Tabel 1. Enkele gegevens m.b.t. Landsat Thematic Mapper.
Tabel 2. Enkele gegevens m.b.t. SPOT.
derlijke beeiden. De gekozen procedure vond plaats
aan de hand van een zogenaamde 'Intensity/Hue/Satu-
ration-transformatie, waarbij de digitale waarden op
de afzonderlijke banden van het multispektrale beeld
getransformeerd worden tot drie eigenschappen van
kleuren die respektievelijk de 'intensity', 'hue' en 'Sa
turation' weergeven. Door nu de 'intensity' te vervan-
gen door het panchromatische beeld, waar ze het beste
mee overeenkomt en waardoor redundantie vermeden
wordt, en vervolgens een inverse transformatie uit te
voeren, waarbij weer de systeemkleuren rood, groen en
blauw ontstaan, is een integratie van beide beeiden be-
werkstelligd. Het daaruit resulterende beeld heeft een
grondresolutie van 20 meter (konform het multispek
trale deel) en is als basisbeeld naast de Thematic
Mapper-uitsnede gebruikt voor de klassifikatie. Van dit
beeld is een hoge resolutie 'output' vervaardigd om
dienst te kunnen doen bij zowel de visuele interpretatie
als het veldwerk.
Om te komen tot een gesuperviseerde digitale klassifi
katie van het satellietbeeld dient men met behulp van
de Cursor een aantal trainingszones aan te wijzen van
terreinelementen in het beeld, waarvan men zeker weet
wat ze voorstellen. Deze groepen van pixels worden
door de Computer in een aparte geheugenplaats be-
waard om later vergeleken te worden met het gehele
beeld. Tevens wordt van deze groepen van pixels het ge-
middelde, de standaarddeviatie en de minimum en de
maximum digitale waarde per band berekend. De ter
reinelementen vormen representatieve en vooral homo
gene voorbeelden van de klassen die men uiteindelijk
in het beeld wil onderscheiden. Hiertoe werd vooraf-
gaand aan de klassifikatie een veldwerk uitgevoerd
waarbij 80 lokaties bezocht en beschreven werden.
Een kenmerk van satellietbeeldklassifikaties is de ver-
waarlozing van de textuurinformatie. Verschillende ter
reinelementen kunnen spektraal gelijk zijn, doch textu-
reel verschillen. Hierbij kan gedacht worden aan ver
schillende soorten groenvegetatie die spektraal gelijk
zijn maar in hun uiterlijke verschijningsvorm verschil
len door bijvoorbeeld de wijze van aanplant, zieh uit-
end in de mate waarin de onderliggende bodem in
Staat is licht te reflekteren. Is men in Staat de Computer
deze verschillen in verschijningvormen van terreinele
menten mee te laten wegen in de ordening van het
beeldmateriaal, dan wint de klassifikatie aan betrouw-
baarheid. Om dit te bereiken moet men komen tot een
algemene definitie van verschillen in textuur, wil men
deze kenmerken althans automatisch detekteren. Voor
dit projekt is daarbij gekozen voor het toevoegen van
banden aan de reeds bestaande spektrale informatie ge-
definieerd op grond van digitale filters welke in Staat
zijn dergelijke verschillen in het beeld te accentueren.
De werking van dergelijke filters berust op het ontdek-
ken van overgangen in de digitale waarden in de diverse
banden in het beeld waar een zekere regelmaat in te
ontdekken valt. Zo kan men filters implementeren die
de overgangen in verschillende richtingen in het beeld
zichtbaar maken. Zodoende kunnen patronen gevisuali-
seerd worden die het informatie-extraktieniveau verho-
gen. Deze informatie wordt toegevoegd aan de infor
matie van de trainingszones.
Bij het eigenlijke klassificeren is voor het 'maximum li-
kelyhood'-principe gekozen, waarbij uitgegaan wordt
van een normale verdeling van de reflektiewaarden van
de pixels in iedere trainingszone of groep van trainings
zones en een berekening mogelijk wordt van de waar-
schijnlijkheid dat een bepaalde pixel aan een bepaalde
klasse zal worden toegekend, uitgaande van een be
paalde drempelwaarde. Het klassificeren is een iteratief
proces waarbij gestreefd wordt naar een steeds hogere
akkuratesse in een volgend resultaat. De tekortkomin-
gen van een vorig resultaat zijn daarbij van vitaal be
lang. Zo kan het voorkomen dat het histogram van een
groep trainingszones behorend bij een klasse niet zo
normaal verdeeld en homogeen is, als gewenst zou zijn.
Het is beter dit te veranderen door bijvoorbeeld be
paalde groepen pixels uit deze trainingszone weg te la
ten en nieuwe groepen te introduceren, die de homoge-
niteit bevorderen. Dit zogenaamde 'editen' van de
'files' met deze informatie steh echter wel de nodige
eisen aan de beeldverwerkingssoftware waarmee ge
werkt wordt4. Naast een klassifikatie op basis van de
twee digitale satellietbeelden is een visuele interpretatie
uitgevoerd op die gebieden binnen het geintegreerde sa
tellietbeeld waarvan verwacht kon worden dat het Pro
blemen op zou leveren. Het betrof hier met name de
oeverwallen längs de grote rivieren waar het bodemge-
bruik zeer divers en versnipperd is. Om deze visuele
interpretatie eveneens interaktief met behulp van de
Computer uit te voeren is het rasterbeeld van de topo-
grafische kaart zodanig omgewerkt dat het systeem het
lijnenbeeld als polygonen kon her kennen die dan ver
volgens van een bepaalde kode, overeenkomend met de
gewenste klassen, voorzien konden worden, door ze
aan te wijzen met de Cursor en een 'active code' in te
typen op de alfanumerieke terminal.
Om uitspraken te kunnen doen omtrent de nauwkeu-
righeid van een dergeliik dokument dient men een be-
KT 1989.XV.1
21
LANDSAT THEMATIC MAPPER
bandnummer
bandbreedte in microns*
grondresolutie in meters*
band 1
0.45-0.52
30
band 2
0.52-0.60
30
band 3
0.63-0.69
30
band 4
0.76-0.90
30
band 5
1.55-1.75
30
band 7
2.08-2.35
30
band 6
10.40-12.50
120
SPOT
bandnummer
bandbreedte in microns*
grondresolutie in meters**
XS-mode
band 1
0.50-0.59
20
band 2
0.61-0.68
20
band 3
0.79-0.89
20
PAN-mode
1 band
0.51-0.73
10
