m
m
w
m
m
De interpretatie
van monitoringresultaten
Wh
v//r
KARTOGRAFISCH TIJDSCHRIFT
I995-XXI-4
op de aanwezigheid van een bepaalde informatieklasse in
een gebied kan worden 'meegewogen'. De kennis die aan de
basis van deze a priori waarschijnlijkheden ('priors') ligt kan
afkomstig zijn van diverse bronnen: kaarten, luchtfoto's,
eerdere remote-sensing-classificaties, experts, persoonlijke
ervaring. In de liceratuur zijn verschillende benaderingen
beschreven volgens welke kaartinformatie in het classifica-
tieproces kan worden betrokken [4]Ze zijn vaak gebaseerd
op het principe dat met behulp van een bepaalde variabele
(bijvoorbeeld bodemsoort) een stratificatie van het satelliet-
beeld kan worden verkregen, en dat aan elk Stratum een
eigen set priors voor de onderscheiden klassen kan worden
toegekend (figuur ja). Bij het vaststellen van priors kan te-
vens rekening worden gehouden met onzekerheden en
overgangszones tussen klassen ('fuzzy' grenzen), zoals in fi
guur 7B wordt ge'illustreerd.
Met het 00g op een optimale classificatienauwkeurigheid
(minimale kosten, maximale baten) doet de volgende vraag
zieh gelden: hoe kan men bepalen hoeveel van welke kennis
wanneer op een zinvolle wijze in het classificatieproces
moet worden gebracht? camotius probeert de gebruiker op
dit gebied te ondersteunen door een aantal richtlijnen aan
te bieden, zoals:
wanneer extra gegevens in het proces worden ingebracht,
begin dan met hetgeen reeds voorhanden is, zoals be-
staande classificaties die zijn opgeslagen in een gis, voor-
dat tot de aanschaf van nieuwe en dure bestanden wordt
overgegaan;
complexe, geautomatiseerde procedures kunnen wellicht
worden voorafgegaan door meer eenvoudige, interactieve
benaderingen; het verwij deren van artefacten uit het clas-
sificatieresultaat is meer gebaat bij een op maat gesneden
visuele interpretatie dan bij een geautomatiseerde, maar
ingrijpende, 'majority filtering';
aan de hand van de aposteriori waarschijnlijkheden kun
nen verbeteringen in het classificatieresultaat worden ge-
volgd; een aanzienlijk verschil tussen de maximale en
tweede waarschijnlijkheid kan duiden op weinig verwar-
ring (figuur 5);
de interpretatie van onzekerheidspatronen op basis van de
waarschijnlijkheden kan leiden tot de identificatie van ge-
bieden die meer aandacht behoeven; additionele kennis
kan dan gericht worden ingezet, en alleen wanneer deze
gebieden essentieel voor de Studie blijken te zijn.
Het is duidelijk dat deze algemene suggesties, afhankelijk
van het betreffende toepassingsgebied, verder uitgewerkt
dienen te worden. Voor de classificatie en monitoring van
kassen, die een belangrijke rol innemen in de praktische
studies in het CAMOTius-project, is reeds gewerkt aan richt
lijnen die zijn gebaseerd op beschikbare en geschikte addi
tionele gegevens in bepaalde gebruikersomgevingen [5].
De interpretatie van de classificatieresultaten kan aanzien
lijk worden verbeterd door de beschikbaarheid van richtlij
nen. Dit is zeker het geval wanneer deze classificaties geen
eindresultaat vormen, maar deel uitmaken van een monito-
ring-operatie gebaseerd op een post-classificatie vergelijking
(zie de sectie over monitoring hiervoor).
riguur 7.
A. Op grond van
een bodemkaart
kan het satelliet-
beeld worden opge-
deeld in strata, met
een eigen set a
priori waarschijn-
B. Het karakter
van overgangszones
of 'fuzzy 'grenzen
tussen klassen kan
met behulp van a
priori waarschijn
lijkheden worden
beschreven. In dit
voorbeeld worden
voor twee klassen,
A en B, twee com-
plementaire fiinc-
ties beschreven.
./.and
P(gewas A) 0.7
P(gewas B) 0.3
P(gewas A) 0.2
P(gewas B) 0.8
P(A)
P(B)
De kwaliteit van de afzonderlijke clas
sificaties is bepalend voor de mate en
ernst van fouten en onzekerheden in
de veranderingsinformatie. Figuur 8 il-
lustreert het feit dat het raadplegen
van de uitgangsgegevens (de classifica
ties) en de bijbehorende meta-infor-
matie bijdraagt aan een betere inter
pretatie, hetgeen de opslag van deze
gegevens in een informatiesysteem
rechtvaardigt.
Bovendien kunnen interpretatieregels
worden toegepast om het onderscheid
te maken tussen daadwerkelijke veran-
deringen en artefacten in het monito-
ringbeeld. Kennis over de betreffende
informatieklasse is hiervoor onont-
Figuur 8.
De interpretatie
van monitoring
resultaten kan baat
hebben bij de origi-
nele classificaties en
de bijbehorende
meta-informatie.
beschrijving
leffect
t1
geen geen
geen commi:
geen omissii
commissie geen
onveranderd
toename
afname
afname
commissie commissie onveranderd
commissie commissie afname
commissie commissie toename
afname
geen toename
omissie onveranderd
omissie afname
omissie toename
commissie toename
commissie omissie
7X
f/SS
VA
4% leonische representatie van een classificatie //V7
bestaande uit 2 klassen, A en B. Er wordt
aangenomen dat deze situatie fout-vrij is, f "I
zowel op tijdstip t1 als tijdstip t2.
Hierdoor ontstaan commissiefouten voor I
klasse A als de klasse de zwarte grenslijn i1
overschrijdt. Omissiefouten voor klasse A lI
ontstaan als klasse B deze grens
overschrijdt.mM
toename
onveranderd
afname
18
