Remote Sensing: Interpretatie: 2. Bemonsteren

Inleiding

 In module 6 heb je gezien hoe we van een remote-sensingbeeld via een clusterbeeld een kaart hebben proberen te maken. Dat was nodig, want aan het remote-sensingbeeld zelf met zijn duizenden verschillende kleuren hadden we als bron niet veel. De clusterkaart was al een stuk beter bruikbaar, maar de kaart bleek ook een groot aantal beperkingen te hebben. Zo bevat een clusterkaart altijd maar acht klassen. Daar heb je geen invloed op. In werkelijkheid zijn er natuurlijk vaak meer dan acht verschillende vormen van bodembedekking in een landschap die je in kaart wilt brengen. Ook bleken verschillende soorten bodembedekking in dezelfde klasse terecht te komen, of kwamen dingen die identiek waren in verschillende klassen terecht.

Om een betere kaart met een betrouwbare legenda te maken uit een remote-sensingbeeld bestaat er nog een andere methode 'Bemonsteren'. Met deze methode gaan we in deze oefening kennismaken.

Bemonsteren

 Bij de methode ‘bemonsteren’ kun je kaarten maken met die legendaklassen die jij belangrijk vindt. Voorwaarde is natuurlijk wel dat je de klasse die je wilt maken goed in het remote-sensingbeeld moet kunnen onderscheiden. Sommige vormen van bodembedekking lijken voor een satelliet nogal op elkaar. Een satelliet is bijvoorbeeld heel goed in het waarnemen van verschillen tussen vegetatiesoorten. Bos en gras zijn bijvoorbeeld geen enkel probleem, maar het verschil tussen bijvoorbeeld wegen en huizen is in veel beelden lastig te zien.

Hoe gaat het proces van remotesensingbeeld naar kaart nu in zijn werk? Dat is eigenlijk niet zo moeilijk. De bewerking verloopt in twee stappen. Laten we beginnen met het in kaart brengen van de bosgebieden.

Stap 1: het nemen van monsters

 Om de bossen in kaart te kunnen brengen moet je alle pixels in het remote-sensingbeeld selecteren die bos zijn. Om dat te kunnen doen moet je eerst uitzoeken welke pixels dat precies zijn. Dat kun je doen door je beeld met een kaart te vergelijken, of door in het gebied veldonderzoek te doen. Wanneer je weet waar in het beeld bos voorkomt, dan wijs je een aantal voorbeeldgebieden aan waarvan je zeker weet dat het bos is. Zo'n voorbeeldgebied noemen we een 'monster'.


Bij het nemen van de monsters moet je op drie dingen letten:
  • •   Je moet op verschillende plekken monsters nemen omdat de bosvegetatie niet overal homogeen is. Op sommige plaatsen groeien vooral naaldbomen; terwijl er elders weer veel beuken of eiken groeien. Beide boomsoorten met verschillende stralingswaarden moeten uiteindelijk in de klasse bos voorkomen.
  • •   De monsters moeten niet te klein zijn omdat je anders te weinig pixels hebt om een goede vergelijking mogelijk te maken. De pixels in een bosgebied hebben niet allemaal precies dezelfde stralingswaarde en je zult dus voldoende verschillende pixels moeten selecteren om alle bosgebieden in de volgende stap te kunnen herkennen.
  • •   Je monsters moeten ook weer niet te groot zijn omdat je dan het risico loopt dat er ook gebieden in het monster terecht komen die geen bos zijn.

    • Stap 2: classificeren (clusteren)

     De computer berekent vervolgens, op basis van de door jou aangewezen voorbeeldgebieden (monsters), welke andere pixels in het beeld daarmee vergelijkbaar zijn. Al die pixels worden in de klasse (cluster) 'Bos' bijeengevoegd. Er ontstaat nu een kaartje waarop alle bosgebieden zijn weergegeven.

    Wanneer je je monsters zorgvuldig en met voldoende spreiding gekozen hebt, moet het op de kaart weergegeven bosgebied (vrijwel) identiek zijn aan het bosgebied zoals dat werkelijk in het landsschap voorkomt. Hoe beter je monsters waren, hoe beter ook het resultaat zal zijn. Wanneer we ook andere legendaklassen in kaart willen brengen, dan herhalen we de procedure. In het volgende beeld van het IJsseldal zijn er monsters genomen van alles wat water is.


    Ook hier moet je er attent op zijn dat je voldoende verschillende monsters neemt. De stralingswaarden van het stilstaande water in de plassen, kunnen sterk afwijken van de stralingswaarden van het rivierwater. Wanneer we vervolgens weer gaan classificeren, ontstaat er een kaartbeeld met daarop het water.


    Door beide kaartbeelden te combineren, krijg je een kaart van de bossen en het water.

    Wanneer je ook de rest van de bodembedekking in kaart wilt brengen, herhaal je de procedure voor alle legendaklassen die je wilt afbeelden. Hoewel de bewoonde gebieden niet erg gemakkelijk herkenbaar zijn op het satellietbeeld, kun je met behulp van bijvoorbeeld een kaart wel goed bepalen waar je betrouwbare monsters kunt nemen.

    Wanneer je naar het resultaat kijkt zul je zien dat de computer inderdaad moeite heeft gehad om bebouwing en (snel)wegen van elkaar te onderscheiden.
    Om ook de bodembedekking van landbouwgebieden goed in kaart te brengen, moet je waarschijnlijk ter plekke gaan kijken om voor een aantal herkenbare percelen vast te stellen welke bodembedekking daar voorkomt. Wanneer je vervolgens van die percelen monsters neemt, is de kans groot dat je een redelijk betrouwbaar beeld van de bodembedekking in landelijke gebieden krijgt.
    Wanneer je alle legendaklassen die je in beeld wilde brengen hebt bemonsterd en geclassificeerd, ontstaat tenslotte een volledige kaart van de bodembedekking in het IJsseldal.

    Samenvatting

     Samengevat heb je geleerd dat:
  • •   Clusterbeelden niet altijd goede kaarten opleveren omdat je nooit meer dan 8 verschillende klassen kunt onderscheiden.
  • •   Je, door het 'bemonsteren' van een remote-sensingbeeld, zelf kunt bepalen welke klassen (legenda-eenheden) en hoeveel klassen je in kaart wilt brengen.
  • •   Je, om een goed kaartbeeld te krijgen, zeker moet weten dat de monsters die je neemt ook precies zijn wat je denkt dat ze zijn en dat je daar vaak aanvullende bronnen (kaarten) of veldwerk voor nodig hebt.
  • •   Het nemen van monsters een zeer nauwkeurig werkje is omdat alles wat je ten onrechte aanwijst (bemonsterd), door de computer automatisch ook aan de klasse wordt toegekend. Er ontstaat dan een onjuist en onbetrouwbaar kaartbeeld.
  • •   Het voor sommige typen bodembedekking lastig is om ze van elkaar te onderscheiden (wegen en bebouwing).

    • Kies andere module