bouwde kom, landbouwgebied en alle restgebieden zoals
spoorwegen en spoorwegemplacementen, bouwterreinen
enzovoort hebben geen specifieke kleurtoekenning op de
topografische kaart. Deze restklasse is 'blanco' op de
kaart.
Zandverstuivingen (gele vlakvulling) komen zeer weinig
voor op blad 51 Oost en zijn niet gedigitaliseerd.
Digitaliseren en integreren van topografische informatie
Op grond van de ervaring in de eerste fase, werden de
deelfilms gemonteerd op een vaste ondergrond bij het digi
taliseren, zodat geen herbemonstering nodig was om ze
pixel voor pixel over elkaar te laten passen. Evenals in lä
se 1 werden de zeven films afzonderlijk gescand en met
een unieke kode in een themafile opgenomen. Elk beeld-
punt komt overeen met 20 m op de grond.
Onverharde wegen en wegen binnen de bebouwde kom
staan samen met de landbouwgrond en bouwterrein en
restgebieden als 'blanco' aangegeven. Landbouwgrond en
bouwterreinen kunnen middels klassifikatie uit een satel-
lietbeeld bepaald worden. Voor 'blanco' wegen geldt dit
niet omdat ze te smal zijn. Daarom is het van belang deze
klassen uit de topografische gegevens te bepalen. Wegen in
de bebouwde kom en onverharde wegen buiten de be
bouwde kom zijn in de topografische themafile gekarakte-
riseerd door het feit dat ze waarde 'nuf hebben en dat ze
slechts een pixel breed en lijnvormig zijn. Met gebruikma-
king van filtertechnieken konden deze lijnen gedetekteerd
worden en daarna als klasse 8 toegevoegd worden aan de
andere zeven6.
Klassifikatieresultaat van het Thematic Mapper beeld
Als uitgangspunt voor de situatie van 1986 (3 augustus) en
de 'visie' vanuit de ruimte werd het klassifikatieresultaat
van het TM-beeld genomen4.
De onderscheiden klassen waren: malsland, grasland,
spruitkoolland, water, menselijke infrastruktuur (huizen,
bebouwde kom, wegen, voor zover detekteerbaar op 30 m
pixels), loofbos, naaldbos, heide en een restklasse waarin
met name braakliggend landbouwareaal en bouw- en in-
dustrieterreinen terecht zijn gekomen. 0,3% van het aantal
pixels werd niet geklassificeerd.
De klassifikatie in bovenstaande klassen was uitgevoerd om
een indruk te verkrijgen van de ruimtelijke verdeling van
het gebruik van drijfmest. Het gebruik van drijfmest is ge-
koppeld aan de verbouw van mais en aan ander agrarisch
landgebruik. De gevolgen van (over)bemesting zoals zure
regen zijn onder andere merkbaar in natuurlijke en semi-
natuurlijke gebieden zoals bos en heide. De aandacht in de
klassifikatie heeft zieh om deze redenen gekoncentreerd op
deze klassen. De betrouwbaarheid van het klassifikatiere
sultaat werd bepaald door het in een zogenaamde 'confusi-
on matrix' uit te zetten tegen het werkelijke landgebruik
op 1650 ha. In de steekproef van 1650 ha werd het landge
bruik tijdens veldwerk vastgesteld. In tabel 3 is de resulte-
rende 'confusion-matrix' afgebeeld.
Uit tabel 3 blijkt, dat de betrouwbaarheid voor de meeste
klassen 80-90% is. Dit is voor een klassifikatieresultaat
niet siecht. Voor vele praktische toepassingen, bijvoorbeeld
in de ruimtelijke ordening, is dit echter niet goed genoeg,
omdat strukturele veranderingen in het landgebruik op
jaarbasis vaak niet meer dan 1-2% betreffen. Een hoofd-
doel van het onderzoek in fase twee is het elimineren van
Tabel 3. Confusion-matrix van het Thematic Mapper klassifikatie
resultaat tussen de vier belangrijkste klassen op basis van veldge-
gevens (in ha en percentage).
veldgegevens klassifikatieresultaten
grasland mai's stedelijk naaldbos loofbos
gebied
grasland
774 ha
maisvelden
651 ha
naaldbos
81,1 ha
loofbos
144,4 ha
696,9 ha 21,3 ha 23,5 ha 13,5 ha 13,3 ha
88,9% 3,1% 3,4% 1,9% 1,9%
49,3 ha 596,8 ha 15,1 ha 7,1 ha 2,5 ha
8,6% 87,1% 2,7% 1,2% 0,43%
67,6 ha 13,0 ha
80,8% 19,2%
143,7 ha
99,5%
de fouten in het klassifikatieresultaat door gebruik te ma-
ken van de kontext informatie van de topografische kaart.
Fouten in een klassifikatie ontstaan meestal door een van
de volgende vier oorzaken:
Landschapselementen zijn te klein om waargenomen te
worden (met in dit geval een resolutie van 30 m, bij
voorbeeld de meeste wegen).
De spektrale kenmerken van de gewenste (funktionele)
klassen kunnen niet of in onvoldoende mate onderschei
den worden. Zo kan er geen eenduidig en uitsluitend
onderscheid gemaakt worden in een beeld van enige
omvang, tussen bebouwing en wegen. Dit zijn allebei
kale vegetatieloze hoog reflekterende oppervlakten.
Afhankelijk van de schaal van het landschap zullen er
meer of minder beeld'punten' (van 30 x 30 m) zijn
waar meer dan twee klassen in voorkomen. Hierdoor
ontstaat er een vervloeiing van klassekenmerken waar-
door er altijd een (groot) aantal beeldpunten bestaan die
niet binnen klassegrenzen te vangen zijn.
Van een funktionele klasse, bijvoorbeeld weiland, be
staan talloze spektrale Varianten (nat, droog, gemaaid,
bemest, op zand of veen). De oecologische variatie is
vaak zo groot dat een klasse in een gebied dezelfde
spektrale kenmerken kan hebben als een klasse als tar-
we in een ander gebied.
De topografische kaart gekombineerd met het klassifikatie
resultaat levert een referentiekader dat verschillende toepas
singen toelaat. Een daarvan is het elimineren van
klassifikatiefouten zoals hier aangegeven.
Kombineren van topografische informatie met satelliet-
informatie
De informatie van de landgebruiksklassifikatie was vastge-
legd in een bestand van 800 x 1000 beeldpunten die elk
25 x 25 m besloegen. Deze informatie kon niet
rechtstreeks gekombineerd worden met het bestand van
1000 x 1253 beeldpunten (van 20 x 20 m) waarin de topo
grafische informatie was vastgelegd. Om dit wel te kunnen
uitvoeren werd er een herbemonstering uitgevoerd op de
ruwe beelddata van de banden 3, 4 en 5 van het TM-beeld.
KT 1988. XIV. 2
71