Verzamelen van trainingsdata
KARTOGRAFISCH TIJDSCHRIFT
I995-XXI-4
behulp van een dem (digitaal hoogtemodel) op basis van
isolijnen met een interval van 50 m, waar nodig aangevuld
met extra hoogtelijnen of -punten [1]. Een test met twintig
door het hele beeld verspreide punten gaf een gemiddelde
nauwkeurigheid van 23,18 m aan, hetgeen gezien de ruimte-
lijke resolutie van 20 m heel behoorlijk is.
Er wordt door de Studenten niet geclassificeerd op basis van
de drie banden rood, groen en nabij infrarood, maar op een
daarvan afgeleid 'vegetatiemodel'. Uit onderzoek is geble-
ken dat zo'n model beter geschikt is voor her maken van
landbedekkingsclassificaties dan de onbewerkte banden. De
modellering resulteert in twee beeiden: een beeld met de
'Leaf Area Index' (lai), hetgeen een maat voor de hoeveel-
heid bladgroen is, en een intensiteitsbeeld, waaruit infor-
matie over hellingen en de ruwheid van de terreinbedek-
king te halen is. Vervolgens wordt de hellingsinformatie
met behulp van het eerder genoemde dem geneutraliseerd
[2], met als resultaat een gecorrigeerd intensiteitsbeeld (Int-
Cor). De twee beeiden, (lai en IntCor) worden bij de uit-
eindelijke classificatie gebruikt (figuur 2).
Dan volgt de eerste dag in het veld. In groepjes van twee of
drie (in 1994 waren er negen groepen) moeten Studenten uit
Utrecht en Enschede gezamenlijk trainingsgebieden lokali-
seren in het aan hen toegewezen gebied (zie figuur 2; elk ge-
bied is ca. 3 km2). Er wordt de groepen aangeraden om
eerst een route door het gebied te plannen, zodanig dat een
zo groot mogelijk oppervlak bestreken wordt, waarbinnen
naar verwachting zo veel mogelijk van de landbedekkings-
Figuur 1.
Impressie van het
veldwerkgebied.
Figuur 3.
Combinatie van
satellietbeeld met
toegevoegde wegen
(onder) en trans-
parante topogra-
fische kaart (boven)
zorgt voor betere
orientatie.
klassen aan te treffen zijn. De tijdens
eerdere veldwerkoefeningen opgedane
ervaring met het gebied kan ze hierbij
helpen. Het is de bedoeling dat elke
groep probeert om meerdere trainings
gebieden van elke landbedekkingsklas-
se te verzamelen. De Studenten lopen
hierbij tegen een groot aantal Proble
men aan. Ten eerste is het niet zo ge-
makkelijk om de relatie tussen het sa
tellietbeeld en de topografie in het veld
te leggen. Wat in het beeld een duide-
lijk perceel lijkt, blijkt in werkelijkheid
een onregelmatige open piek met va-
rierende begroeiing, en andersom is de
zo duidelijk aanwezige weg op het
beeld niet terug te vinden. Om dit
proces enigszins te vergemakkelijken
krijgt men in het veld een uitdraai van
het satellietbeeld mee waarop een aan
tal grotere wegen apart aangeven zijn.
Daarnaast wordt 00k een op het beeld
passend transparant van de topografi-
sche kaart uitgereikt (figuur 3). Is een
perceel eenmaal met zekerheid gede-
tecteerd, dan moet worden vastgesteld
Figuur 2. in welk van de eerder afgesproken
De deelgebieden landbedekkingsklassen het valt. Ook
per groep dit is niet zo eenvoudig, omdat de be-
studenten bij de dekking van veel percelen niet in een
verschillende van de klassen onder te brengen is en
onderdelen van er ook vaak een menging van klassen
de oefening. optreedt, bijvoorbeeld een wijngaard
met daarin kersenbomen.
deelgebieden
voor verzamelen
trainingsdata
k-nea
est neigt
maxin
tum likelihood
classificaties
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
deelgebieden voor
nauwkeurigheidsanalyse
Op dat moment is het van groot be
lang dat de Studenten de eerder opge
dane kennis over remote sensing toe-
passen en dus alleen die percelen als
trainingsgebieden opnemen die aan de
eisen voldoen: ze moeten zo groot zijn
dat er minstens negen 'pixels' (beeld-
elementen van het satellietbeeld) in
vallen, die een eenduidige landbedek-
king in een van de onderscheiden klas
sen hebben. Bij de instructie wordt er
dan ook de nadruk op gelegd dat men
beter wat minder trainingsgebieden
van goede betrouwbaarheid kan heb
ben dan veel gebieden van een discuta-
bele kwaliteit (figuur 4).
10
