KARTOGRAFISCH TIJDSCHRIFT
2QOI-XXVII-I
kerheid worden onderscheiden, namelijk onzekerheid gerela-
teerd aan brongegevens, aan methode(n) en aan gebruik.
Denk bij de eerste categorie bijvoorbeeld aan de eigenschap-
pen van de satelliet en de daaruit volgende consequenties voor
resolucie (ruimtelijk, spectraal, radiometrisch, temporeel). De
tweede categorie behelst onder meer de geldigheid van statisti
sche aannamen binnen de gebruikte classificatiemethode (bij
voorbeeld de in het onderzoek gebruikte Bayes' Maximum Li-
kelihood- en k-Nearest Neighbour-classificatie, [van der Wel,
2000, hoofdstuk 3]). Ook tijdens het gebruik van de classifica-
tieresultaten kan onzekerheid getntroduceerd worden. Wan-
neer classificaties gebruikt worden om veranderingen over een
periode te volgen (monitoring), is de volledigheid en nauw-
keurigheid van de afzonderlijke gegevenslagen bepalend voor
het interpretatieresultaat!
Vier benaderingen kort geschetst
Afleiden van onzekerheidsinformatie
In de vorige sectie zijn vier benaderingen genoemd met betrek-
king tot het omgaan met onzekerheid in ruimtelijke gegevens-
bestanden. Het ligt voor de hand om, alvorens over onzekerhe-
den te kunnen praten, vast te stellen of er aanleiding is om aan
de gebruikswaarde van de data te twijfelen. Dit vergt enerzijds
inzicht in het verwerkingsproces dat de data hebben ondergaan
en anderzijds toegang tot relevante achtergrondinformatie over
de bestanden (metadata): hoe oud zijn de data, wat is hun 'ver-
leden'? Een kwalitatieve, beschrijvende duiding van onzeker
heid is vaak goed mogelijk ('de classificatie gaat gepaard met
een hoge mate van onzekerheid gezien de läge resolutie'), het
vaststellen van een maat waarmee onzekerheid in een getal kan
worden uitgedrukt is veel moeilijker. Binnen het onderzoek is
gebruik gemaakt van de waarschijnlijkheidsvectoren die een
product vormen van de probabilistische classificatiemethode
die bestudeerd is. Het gaat hier om de zogenaamde maximum
a posteriori classificatiemethoden waarbij voor ieder beeldele-
ment (pixel) een vector van waarschijnlijkheden wordt bere-
kend. De waarden vertegenwoordigen, voor elk van de onder
scheiden landbedekkingsklassen, de waarschijnlijkheid dat deze
klasse de werkelijke klasse is. De vectoren geven de verschillen
in onzekerheid weer die zieh in de classificatie voordoen en
kunnen opgeslagen worden in een gis om als basis te dienen
voor de afleiding van andere onderzekerheidsmaten.
Reductie van onzekerheid
Naast de bepaling van onzekerheid kunnen de inspanningen
ook gericht worden op het terugdringen van de hoeveelheid
onzekerheid in een remote-sensing-gegevensbestand. De maxi
mum a posteriori classificatieregels geven ruimte aan het meewe-
gen van a priori kennis in het classificatieproces, op een niveau
dat het eenvoudig toekennen van een gewicht per klasse in be-
staande beeldverwerkingsprogramma's ver overschrijdt. Wan-
neer in een bepaald gebied ma'fs veel meer voorkomt dan gras-
land, dan wordt veelal op het niveau van afzonderlijke beeldele-
menten een hoger gewicht toegekend aan mai's en een lager
gewicht aan grasland. Hiermee wordt de classificatie gestuurd,
echter, voor ieder beeldelement op dezelfde wijze en ongeacht
de positie in het beeld. Het is veel zinvoller om volgens een
stratificatie te werken en eerst die gebieden te onderscheiden
waarvoor gelijke gewichten kunnen worden toegekend!
