KARTOGRAFISCH TIJDSCHRIFT
200I-XXVII-I
verhindert een zinvolle keuze. De knellende vraag die dan ook
beantwoord moet worden luidt:
Kan worden voorkomen dat een gebruiker ongeschikte gegevens of
kaarten aanwendt voor het nemen van beslissingen of voor verdere
verwerking in een GIS? En zo niet, hoe kan een gebruiker dan de
beste beslissing nemen op basis van deze niet-optimale gegevens of
kaarten.
Hoe om te gaan met onzekerheid in gegevens
Gegevens verkrijgen betekenis wanneer ze waardevol blijken te
zijn in het oplossen of hanteren van een probleem, en dit ver
eist niet alleen de data zelf, maar ook informatie over deze
data, de zogenaamde metadata. Deze metadata kan duidelijk-
heid verschaffen over de bruikbaarheid van het beschreven ge-
gevensbestand: Stephanou Sage [1987] stellen terecht dat
gegevens vrijwel nooit 100% perfect geschikt zijn voor de be-
oogde toepassing ("...incomplete, uncertain, inconsistent, or
otherwise not totally suited to the judgemental task at band...
Het probleem dat hierboven blootgelegd is kan worden sa-
mengevat als een zoektocht naar informatie over de 'kwaliteit'
van data. Chrisman [1984] heeft kwaliteit gedefinieerd als
'fitness for use' en deze betekenis is thans algemeen geaccep-
teerd in de geografische informatie gemeenschap: "...theprocess
of Converting a particular fact into information must comprehend
the fitness of that fact for some particular purpose... [Chrisman,
1991].
De behoefte aan informatie over de 'fitness for use' van een
geografische dataset is aanzienlijk toegenomen sinds de intro-
ductie van informatiesystemen en de beschikbaarheid van
enorme hoeveelheden digitale data (vooral remote-sensing-
data!). Kwaliteitsaspecten hebben echter altijd een belangrijke,
maar meer impliciete rol gespeeld in de geografische gegevens-
verwerking. Kartografen hanteerden bijvoorbeeld van oudsher
een evenwicht tussen vorm en inhoud van een grafische repre-
sentatie. Om dit doel te bereiken moest wel eens 'een beetje
gelogen' worden zodat de waarheid beter naar voren kwam
[Muller, 1987], hiermee opzettelijk fouten introducerend ten-
einde de interpretatie door de gebruiker te verbeteren.
Goodchild Gopal [1989] geven een aantal redenen waarom
digtitale gegevensverwerking een meer expliciete nadruk op
kwaliteitszaken vereist dan conventionele kaarten. Ze komen
alle neer op het feit dat informatiesystemen een hoge precisie
nastreven die veelal divergeert van de nauwkeurigheid van de
beschouwde gegevens. Dit is enorm gevaarlijk, temeer wan
neer men zieh realiseert dat deze incompatibiliteit de schijn
kan wekken van pseudo-nauwkeurige data die gebruikt moe-
ten worden door een sterk uiteenlopend gezelschap gebruikers.
In het vervolg van het verhaal zal over onzekerheid gesproken
worden, een meer generieke term die weliswaar bijdraagt aan
het kwaliteitsoordeei. Gezien de revolutionaire invloed van re-
mote-sensing-gegevens op de geografische gegevensverwerking
in het algemeen en kartografie in het bijzonder zal de nadruk
hierbij liggen op de verwerking van satellietdata, met name de
classificatie van Landsat Thematic Mapper data in landbedek-
kingsklassen. Zonder een idee te hebben van de onzekerheden
van een classificatie verwordt informatie-extractie, en besluit-
vorming, tot een willekeurige procedure die overheerst wordt
door louter praktische overwegingen zoals toegankelijkheid en
beschikbaarheid, sterk leunend op gewoonten. De vraag is of
de introduetie van additionele kennis in het classificatieproces
de daaruit volgende beslissingen positief beinvloedt door de
Figuur 2 - Het com-
bineren van kaartin-
formatie en satelliet-
beeldinformatie is
riskant wanneer de
informatieniveaus
niet overeenkomen,
bijvoorbeeld als gevolg
van schaalniveaus.
Het detail toont de
we
gen uit de kaart (die
is vergroot), in verge-
lijking met de infor
matie die uit inter
pretatie van het satel-
lietbeeld volgt (de
dikke zwarte lijnen).
hoeveelheid onzekerheid te reduceren of
af te wegen tegen het beoogde doel.
Het Camotius-project [van der Wel,
199 5] d dat in de eerste helft van de jaren
negentig is uitgevoerd, heeft tot doel ge-
had de onzekerheden rondom een bo-
vengenoemde classificatie in beeld te
brengen, ook letterlijk middels visualisa-
des. Binnen het onderzoek is een gelaag-
de struetuur te onderscheiden:
In de eerste plaats is gekeken hoe de
onzekerheid in een bepaalde dataset
achterhaald kan worden.
Daarnfiast is gekeken in hoeverre de
vastgestelde onzekerheid teruggebracht
kan worden tot een voor de gebruiker
aanvaardbaar niveau.
Parallel aan bovenstaande benadering
zijn ideeen uit de wiskundige beslis-
analyse bestudeerd waarmee gegeven
een hoeveelheid onzekerheid, toch ver-
antwoorde beslissingen kunnen wor
den genomen.
Tot slot zijn kartografische visualisaties
(her)ontdekt aan de hand waarvan een
gebruiker van geografische informatie
eenduidig gei'nformeerd kan worden
over de informatiewaarde van de data.
Over welke onzekerheden praten we
hier? Gesteid is reeds dat de nadruk tij-
dens het onderzoek op de verwerking
van remote-sensing-data heeft gelegen,
met name de classificatie van Landsat-
TM-beelden. Aan de hand van dit ver-
werkingsproces kunnen drie typen onze-
(vergroot
geintegreerd beeld detail
kaart
kaart
satellietbeeld
26
