en oplossen van fouten in vlakvorming
en classificatie. Dit geeft een totaal van
12 uur per km2. Wel is gebleken dat in
gebieden met een niet-vlakvoorberei-
de GBKN de bestede tijd een factor 5
hoger kan zijn. De verhouding in de
tijd besteed aan de verschillende acti
viteiten blijft echter ongeveer gelijk.
Automatische classificatie van een ge
bied van 1 km2 kost gemiddeld 6 mi
nuten. Dit betekent dat in totaal ver
wacht kan worden dat met het kennis
systeem de conversietijd tot de helft
kan worden teruggebracht. Daarmee
worden de conversiekosten ook lager,
wat voor een aantal gebruikers reden
kan zijn om te kiezen voor een object-
gerichte GBKN. Uiteraard moeten
deze getallen met een ruime marge
geïnterpreteerd worden, aangezien zij
gebaseerd zijn op een kleine steek
proef, ongeveer 2000 hectare, en nog
niet alle hulpmiddelen voor de con
versie beschikbaar waren.
Hl
181
Fig. 5.
Een gebouw wordt
door het kennis
systeem als strijdig
geclassificeerd
omdat in het
buitencontour een
lijn van de klasse
"kant verharding"
voorkomt.
Tabel 3.
Resultaten per
klasse op leerset en
testset in totaal.
Conclusies
Uit de resultaten van het kennissys
teem in vergelijking met handmatig
geclassificeerde vlakken van GBKN's
uit verschillende regio's blijkt dat een
kennissysteem zeer goed ingezet kan
worden om gevormde vlakken in de
GBKN te benoemen. Bijna 90% van
de vlakken wordt door mens en sys
teem identiek geclassificeerd. Van de
verschillend geclassificeerde vlakken
blijkt ongeveer de helft veroorzaakt te
worden door tekortkomingen in de
kennisdatabase. De andere helft blijkt
in de testbestanden niet correct hand
matig geclassificeerd te zijn. Op basis
hiervan kan verwacht worden dat clas
sificatie door het kennissysteem, ge
volgd door handmatige na-controle,
zelfs een beter resultaat oplevert dan
een volledig handmatige classificatie.
Voordeel is tevens dat het gebruik van
een kennissysteem bijdraagt aan een
verdere uniformering van de GBKN
omdat de regels die gebruikt worden voor de classificatie
expliciet zijn vastgelegd. Daardoor is het ook relatief een
voudig om regels aan te passen als inzichten over het toe
kennen van klassen veranderen. Daarnaast blijken door de
conversie van lijnen naar vlakken fouten in de lijngerichte
GBKN naar voren te| komen, waardoor als neveneffect een
kwaliteitsverbetering)van de GBKN kan worden bereikt.
De verwachting is dft het kennissysteem de conversietijd
tot de helft kan terugbrengen.
A knowledge-based system for classification of faces in the
large-scale topographic base map of the Netherlands
(GBKN)
The conversion of labelled independent lines in the current
GBKN to closed and\ classified faces is a time-consuming and
therefore expensive task. It is our experience that a knowledge-
based system can reduce the time needed for conversion with a
factor 2, while mdjntaining a similar classification per
formance when compared with the manual classification. In
addition, a knowledge-based system contributes to a more
uniform GBKN and has possibilities for detection of errors in
the current GBKN.
[1] Castricum, G., jBasisvlakkenkaart, tussenstap op weg
naar de objectgerichte kaart. Geodesia 1999 no. 1,
p. 9-14.
[2] Ravi, "Terreinnïodel Vastgoed. Termen, definities en
algemene regels boor de classificatie en codering van aan
het aardoppervlak gerelateerde ruimtelijke objecten
(NEN3610)". Ravi, Amersfoort 1995.
[3] Weesie E. J. M. en F. H. W. M. van den Bosch,
Oriëntatie Uniformering GBKN2002. Landelijk
Samenwerkingsverband GBKN/Twijnstra Gudde,
Apeldoorn/Amersfoort, april 1998.
[4] The CLIPS User's guide, CLIPS Version 6.0, Joseph C.
Giarratano, NASA Lyndon B. Johnson Space Center,
Software Technology Branch, May 28, 1993.
263
GEODESIA
1999-6
klasse
aantal vlakken
correct
gebouw
4954
97
kunstwerk
105
55
weg
4012
81
terrein
7345
88
water
1045
97
spoorbaan
33
79
kruising
160
20
LEGENDA
gebouw
strijdig
weg,open
verharding
terrein
(kant) gebouw
kant verharding
Summary
Literatuur