Redeneren met onzekerheid
Een andere Strategie behelst de toepassing van ideeen achter
beslisanalyse, waarmee optimale beslissingen worden nage-
streefd gegeven de onzekerheid in de informatieklassen. Het
combineren van waarschijnlijkheidsleer en utiliteitentheorie
draagt bij aan de selectie van de beste beslissing onder de gege
ven omstandigheden. Het idee is eenvoudig, doch nog onbe-
kend in de geografische wereld. De beslissing om een landbe-
dekktngskaart te actualiseren is afhankelijk van de mate waarin
bijvoorbeeld nieuwe gewassen in het actuele beeld worden on
derscheiden. Daar dit middels een classificatie geschiedt is er
sprake van onzekerheid die gekwantifieeerd kan worden in een
waarschijnlijkheidsvector. De 'normale' benadering is te kie-
zen voor de klasse met de hoogste waarschijnlijkheid en deze
als richtlijn te nemen voor het vaststellen van een eventuele
verandering in landbedekktng. De beslisanalyse gaat verder en
betrekt utiliteiten in het verhaal: hoe wenselijk zijn de gevol-
gen van een bepaalde actie, oftewel, hoe erg is het als de kaart
geactualiseerd wordt terwijl dat eigenlijk niet nodig was (in
termen van tijd, geld enz.). Hierdoor wordt het beslisproces
vanuit een andere hoek benaderd: er wordt een evenwicht ge-
zocht tussen enerzijds de informatiewaarde (onzekerheid) en
anderzijds het risico van een verkeerde beslissing en de daaruit
voort vloeiende gevolgen. Dit is een interessante visie die meer
aandacht verdient omdat het onderscheid maakt in het beoog-
de gebruik van de data (door de definitie van utiliteiten).
Visualiseren van onzekerheid
Zowel de probabilistische resultaten van de classificatieproce-
dure als andersoortige onzekerheidsinformatie kan worden on-
derworpen aan kartografische visualisatieregels teneinde tot
een raamwerk te komen voor de communicatie van dergelijke
ruimtelijke meta-data. Statische maar ook meer dynamische
benaderingen bieden aanknopingspunten voor de Gis-gebrui-
ker die eenvoudige maar overtuigende visualisaties nodig heeft
om de fitness for use te achterhalen. Commerciele Gis-pro-
gramma's Schieten nog steeds tekort wanneer het om dergelij
ke visualisaties gaat terwijl de kartografische theorie op dit ge
bied nog niet uitgerijpt is. Het raamwerk dat door Jacques
Bertin [1967] is samengesteld voor visuele communicatie biedt
een uitgangspunt voor de definitie van 'nieuwe' variabelen, en
combinaties daarvan, waarmee onzekerheidsinformatie verant-
woord gevisualiseerd kan worden. Computertechnologie biedt
aanknopingspunten voor een uiterst interactieve exploratie van
de gebruikswaarde van ruimtelijke gegevensbestanden!
Slot
De geo-informatiemarkt is momenteel sterk aan het verande
ren onder invloed van de komst van nieuwe databronnen
(ikonos) en de discussies rondom het toegankelijk maken van
(overheids)informatie (zie bijvoorbeeld [Ravi, 1999]). Het is
duidelijk dat metadata, en dus ook onzekerheidsinformatie,
een grotere rol gaan speien in de beslisprocessen met betrek-
king tot het al dan niet gebruiken van bepaalde data. Het on
derzoek dat in het proefschrift is uitgewerkt biedt een intro-
duetie in de wijze waarop dergelijke metadata afgeleid en ge-
communiceerd kunnen worden. Gebruikers moeten wellicht
meer bewust worden gemaakt van het idee dat onzekerheid in
data bestaat en dat hiermee rekening moet worden gehouden:
investigating product uncertainty may not be a 'money-
making issue, failure to cope adequately with it may well make it
a 'money-losing' one.[Hunter Goodchild, 1996].
Het beschikbaar stellen van grote hoeveelheden ruimtelijke ge-
gevens aan grote groepen gebruikers in de nabije toekomst
(bijvoorbeeld via internet-toepassingen) kan katalyserend wer-
27
