ini
43
KARTOGRAFISCH TIJDSCHRIFT
I998-XXIV-3
Reference Data
Classified Data
X
Y
Z
Row total
Correct
X
24
2
4
30
80
Y
6
45
9
60
75
Z
3
5
52
60
87
Column total
33
52
65
150
Figuur 2a. Voorbeeld van een foutenmatrix waarin de bevindin-
gen van een steekproef worden samengevat. De 'classified data
remote-sensing classificatie) worden vergeleken met 'reference
data'(bijv. veldwerkdata) waarna de correctgeclassificeerdepixels
op de diagonaal van de matrix verschijnen (uit: [Janssen Van
der Wel, 1994]).
wikkeld. Zo worden nauwkeurigheids-
bepalingen toegepast op geclassificeer
de satellietbeelden, uitmondend in
foutenmatrices die aangeven in hoe-
verre de classificatie afwijkt van de
werkelijkheid. Dit gebeurt steek-
proefsgewijs en resulteert in een per-
centage correct geclassificeerde beeld-
elementen (pixels). Figuur 2a geeft een
voorbeeld van een dergelijke tabel. De
onzekerheid die bij de classificatie be-
hoort kan worden uitgedrukt in diver
se maten, maar deze hebben als be-
langrijkste nadeel dat ze geen infor-
matie verschaffen over de ruimtelijke
verspreiding van onzekerheid (figuur
2b). Want zou het niet mooi zijn als
van elk beeldelement gesteld kan wor
den of de toegekende klasse goed of
fout is (nauwkeurigheid), öf dat min-
stens gesteld kan worden met hoeveel
zekerheid de pixel tot de betreffende
klasse behoort (waarschijnlijkheid)?
Wanneer over iedere pixel een uit-
spraak kan worden gedaan voor wat
betreft de onzekerheid, dan heeft het
zin om deze waarden te visualiseren,
zodat wellicht een patroon kan worden
ontdekt! Behalve de thematische infor-
matie die is afgeleid uit de satelliet
beelden (bijvoorbeeld landbedekkings-
klassen als gras, bos, water), wordt
daarom nu 00k statistische informatie
over de sterkte van de klassetoeken-
ning in kaart gebracht. Deze combina-
tie vormt een belangrijk instrument
Figuur 2b. De
ruimtelijke ver
spreiding van onze
kerheid gevisuali-
seerd voor een re
mote-sensing classi
ficatie van het ge-
bied rond Maas
land (zh). De grijs-
waarden geven de
hoogte van de a
posteriori waar
schijnlijkheid weer
(zwart is laag, wit
Figuur 3. Fragment
uit het Camotius
Demonstratie Pro-
gramma. Voor een
willekeurige pixel
in het geclassificeer
de beeld kan de on-
tijdens allerlei beslissingen. De vragen die naar voren kö
rnen bij bestudering van dergelijke informatie zijn bijvoor
beeld:
levert de spectrale informatie uit het satellietbeeld wel vol-
doende uitsluitsel, of is extra data gewenst, en zo ja, waar?
is de overgang tussen de klassen scherp of is er sprake van
een overgangszone?
welk risico wordt gelopen als er sprake is van een misclas-
sificatie en moet de klassetoekenning wellicht gewijzigd
worden?
Een van de meest bekende classificatiemethoden in de spec
trale patroonherkenning is Bayes Maximum Likelihood De-
cision Rule. Zowel voorkennis ('priors') als spectrale infor
matie (voortkomend uit de training) wordt aangewend om
via een statistisch model uitspraken te doen over de waar
schijnlijkheid dat een pixel tot een bepaalde klasse behoort.
Het resultaat is dan 00k een waarschijnlijkheidsvector per
pixel: voor elk beeldelement wordt voor elke onderscheiden
klasse een a posteriori waarschijnlijkheid afgeleid (figuur 3).
Met deze 'posteriore' beschikken we over een schat aan
meta-informatie op pixelniveau die op kartografisch verant-
woorde wijze aan een beslisser kan worden overgebracht!
Meest eenvoudige benadering is om de waarschijnlijkheid
waarmee een pixel aan een klasse wordt toegekend als een
grijswaardekaart naast (kaartpaar) of onder (bivariate kaart)
de thematische kaart te beschouwen. Deze nogal statische
manier van representatie kan worden aangevuld met meer
dynamische technieken, mogelijk gemaakt door de Compu
ter. Zo kunnen bijvoorbeeld animatietechnieken worden
gebruikt om een 3-dimensionaal waarschijnlijkheidsland-
schap te verkennen of een serie van waarschijnlijkheidsbeel-
den te exploreren (zie 00k [Van der Wel et al., 1994]).
Het aanbrengen van scherpe of vage begrenzin-
gen in datasets
De meeste selectie- en classificatiemethoden, die patronen
binnen ruimtelijke gegevens zichtbaar kunnen maken, leggen
scherpe begrenzingen op binnen de meetschaal van die gege
vens. Daarmee ontstaan over het algemeen nominale of ordi
nale categorieen. De classificatiemethode zeeft als het wäre de
waarnemingen uit door ze aan de eis(en) van elke categorie te
toetsen. Hierbij kan zieh veelvuldig de situatie voordoen dat
een observatie (een 'individu uit de gegevensset) net wel of
net niet aan een of meerdere criteria van een categorie blijkt
schijnlijkheidsvector
worden opgevraagd.
CAMOTIUS 0.2 Persua-
n by Demonstration
Options Visuallsatlon
Grey Scale
Colour
Create LUT
Bead LUT
£olour Composite
Change Map
Effects
Profile
Map Types
Bivariate Map
Vector Visualist
A Priori Map
Class Probability Map
Qifference Map
Entropy Map
Ranked Probability
data value:
min. value:
max value