een andere op
namedatum en/of opgenomen door een andere satelliet)
als uit andere digitale geografische bestanden. Door ge
combineerde toepassing van verschillende bestanden
kan het classificatieresultaat worden verbeterd. Daar
naast maakt de combinatie van uit satellietbeelden afge
leide grondgebruiksbestanden met andere bestanden
een groot aantal toepassingen mogelijk op het gebied van
milieu, waterhuishouding en ruimtelijke ordening.
603