GIS-objectinformatie, werken vrijwel
uitsluitend in één richting; van object
eigenschappen naar waargenomen
straling. Het kwantitatief' interprete
ren van remote sensing data vereist
echter het bewandelen van de omge
keerde weg, van waarnemingen naar
objecteigenschappen. De techniek die
hiervoor wordt toegepast noemt men
modelinversie. De meeste stralingsin
teractiemodellen zijn niet direct ma
thematisch inverteerbaar. Daarom
neemt men meestal zijn toevlucht tot
andere methoden, zoals het toepassen
van opzoelctabellen, neurale netwer
ken, of iteratieve optimalisatie. In de
beide eerste gevallen wordt eerst een
groot aantal modelsimulaties gedaan
om het verband tussen input en out
put in een bepaalde waarnemingssitu
atie te kunnen vastleggen. Deze gege
vens kunnen direct worden vergeleken
met actuele waarnemingen, en in de
opzoektabel kan men het geval opspo
ren dat het beste met de waarneming
overeenkomt. De bijbehorende input
is dan de oplossing van het modelin-
versieprobleem. Dezelfde modelsimu
latieresultaten kunnen ook worden ge
bruikt om een neuraal netwerk te trai
nen. In dit geval vormt de model-
output (gesimuleerde waarnemingen)
de input van de neurale netwerk, en
een deel van de modelinput, namelijk
dat deel dat betrekking heeft op de ge
zochte objecteigenschappen, vormt de
output van het neurale netwerk. Als de
training met succes is afgerond kan
het neurale netwerk de aangeboden
actuele waarnemingen voortaan di
rect omzetten in afgeleide objecteigen
schappen. De methoden die gebruik
maken van opzoelctabellen en neurale
netwerken hebben beide als nadeel dat
de modelsimulatiegegevens waarmee
ze worden gevoed, zijn gebaseerd op
de gesimuleerde opnameomstandig
heden. Wanneer de actuele opname
omstandigheden hiervan zouden af
wijken, zou de interpretatie van de
waarnemingen tot verkeerde conclu
sies kunnen leiden. Omdat de opname
omstandigheden vrijwel nooit hetzelf
de zijn, betekent dit tevens dat voor
het interpreteren van elke opname op
nieuw een heleboel modelsimulaties
moeten worden uitgevoerd.
De methode van i teratieve optimalisa
tie kent dit nadeel niet, want hierbij
wordt het model toegepast in een terugkoppelingslus,
waarbij de inputparameters van het model voortdurend
worden bijgesteld tot overeenstemming met de waarne
mingen is bereikt. Hierdoor wordt dus een veel grotere ma
te van flexibiliteit verkregen. Vanwege de te verwachten
rekentijden lijkt toepassing van deze methode op beelden
problematisch, gezien het feit dat op elk pixel een aantal
iteratieslagen moet worden uitgevoerd. Maar met de huidi
ge generatie computers zijn al duizenden modelberekenin
gen per seconde gerealiseerd, dus dat probleem wordt snel
kleiner.
Beeldsimulatie
De bovengeschetste methoden van modelinversie om uit re
mote sensing waarnemingen objecteigenschappen af te lei
den kunnen in principe pixel voor pixel worden toegepast.
Ruimtelijke relaties spelen hierbij nog nauwelijks een rol.
Het kan echter ook anders. Wanneer men gebruik maakt
van de ruimtelijke relaties in beelden en in de bijbehorende
onderliggende GIS-lagen, kan de modelinversie met veel
grotere efficiëntie worden uitgevoerd. Men zou modelinver
sie bijvoorbeeld objectgewijs kunnen toepassen in plaats
van op losse pixels. Dit alleen al zou een enorme versnelling
van het interpretatieproces kunnen betekenen. Er zijn ech
ter nog andere redenen waarom men modelinversie beter
op het niveau van beelden kan uitvoeren dan op losse
pixels. Een daarvan is atmosfeercorrectie. Zelfs wanneer
men aanneemt dat de atmosfeer over een bepaald gebied
volkomen homogeen is (een ideale situatie die in werkelijk
heid zelden benaderd wordt), is het nog zo dat het effect
van de atmosfeer op het gemeten signaal plaatsafhankelijk
is. Dit wordt namelijk voor een deel bepaald door objecten
in de omgeving van het waargenomen pixel, door overstra
ling. Dit betekent dat voor een juiste atmosfeercorrectie
men voortdurend ook de omgeving van het te corrigeren
pixel moet kennen, hetgeen inhoudt dat de ruimtelijke
structuur van het landschap bekend moet zijn.
Fig. 1.
Weergave van GIS-
informatie via een
aardobservatiemodel,
vergelijking van
gesimuleerde met
actuele beelden en
terugkoppeling
naar het GIS-
bestand.
Er zijn nog diverse andere voorbeelden te geven van geval
len waarin bestaande geografische informatie actief en met
MODEL
GROUND
PROCESSING
TOA radiance
images (actual)
TOA radiance
images (simulated)
CEO-INFO 2003-0