Bij het georefereren van de Bonnelcaarten is geen rekening
gehouden met het verschil tussen de Bonneprojectie en de
stereografische projectie van het RD-stelsel. Ook dit draagt
bij aan het ontstaan van geometrische afwijkingen in de di
gitale kaart. In de praktijk blijken de geometrische afwij-
Fig. 3a.
De zwart/wit
stippellijn geeft
het gebied weer
waarvan de
lcingen vooral veroorzaakt te worden door vervormingen reflectiewaarden uit
van het papier en onnauwkeurigheden van de basislcarte-
ring. De afwijkingen na geometrische correctie liggen voor
de Bonnelcaarten rond de twintig meter ten opzichte van de
RD-coördinaten vergeleken met het ToplOVector-bestand.
Oudere edities vertonen grotere afwijkingen die zelfs ver
schillen binnen één lcaartblad.
de scan gebruikt
wordt voor het
opstellen van het
profiel voor de
klasse gr ast
stap 3 basisclassificatie
Op basis van de onderscheidende kaartlcleuren in de legen
da van de kaart is een legenda van grondgebruiksklassen
opgesteld. De onderstaande grondgebruiksklassen kunnen
op de Bonnelcaart worden onderscheiden.
Fig. 3b.
RGB Profielen
voor drie klassen
grondgebruik.
Tabel 1. Onderscheiden klassen met grondgebruik in HGN
1 Gras
2 akker/kale grond
3 heide/hoogveen
4 Loofbos
5 Naaldbos
6 bebouwd/wegen
7 water
8 rietmoeras
9 stuifzand/zandplaat
10 overig
Het classificatieproces bestaat uit het omzetten van de RGB-
kleuren in de scan naar de tien gewenste grondgebruikklas
sen. De ouderdom van de kaarten heeft echter wel verkleu
ring veroorzaakt waardoor binnen een kaart soms grote
Fig. 3 c.
Resultaat van de
classificatie op basis
van het profiel van
de klasse graslIn
kleurverschillen optreden. Voor het omzetten van de scans de ondergrond is de
naar een grondgebruiksbestand is de supervised classification scan nog zichtbaar.
methode uit het programma Erdas/Imagine 8.4 gebruikt.
Hierbij wordt op de scan per klasse een relevante pixel aan
gewezen. Op basis van de RGB-lcleurwaarde van de aangewe
zen pixel zoekt het programma naar buurpixels met over
eenkomstige kleurwaarden (fig. 3a). Op deze manier wordt
het profiel voor de geselecteerde klasse opgesteld (fig. 3b).
Het profiel bevat een statistische beschrijving van de RGB-
kleurwaarden voor deze specifieke klasse. Vervolgens wor
den alle pixels op de kaart of in een geselecteerd gebied ver
geleken met het profiel volgens de box classifier methode.
Valt een RGB-waarde van een pixel binnen het profiel van de
klasse, dan wordt deze aan de klasse toegekend (fig. 3c). Door
voor alle gewenste klassen een profiel op te stellen wordt het
lcaartblad geclassificeerd (fig. 3d). Soms zijn de kleuren op de
kaart zo variabel dat er voor een klasse meerdere profielen
moeten worden opgesteld om tot een acceptabel resultaat te
komen (fig. 3e). Wel blijft er altijd een restklasse 'niet-geclas-
sificeerd' over. Dat zijn de pixels die aan geen enkel profiel
voldoen. Voorbeelden daarvan zijn lcartografische elemen
ten als tekst, arceringen en het coördinatengrid. Deze rest
klasse verdwijnt tijdens de volgende stap: de aggregatie.
Fig. 3d.
Resultaat van de
classificatie met
de profielen van
alle klassen. In de
ondergrond zijn
nog delen van de
scan zichtbaar.
Dit proces moet voor ieder lcaartblad opnieuw worden uit
gevoerd, de kleurverschillen tussen de verschillende lcaart-
bladen zijn te groot om de opgestelde profielen te kunnen
hergebruiken.
Fig. 3 e.
Overzicht van alle
aangemaakte
klassen. Voor
sommige klassen
zijn meerdere
profielen opgesteld
stap 4: handmatige correcties
Het is niet mogelijk om alle grondgebruiksklassen automa- (gras, heide,water).
tisch te classificeren. De klasse 'Rietmoeras' wordt op de
5
E
T
m
a
Mf
n
Z38.CT3
232 CDU
24SÜÜÜI
Mvénm 1 Mttinifl
255.000
Z4&Q0Q
235 QP0
221000
2*0. om
M'iwnm
M.umin
lffiLDCD
77.000
109.000
GEO-INFO 2004-6
y
246
\A
j
f m
srmol
t aa co d
ia* mol
mom
mom
2% om
m.m
