De situatie waarvoor deze regel is opgesteld is vrij triviaal.
Echter, in veel gevallen is het toekennen van de goede clas
sificatie complexer. Oorzaken hiervan zijn bijvoorbeeld het
ontbreken van symboolinformatie of het ontbreken van
onderscheidende contourinformatie. In deze situaties kun
nen vlakken alleen correct worden geclassificeerd op basis
van hun relaties met omliggende vlakken.
Resultaten
Materiaal uit drie provincies is gebruikt om de kennisdata
base te ontwikkelen: Zeeland, Utrecht en Friesland. Mede
werkers uit de betreffende Kadaster-vestigingen hebben
handmatig in twaalf gebieden van de GBKN-vlakken ge
vormd en benoemd (fig. 2). Deze zogenaamde leerset be
staat uit landelijke-, open- en dicht bebouwde gebieden.
Daarnaast zijn nog vijf gebieden gestructureerd en geclas
sificeerd die pas bij de oplevering zijn gebruikt om het
systeem onafhankelijk te testen.
Fig. 4.
Deel van de
GBKN van Zee
land met in kleur
aangegeven de
vlakken die ver
schillend zijn ge
classificeerd door
systeem en mens
(in donkerrood
hoofdgebouw i.p. v.
bijgebouw
in groen terrein
i.p.v. weg, in geel
wegi.p.v. terrein
in rood gebouw
i.p.v. terrein).
De eerste resultaten van de vergelij
king van deze testbestanden met dege
nen die door het kennissysteem zijn
geclassificeerd zijn zeer positief (fig. 3
en 4). In totaal wordt 88% van de
vlakken in de leerset en zelfs 93% van
de vlakken in de onafhankelijke testset
door mens en systeem identiek geclas
sificeerd (tabel 1 en 2).
Uit de analyse van de resultaten blijkt
dat er drie oorzaken zijn voor verschil
len in classificatie:
1. In de kennisdatabase zijn niet voor alle situaties regels
opgenomen. Uitgangspunt was dat voor de meest voor
komende situaties regels worden vastgelegd en uitzon
deringen naderhand bij de controle moeten worden
gecorrigeerd. Het blijkt ook dat voor de meest voor
komende type objecten de automatische herkenning het
beste resultaat oplevert (tabel 3).
2. Bij het handmatig classificeren van de testbestanden zijn
de klassen niet altijd consistent toegekend. Met name
bij de benoeming van kleine vlakken in dichtbebouwde
gebieden is een operateur vaak niet consistent met zich
zelf en met de specificaties voor vlakclassificatie. Aange
zien het kennissysteem vaststaande regels gebruikt is
consistentie gewaarborgd.
Tabel 1.
Resultaten per
gebied op leerset.
3. In de lijngerichte GBKN komen
fouten voor die tot gevolg hebben
dat correct classificeren überhaupt
niet mogelijk is, bijvoorbeeld door
dat symbolen niet precies binnen
de vlakken zijn geplaatst of vlak-
afsluiters ontbreken tussen ver
schillende objecten. In geval van te
genstrijdigheden, bijvoorbeeld een
gebouw met een lijn van de klasse
"kant verharding" in de buitencon
tour, wordt het vlak niet geclassifi
ceerd, maar krijgt een aparte klasse
"strijdig" (fig. 3). Zo kunnen deze
fouten makkelijk opgespoord wor
den. Daarmee heeft automatische
conversie een voordeel ten opzichte
van handmatige conversie. Op dit
moment wordt onderzocht in hoe
verre het kennissysteem aanwijzin
gen kan geven over de oorzaak van
strijdige benoeming van vlakken,
zodat fouten in de lijngerichte
GBKN nog gemakkelijker kunnen
worden gecorrigeerd. Naast de
conversie van een lijngerichte naar
een objectgerichte GBKN, kan zo
een kwaliteitsverbetering van de
huidige lijngerichte GBKN als ne
veneffect worden bereikt.
In totaal blijkt het aantal fouten dat
het systeem maakt door tekortkomin
gen in de regels ongeveer even groot
te zijn als het aantal fouten die bij
het handmatig classificeren zijn ge
maakt.
Bij het handmatig aanmaken van de
testbestanden is bijgehouden hoeveel
tijd dit per onderdeel heeft gekost. Er
blijken zeer grote verschillen in beste
de tijd te zijn, afhankelijk van het type
gebied (landelijk of dicht bebouwd),
de grootte van het gebied en uitgangs
kwaliteit, dat wil zeggen de mate waar
in de GBKN al vlakvoorbereid is. Ge
middeld werd voor een testgebied van
1 km2 dat al vlakvoorbereid is 3 uur
besteed aan het berekenen van knoop
punten en plaatsen van vlakafsluiters,
6 uur aan het classificeren van vlakken
en nog eens 3 uur aan het controleren
Tabel 2.
Resultaten per
testset.
1999-6
GEODESIA
type gebied
aantal vlakken
X correct
Utrecht landelijk
622
89
Utrecht landelijk
1526
82
Utrecht dicht bebouwd
2133
89
Friesland landelijk
150
99
Friesland open bebouwd
4826
90
Friesland dicht bebouwd
1194
75
Zeeland landelijk
197
95
Zeeland landelijk
418
97
Zeeland open bebouwd
1421
94
Zeeland open bebouwd
2216
86
Zeeland dicht bebouwd
929
89
Totaal
15632
88
type gebied
aantal vlakken
X correct
Friesland landelijk
197
97
Gelderland landelijk
548
96
Flevoland landelijk
524
93
Groningen landelijk
281
96
Groningen open bebouwd
472
87
Totaal
2022
93
262