n
classificatie 1 classificatie 2
4fH4l44tfFFH I i IM i+rf
r>'»vi l
Y////A
JSS 0.45
Classificatie en
kwaliteitsinformatie
Het verbeteren
van classificatieresultaten
TS
KARTOGRAFISCH TIJDSCHRIFT
I995-XXI-4
tijdstip 1
tijdstip 2 I
toename
afname
geen erg laag laag
erg laag geen laag
erg hoog hoog geen
waarschijnlijkheidsvectoren
0.80
0.35
0.15
M 0.44
0.33
0.05
0.11
0.32
x
0.50
0.50
0
läge kosten hoge kosten läge kosten hoge kosten
kostenbeeld
-
-"V-V'V*
hoog
Figuur 4.
Een post-classifica-
tie vergelijking
geillustreerd aan de
band van een tel-
raam; een verg
king van twee of
meer beeiden levert
op eenvouaige wijze
informatie over de
locatie en de aard
van veranderingen.
Kwaliteit is een maat voor de geschikt-
heid van gegevens voor een bepaalde
toepassing. Nauwkeurigheid, zowel the
matisch als geometrisch, is een voor-
beeld van een kwaliteitscomponent.
De deßnitie van kwaliteit leidt tot de
bewering dat in plaats van de hoogst
mogelijke nauwkeurigheid, een vol-
doende hoge nauwkeurigheid moet wor
den nagestreefd. Teneinde het onder-
scheid te kunnen maken tussen ge-
schikte en inferieure classificaties is het
nodig om over gebruikerseisen en
kwaliteitsinformatie van de gegevens te
beschikken. In de praktijk blijft een
dergelijk kwaliteitsoordeel veelal ste-
ken bij het opstellen van een fouten-
matrix waarin een representatief deel
van de classificatie wordt vergeleken
kostenmatrix
financiele risico's van misclassificaties
referentie
Maximum Likeiihood Classificatie
Figuur y.
De Maximum Like
iihood Classificatie
leidt per pixel tot
een waarschijnlijk-
heidsvector, waar-
mee de sterkte van
een klassetoeken
ning wordt
Figuur 6.
De afleiding van
een kostenbeeld op
basis van door de
gebruiker gedefi-
nieerde risico 's en
door de classificatie
afgeleide waar-
schijnlijkheden.
met (dure) referentiegegevens. Het is daarentegen ook mo-
gelijk om een statistische uitspraak te doen over het succes
van een classificatie, zonder dat hiervoor veldwerk nodig is.
Hiervoor kunnen de a posteriori waarschijnlijkheden in be-
schouwing worden genomen, die het resultaat zijn van een
'Maximum Likeiihood Classificatie' (figuur 5). Nadrukke-
lijk wordt gesteld dat op deze wijze niet de nauwkeurigheid
wordt getoetst - dit absolute begrip vereist een vergelijking
met 'de' werkelijkheid!
De genoemde classificatiemethode koppelt een waarschijn-
lijkheidsvector aan elke pixel van een satellietbeeld, alhoe-
wel de meeste informatiesystemen slechts de maximale
waarschijnlijkheid (of eigenlijk de klasse die daarbij hoort)
daadwerkelijk opslaan. De beoogde CAMOTius-functie levert
daarentegen alle waarschijnlijk
heden, als onderdeel van waar
schijnlijkheidsvectoren die in-
zicht geven in de sterkte van
klassetoekenningen, in moge
lijke verwarring tussen klassen
onderling en een mogelijk on-
volledig classificatieschema
(duidend op de behoefte aan
steekproeven voor een extra
klasse). Ook het effect van a
priori kennis op het classifica-
tieresultaat kan op deze wijze
zichtbaar worden gemaakt.
Gedurende een evaluatiefase
moet de waarschijnlijkheidsin-
formatie afgezet worden tegen
de eisen die gebruikers vooraf
aan het classificatieresultaat
hebben gesteld. Uit ervaring
die is opgedaan tijdens een aantal praktische studies blijkt
dat gebruikers moeilijkheden ondervinden wanneer hen ge-
vraagd wordt om randvoorwaarden voor de beoogde infor
matie te bepalen. De eis van een zo hoog mogelijke nauw
keurigheid is dan ook niet zelden een teken van onwetend-
heid. Het is niettemin moeilijk om een eenduidig verband
op te stellen tussen toepassing en vereiste nauwkeurigheid
of waarschijnlijkheden. Maar een gebruiker is veelal wel in
Staat om aan te geven hoe erg het is als een pixel aan een
verkeerde klasse wordt toegekend, met andere woorden, om
een onderscheid te maken tussen de ernst van een verwar
ring tussen klasse A en B, en tussen A en C. Deze risico's, of
kosten wanneer ze in termen van geld worden uitgedrukt,
kunnen worden opgenomen in een zogenaamde kostenma
trix en samen met de waarschijnlijkheidsinformatie leiden
tot een kostenbeeld (figuur 6). Zodoende kan de gebruiker
op een directe manier worden geconfronteerd met de gevol-
gen van het classificatieresultaat voor de toepassing en even-
tueel gepaste actie ondernemen.
Nadat het classificatieresultaat beoordeeld is op de bruik-
baarheid, kan een gebruiker besluiten om de informatie-
waarde te verhogen door een beroep te doen op additionele
kennis. De Maximum Likeiihood beslisregel Staat de defini-
tie van a priori waarschijnlijkheden toe, waarmee de kans
Waarschijnlijkheidsvector
Maximum Likeiihood Klasse
17
