Q-.
0
KARTOGRAFISCH TIJDSCHRIFT
I998-XXIV-3
worden voorzien. Hier speelt de geometrie een belangrijke
rol: Staat een topografisch object op de juiste piek? In het
tweede deel worden remote-sensing data als uitgangsdata
beschouwd; statistische classificatiemethoden leiden bij de
verwerking daarvan zowel tot thematische informatieklas-
sen als tot onzekerheid. Het CAMOTius-onderzoek is voor
een belangrijk deel gericht geweest op het vraagstuk hoe
deze (statistische) onzekerheidsinformatie op visuele wijze
aan de gebruiker kan worden gecommuniceerd. Het laatste
deel behandelt de toepassing van fuzzy set theorie om met
onzekerheid in thematische classificatie om te gaan. Hierbij
wordt geput uit het METAGis-project dat halverwege de ja-
ren negentig is afgerond.
Kwaliteit van topografische kaarten
Bij topografische kaarten kan er vooral onzekerheid zitten
in de plaatsaanduiding (geometrische kwaliteit), in de volle-
digheid en de actualiteit. De eerste is vooral een gevolg van
de opnamemethode. Daarom kenden topografische kaarten
vroeger vaak een betrouwbaarheidsdiagram (figuur ic) dat
aangaf op welke manier de gegevens voor de kaart per on-
derdeel van het gekarteerde gebied waren verzameld, bij-
voorbeeld via kartering in het terrein dan wel via luchtfo-
to's. Die verschillende wijzen van verzamelen konden leiden
tot verschillen in de nauwkeurigheid over de kaart. Bij grote
plaatselijke verschillen zoals die op oude kaarten voorko-
men gebruikt men wel vertekeningsgrids (figuur id) of een
cirkelmethode [Mekenkamp, 1990] om de onzekerheid te
visualiseren (zie figuur ia).
Geleidelijk optredende verschillen in nauwkeurigheid, zoals
op kleinschalige topografische kaarten ontstaan door ge-
bruik van bepaalde projectiemethoden, geeft men wel weer
met isolijnen. Dit Staat in tegenstelling tot de algemene on-
nauwkeurigheid bij gebruik van een en dezelfde opname
methode die tot een vaste, 'ingebouwde' nauwkeurigheid zal
leiden die hetzelfde is over de hele kaart. Veel topografische
diensten werken met bepaalde nauwkeurigheidsstandaarden
waaraan de gegevens moeten voldoen. In de Verenigde Sta-
ten heeft men bijvoorbeeld de norm dat op de 1:25.000 90%
van de testpunten op de kaart op minder dan 12 meter van
hun werkelijke locatie moeten liggen, en dat 90% van de ge-
teste hoogtepunten minder dan de helft van het hoogtelij-
neninterval van de werkelijke hoogte mag afwijken.
De actualiteit is altijd het gemakkelijkste vast te stellen, aan
de hand van de op de kaart opgenomen informatie over de
opnamedatum en eventuele tussentijdse gedeeltelijke actu-
aliseringen van bijvoorbeeld het wegennet.
De volledigheid is een nauwkeurigheidsaspect waar vaak
aan voorbij wordt gegaan, maar dat erg belangrijk wordt
wanneer we de kaart als informatiebron voor analyses gaan
gebruiken. Een wegenkaart die niet alle dag en nacht ge-
opende benzinepompen correct weergeeft kan bijvoorbeeld
zeer vervelende situaties tot gevolg hebben.
Stel dat men ten behoeve van landschapsstudies alleenstaan-
de bomen of de verkavelingspatronen/percellering van het
land bestudeert, dan ligt het voor de hand, om veel gereis te
besparen, om de topografische kaart 1:25.000 of de
TOPiovector daarvoor te gebruiken. Maar dan moet men er
wel van op aan kunnen dat 00k alle alleenstaande bomen of
alle perceelsscheidingen erop staan - of althans overal een
0
°o
4]
Figuur 1. Visualisa
tie van onzekerheid
voor topografische
kaarten d. m. v.
a. cirkels proportio-
neel met de afwij-
king van de wäre
positie;
b. isolijnen die
punten met een ge-
lijke afwijking van
de werkelijke posi
tie verbinden;
c. betrouwbaar
heidsdiagram dat
de verschillende
wijzen van opname
aangeef (A met
planchet in 1937;
B topografische
verkenning in 1940;
C aan de hand
van Amerikaanse
luchtfoto 's gevlogen
in 1933 enz.);
dat met het grid de
afwijking van de
werkelijke positie
(1996) illustreert.
vast percentage ervan. Bij vergelijking
met luchtfoto's blijkt echter dat het
percentage weergegeven objecten va-
rieert over het land, en een factor is van
de op de kaart beschikbare ruimte. In
Noord-Groningen met zijn grote per-
celen Staat 95% van de perceelsgrenzen
op de kaart; in Zuid-Limburg met zijn
kleinschalige landschap is dat circa
45% [Bakermans, 1986]. Meer zou het
kaartbeeld onleesbaar maken, maar
maakt 00k de kaart onvolledig. Bij aan-
schaf van de kaart zou men daarover
gei'nformeerd moeten worden.
Onzekerheid in remote-sensing
classificaties
Foutenmatrices en waarschijn-
lijkheidsvectoren
Sensoren aan boord van vliegtuigen en
satellieten voorzien ons van een over-
weldigende stroom aan data over de
verschijnselen aan het aardoppervlak.
Deze remote-sensing technieken zijn
gebaseerd op het meten van de sterkte
waarmee objecten op aarde elektro
magnetische straling - veelal afkomstig
van de zon - reflecteren. Spectrale pa-
troonherkenning is gebaseerd op het
idee dat objecten herkend kunnen
worden aan hun spectrale signatuur,
oftewel de reflectie-eigenschappen in
verschillende golflengtegebieden van
de elektromagnetische straling. Een
park zal zichtbaar en infrarood licht te-
rugkaatsen naar de sensor, maar dan
wel op een andere wijze dan bijvoor
beeld een flatgebouw. Het zijn juist
deze verschillen waarvan remote-sen
sing classificaties gebruik maken om
spectrale data te vertalen naar thema
tische informatieklassen. Ten behoeve
van die vertaling worden steekproefda-
ta ('training data') verzameld, die re-
presentatief moeten zijn voor een spe-
cifieke informatieklasse.
Gedurende deze bewerkingen worden
tal van onzekerheden gei'ntroduceerd.
Wanneer de training van een dataset
niet compleet is kan men informatie
klassen (bijv. gras, mai's, bebouwing
enzovoort) onvoldoende uit elkaar
houden. Spectrale gegevens geven vaak
onvoldoende uitsluitsel over het al dan
niet behoren tot een bepaalde klasse;
dit is de reden dat additionele karto-
grafische en Gis-data worden gebruikt
om het onderscheid tussen klassen te
versterken (en zo de onzekerheid te re-
duceren). Teneinde vast te stellen hoe
onzeker de afgeleide informatie dan
wel is, zijn een aantal methoden ont-
42
