Nauwkeurigheids-
analyse van de
classificatieresultaten
Conclusie
KARTOGRAFISCH TIJDSCHRIFT
I995-XXI-4
Zoals Lillesand and Kiefer zeggen is
een classificade niet compleet voordat
de nauwkeurigheid ervan bepaald is
[4, pp. 612]In deze derde fase moeten
de Studenten nogmaals het veld in om
de nauwkeurigheid te gaan bepalen
van de twee door hun gemaakte classi
ficaties. Dit gebeurt in een ander sub-
gebied dan waar ze hun trainingsdata
verzameld hebben (zie figuur 2C).
De beste methode om een nauwkeu-
righeidsanalyse te maken is met be-
hulp van willekeurig gekozen testge-
bieden, maar deze methode heeft een
aantal praktische bezwaren:
Het kiezen van willekeurige testge-
bieden is niet zo'n probleem, maar
om die gebieden 00k werkelijk in het
terrein te bereiken neemt te veel tijd
in beslag, als ze al gevonden kunnen
worden. Ook op dit gebied zou de
inzet van een gps een goede oplos-
sing kunnen zijn.
Willekeurig gekozen pixels kunnen
heel goed op grenzen liggen, of
'mixels' zijn (pixels van 20 x 20 m
waarbinnen meerdere landbedek-
kingsklassen voorkomen). Deze zijn
niet geschikt voor nauwkeurigheids-
analyse, en om toch voldoende ana-
lysegegevens Over te houden zouden
de Studenten te veel gebieden moe
ten opzoeken.
Daarom wordt dezelfde procedure als
bij het verzamelen van de trainingsdata
gevolgd: het gebied wordt doorkruist
en längs de route worden alle pixels
aangetekend die op het beeld kunnen Figuur 7.
worden gelokaliseerd en tevens eendui- (linkerpagina)
dig in een landbedekkingsklasse kun- Fouten matrices
nen worden ondergebracht. Vervol- van de twee
gens worden alle waarnemingen sa- classificaties,
mengebracht in zogenaamde fouten- opgeteld voor
matrices (figuur 7). alle groepen.
Het is de bedoeling dat de Studenten
uit analyse van de foutenmatrices het
volgende concluderen:
De nauwkeurigheid van de classifica
ties, uitgedrukt in het percentage
correct geclassificeerde pixels (ofwel
Percentage Correctly CLassified (pcc))
is laag: 64,5% bij de k—Nearest
Neighbour classificatie en 59,2% bij
de Maximum Likelihood classifica
tie. Omdat het de eerste keer voor de
Studenten is dat ze zelfstandig van
begin tot eind een classificatie uitvoeren, was een läge pcc
overigens te verwachten.
De K-Nearest Neighbour classificatie scoort significant
beter dan de Maximum Likelihood methode. Dit corri-
geert de eerdere impressie dat deze classificatie minder zou
zijn omdat er veel pixels ongeclassificeerd bleven. Het is
de kwaliteit die telt, niet de kwantiteit!
Er is veel verwarring tussen naaldbos ('coniferous') en
loofbos ('decidious') in beide classificaties.
Dat geldt ook voor de twee typen wijngaard ('old' en
'young' vineyard) met boomgaard ('orchard') en in min
dere mate met kale grond ('bare ground').
Voor een aantal klassen zijn zo weinig analysegegevens
verzameld dat er nauwelijks zinvolle uitspraken over ge-
daan kunnen worden. Als de Studenten dan wordt ge-
vraagd om nog een naar de oorspronkelijke trainingsdata
te kijken, blijken daar dezelfde klassen siecht vertegen-
woordigd te zijn. Het belang van voldoende trainingsge-
bieden voor elke klasse wordt daarmee duidelijk.
In de evaluatie wordt besproken welke maatregelen tot be-
tere classificatieresultaten zouden kunnen leiden. Zo zou
den landbedekkingsklassen waartussen veel verwarring be-
staat tot een klasse kunnen worden samengevoegd (zoals de
twee typen bos). Daarnaast kunnen klassen die in het ge
bied zeer weinig voorkomen (zoals water) misschien beter
helemaal niet opgenomen worden.
Hopelijk is het de Studenten duidelijk geworden dat de
beste aanpak zou zijn om opnieuw het terrein in te gaan, en
met de geleerde inzichten en ervaringen op zak het gehele
traject nog eens opnieuw te doorlopen: het bepalen van de
landbedekkingsklassen, het verzamelen van trainingsdata,
die gegevens invoeren, classificeren en analyseren. Satelliet-
beelden classificeren is nu eenmaal een van die zaken waar-
bij oefening de meester maakt!
Literatuur
[1] Bargagli, A. (1990), Geometrie aspects and DTM require-
ments related to feature extraction from spot images.
Enschede: itc, M.Sc.-thesis.
[2] Pickering, R.P. (1990), Digital image analysis of spot
multi-spectral data for topographic mapping. Enschede:
itc, M.Sc.-thesis.
[3] itc (1993), iLWts 1.41 Users Manual. Enschede: itc.
[4] Lillesand, T.M. R.W. Kiefer (1994), Remote sensing
and image interpretation. New York: Wiley Sons.
Noot
Dit artikel is een bewerking van de paper Monitoring Land Cover in
Southern France, a Project for Teaching Remote Sensing Classification
Techniques, die tijdens de ip icA-conferentie in Barcelona werd ge-
presenteerd.
13