I995-XXI-3
Knowledge engineering for generaliza-
tion. Het beschrijft een pilot-project
voor (semi-) automatische generalisatie
van de schaal 1:50.000 naar 1:250.000
van Canadese kaarten (Canada Centre
ofMapping, CCM).
Het experiment bevat drie hoofd-
items: element-selecde door vergelijk
van de legenda's 1:50.000 en 1:250.000
datareductie door middel van polylijn-
vereenvoudiging en samenvoeging en
aansluiten van de verschillende deelbe
standen. Als resultaat bleek onder meer
dat de automatisch gegeneraliseerde
kaarten sterk afweken van de handma-
tig gegeneraliseerde kaarten.
Samenvattend: het kartografische ge-
neralisatieproces steunt voornamelijk op
menselijk visuele processen. Een combi-
natie van 'rule-based' en algoritmische
benadering belooft succes in de toe-
komst, op voorwaarde dat de rule-base
kan worden vastgesteld. De gegevens
moeten als complete objecten worden
opgeslagen (bijv. weg incl. kruispunten).
CCM heeft enkele regels ontwikkeld
maar deze zijn nog lang niet voldoende.
In deel II, data modelling issues, is het
hoofdstuk Representing geographica!
meaning van Timothy L. Nyerges op-
genomen. Nyerges benadrukt het be
lang van de geografische betekenis van
objecten bij het maken van modellen
en databases om tot een goed generali-
satieresultaat te komen. En van de re-
denen waarom ervaren kartografen niet
kunnen beschrijven hoe de generalisa
tie plaatsvindt, is omdat ze nooit de
middelen hebben gehad om de kennis
die ze gebruiken bij het generaliseren
systematisch te kunnen vastleggen. De
basis van die kennis betreff de betekenis
(meaning). Dit houdt zowel in de con-
text, waarin ze geplaatst is, als het wezen
van de objecten. Consequent gerede-
neerd betekent dit dat een geografische
database de kern is van een kartografi
sche database. Schrijver maakt dan 00k
onderscheid tussen het digitale land-
schapsmodel (dlm) en het digitale kar
tografische model (DKM) In een DLM is
sprake van statistische generalisatie, in
een DKM is sprake van kartografische
generalisatie.
Het vijfde hoofdstuk is van de hand van
Marc E Armstrong, getiteld Knowledge
Classification and Organization. Naar de
mening van Armstrong heeft generalisa
tie een artistieke traditie, waarbij de kar-
tograaf de kennis van kartografische
conventies integreert met menselijke
cognitieve processen om de informatie
op een dusdanige wijze weer te geven
dat de kaartlezer er een betekenis aan
afleest. Generalisatiedoelen en resulta-
ten zijn meestal siecht gedefinieerd en
daardoor kan generalisatie op meerdere
wijzen worden uitgevoerd, waarbij geen
enkele wijze superieur is aan de andere.
Voor de generalisatie zijn drie soorten
'kennis' nodig: geometrische, structure-
le en procedurele.
David M. Mark schrijft over Object
modelling and phenomenon-based
generalization. Ook Mark benadrukt
het belang van de geografische benade
ring. Reeds lang is bekend dat bij gene
ralisatie zowel geografie als grafisch ont-
werp van belang zijn. Hij verwijst onder
meer naar een artikel van Pannekoek uit
1962 die toen opmerkte dat generalisatie
als een soort 'toegepaste geografie'
beschouwd kan worden. Om dit in een
digitale omgeving te realiseren is een
expert-systeem nodig, gebruikmakend
van goed gedefinieerde regels, en een
object-georienteerde benadering.
Daarvoor dienen vier Subklassen van
objecten gedefinieerd te worden: entities
(de geografische werkelijkheid), symbols
(de kartografische werkelijkheid), objec
ten (de digitale weergave) en features
(samengesteld uit entities, symbols en
objects met gelijksoortige kenmerken)
In het tweede deel gaat de schrijver in op
de werkwijze van het samenstellen van
de kaart 1:24.000 uit luchtfoto's en veld-
werk (USGS). Op basis van deze regels
worden een aantal digitale generalisatie-
regels ontworpen. Hoewel compilatie
van kaarten en generalisatie verschillen
de processen zijn, kunnen er toch paral-
lellen worden getrokken.
