den. Een groot aantal Change Detecti-
on-technielcen zijn beschikbaar voor
digitale beeldverwerking. Ze zijn allen
gebaseerd op verschillen in radiantie-
waarden of lokale textuur. Calibratie
van de data is onontbeerlijk om de
nauwkeurigheid te verhogen en er ze
ker van te zijn dat de geobserveerde
wijzigingen te wijten zijn aan reële
veranderingen in grondbedeklcing en
niet aan belichting, sensorcalibratie,
vochtigheidscondities of atmosferi
sche omstandigheden. Er is echter
geen 'optimale' Change Detection-
technielc: de keuze is sterk afhankelijk
van de applicatie [Deer, 2003].
Studiegebied
Harare is de hoofdstad en tevens het
grootste economische centrum van
Zimbabwe. Het ondervond een geleide
lijke bevolkingsgroei vanaf de stich
ting van de stad rond 1890. In 1998
had Harare ongeveer 1,9 miljoen inwo
ners op een oppervlakte van 872 km2,
dat overeenkomt met een bevolkings
dichtheid van 2179 inwoners/lcm2. Ha
rare ontwikkelde zich gedurende lan
ge tijd volgens een raciaal schema,
waarbij de residentiële gebieden inge
deeld werden in voornamelijk twee
types. De vroegere blanke residentiële
wijken, hoofdzakelijk geclassificeerd
als gebieden met een lage bevolkings
dichtheid (1000 inwoners/km2) en per
ceelsgrootten van gemiddeld ongeveer
4000 m2, vindt men hoofdzakelijk in
het noorden en het noordoosten van
de stad. In de gebieden met hoge bevol
kingsdichtheden, hoofdzakelijk in het
zuidwesten van het stedelijk centrum
(met de wind mee ten opzichte van de
industriële gebieden!), zijn de perceels
grootten ongeveer 300 m2. Hoewel
sinds de onafhankelijkheid in 1980 de
ruimtelijke structuur van de stad niet
veranderd is, maakte de raciale ruim
telijke differentiatie plaats voor een
differentiatie gebaseerd op economi
sche verschillen.
Data-acquisitie en -verwerking
De Landsat-data gebruikt in deze stu
die zijn deze van Thematic Mapper
(TM) (08-1989) en Enhanced Thematic
Fig. 2. Ongeplande
verstedelijking.
Mapper (ETM+) (08-2002). Subsets van deze beelden werden
geogerefereerd, gebaseerd op topografische kaarten met
schaal 1:250.000 (UTM zone 36 south) en vervolgens met el
kaar, met een fout van minder dan 0,5 pixels. Om verschil
len in atmosferische condities, belichtingshoelc en bodem
vochtigheid op te vangen werd een regressie tussen beide
beelden uitgevoerd. Het intercept en de helling van deze re
gressie drukt de offset en aangroei uit nodig om het tweede
beeld gelijkaardige karakteristieken te geven als het eerste.
Vegetatie Index Verschilmethode
Beelden van de genormaliseerde vegetatieverschil index
beelden (Normalized Difference Vegetation Index (NDVI))
voor 1989 en 2002 werden aangemaakt. In de eerste metho
de werd NDVI2002 afgetrokken van NDVI1989, wat resul
teerde in een verschillenlcaart met een grote reeks van
waarden, geherlclasseerd in drie categorieën (vegetatietoe
name, vegetatieafname en geen verandering). De categorie
ën werden door de gebruiker bepaald gebaseerd op limie
ten die in het histogram duidelijk zichtbaar waren. In me
thode 2 werd deze voorgaande werkwijze licht aangepast.
Vooreerst werden de NDVI-waarden van de twee beelden in
gedeeld in zes klassen (0-5, gaande van geen bodembedek
king tot zeer hoge bodembedekking) gebruik makend van
de NDVI vegetatieschaal. Na vergelijking van de herschaal-
de NDVI2002 waarden met de NDVI1989 waarden werd een
gedetailleerder beeld verkregen van alle mogelijke wijzi
gingen in de tijd. Nieuwe bebouwing kon echter niet onder
scheiden worden van vegetatieafname en beide activiteiten
werden geclassificeerd als een negatieve verandering in de
NDVI-analyse.
Genormaliseerde Beeld Verschilmethode
Bij de derde methode werd een vergelijking gemaakt van de
genormaliseerde beelden. Genormaliseerde beelden uit re-
gressieverschillen werden van elkaar afgetrokken en geclassi
ficeerd gebaseerd op de twee hierboven besproken methodes.
Principal Component Analysis
Banden 2,3,4 van beide beelden werden onderworpen aan
PCA, een lineaire transformatie waar een nieuw orthogo-
GEO-INFO 2004-9
Materialen, Methodologie