Deel III (Formulation of rules) bevat
een aantal artikelen over het formule-
ren van generalisatieregels welke nodig
zijn om de automatische generalisatie
beter te laten verlopen.
Het eerste artikel in deze serie is van de
hand van M. Kate Beard: Constraints
on rule formation.
Automatisering van een proces vereist
de formulering en ontwikkeling van
goed gedefinieerde en ondubbelzinnige
regels, maar bij de kartografische gene
ralisatie levert dit een aantal specifieke
problemen op. Verschiliende factoren
vormen een belemmering:
Generalisatie wordt traditioneel uit
gevoerd als een individuele artistieke
arbeid en bevat subjectieve compo-
nenten die zieh niet in regels laten
vatten.
Een volgende beperking wordt ge-
vormd door verschillende eisen per
toepassing van de generalisatie: bijv.
bodemkaart, zeekaart.
Een derde moeilijkheid wordt ge-
vormd door de grote variatie in
ruimtelijke en niet-ruimtelijke eigen-
KARTOGRAFISCH TIJDSCHRIFT
schappen van de objecten. De loka
le context speelt een belangrijke rol.
Samenvattend wordt gesteld dat gege
vens weergeven op verschillende niveaus
van abstractie consistent is met de wijze
waarop mensen de wereld bekijken.
Automatische generalisatie die alleen
een reeks voorgedefinieerde produkten
oplevert, is niet voldoende. Een goed
systeem dient de gebruikers in Staat te
stellen elke gewenste generalisatie te
scheppen (toepassingsgericht). Flexibi-
liteit is noodzakelijk, alle regels behoe-
ven niet van te voren bekend te zijn.
De volgende auteurs die zieh bezig hou-
den met een rule-based systeem zijn
Dianne E. Richardson en JeanClaude
Müller: Rule selection for small-scale
map generalization. Nieuw dan wel
voortgezet onderzoek dient het volgen
de resultaat te hebben:
ontwikkeling van automatische ge
neralisatieregels en procedures voor
een gehele produktenreeks (incl.
groot en kleinschalige topografische
en thematische kaarten),
de implementatie van object-geo
rienteerde procedures waarin de we-
zenlijke betekenis van objecten en
de onderlinge relaties met andere
objecten worden betrokken,
de aanvaarding van concepten met
gebruik van algoritmen en rule-based
benaderingen, rekening houdend met
vector- en raster-datastrueturen. Selec-
tie wordt hier als een van de belang-
rijkste punten beschouwd.
Barbara P. Buttenfield's bijdrage draagt
de titel A rule for describing line featu-
re geometry. Dit hoofdstuk onderzoekt
een methode voor het genereren van
kaartelementen op vele schalen vanuit
een enkel digitaal bestand en presen
teert een regel waardoor de schalen
worden gedetermineerd, waarop de
geometrie van lijnelementen naar ver-
wachting verändert. De regel die hier
gepresenteerd wordt heet 'struetuur
signature'. Het nut is echter nog specu-
latief. De strueture signature is een
begin. Het komt erop neer dat elk lijn-
element gelabeld moet worden om aan
te geven op welke schaal ze al dan niet
gebruikt moet worden. Mogelijk is dit
aan te geven via de header-informatie.
De laatste auteur uit de groep 'rule-
based Systems' is Robert Weibel in
Amplified intelligence and rule-based
Systems. Weibel brengt naar voren dat
veel moeite en tijd is gestopt in algorit
men voor lijnsimplificatie. Echter niet
in een samenhangende generalisatie
van onderling gerelateerde dementen
(denk aan topografische kaarten). Als
gevolg daarvan hebben veel auteurs
114