Kartering van de verstruweling in de Amsterdamse

Waterleidingduinen met behulp van Definiens Developer

Bachelorscriptie voor de opleiding Aardwetenschappen

Frank Diependaal Amsterdam, Juli 2008 Faculteit FNWI Universiteit van Amsterdam Begeleiders: Universiteit van Amsterdam Waternet Guido van Reenen Mark van Til Fred van der Vegte Cees de Vries

Samenvatting Om de successie van de vegetatie in de Amsterdamse Waterleidingduinen te

kunnen monitoren, is het belangrijk om luchtfoto’s om te kunnen zetten in een

vegetatiekaart. Een van de (nieuwste) computerprogramma’s waarmee dit kan

gebeuren is Definiens Developer. Dit onderzoek behelst enerzijds een kartering van

de vegetatie voor de beheerder van de Amsterdamse Waterleidingduinen, en

anderzijds een inschatting van de mogelijkheden voor het gebruik van Definiens

Developer binnen De Universiteit van Amsterdam.

De luchtfoto’s van 2001 en 2006 zijn in dit onderzoek met behulp van

Definiens Developer ingedeeld in gebiedjes met vergelijkbare spectrale

eigenschappen, de segmenten. Een aantal van deze segmenten zijn vervolgens

toegewezen aan zeven vegetatie-structuurtypen: water, zand, gras, laagstruweel,

hoogstruweel, loofbos en naaldbos. Op basis van een analyse van de spectrale

eigenschappen van de segmenten in deze klassen zijn ook alle andere segmenten in

een van de klassen ingedeeld. Dit is gebeurd volgens de nearest neighbor methode.

Door middel van een accuracy assessment is het percentage goedgeclassificeerde

segmenten bepaald. Van de classificaties met de grootste accuracy is voor elke klasse

het oppervlak bepaald als percentage van het totale gebied.

Figuur 1, in de grazige vegetatie is de toekomstige verstruweling al zichtbaar

De verschillen binnen twee classificaties van hetzelfde jaar blijken van

dezelfde ordegrootte als de verschillen tussen 2001 en 2006. Hierdoor zijn de

oppervlaktes die zijn bepaald van elke vegetatiestructuurklasse niet betrouwbaar

genoeg om conclusies te trekken over successie tussen 2001 en 2006. Op het oog

geeft een vergelijking van de luchtfoto’s van 2001 en 2006 wel aanleiding om een

2

successie in de vegetatie te veronderstellen. Er is wel een kaart gemaakt van de

vegetatie van een deel van de Amsterdamse Waterleidingduinen in 2006.

De eigenschappen die verschillende vegetatiestructuurklassen het beste van

elkaar kunnen onderscheiden, zijn vast te stellen door middel van een “Feature Space

Optimization”. In dit onderzoek is deze methode slechts beginnend verkend, waardoor

de waarde hiervan nog niet goed beoordeeld kan worden.

Een belangrijk deel van dit verslag vormen de aanbevelingen voor

vervolgonderzoek waardoor de vele mogelijkheden die Definiens Developer biedt in

de toekomst beter ingezet kunnen worden bij vegetatiekartering aan de hand van

luchtfoto’s. Vooral verbetering van de methode op het gebied van automatisering bij

het kiezen van samples en verbetering van de segmentatiefase zijn punten waardoor

snel de (accuracy) resultaten van de kartering kunnen worden verbeterd.

Figuur 2, De grazende reeën zijn niet voldoende om de successie te stoppen

3

Inhoudsopgave Samenvatting……………………………………………………… 2 Voorwoord………………………………………………………. 5 Inleiding

- achtergrond van het onderzoek…………………………. 6 - probleemstelling………………………………………… 7 - opzet van het onderzoek………………………………… 8

Methode

- bestanden………………………………………………… 9 - software………………………………………………….. 10 - Werkwijze……………………………………………….. 10 - Parameters………………………………………………... 14

Resultaten

- Inleiding…………………………………………………… 17 - TTAmasks…………………………………………………. 17 - Accuracy resultaten………………………………………… 17 - Veranderingen in het oppervlak per vegetatiestructuur……. 19 - Veranderingen in het aantal segmenten per vegetatie-structuurtype 23 - Beschrijving van de gemaakte kaarten…………………… 24 - Kartering van een terreindeel dat binnenkort in begrazing wordt genomen 27

Conclusie…………………………………………………………… 28 Discussie

- Discussie……………………………………………………. 31 - verdere aanbevelingen……………………………………… 32

Literatuur

- Boeken……………………………………………………… 34 - Internet……………………………………………………… 34

Inhoudsopgave bijlagen……………………………………………… v.a. 35

- Excel bestand o Classificaties o TTAmasks o Oppervlaktes o Afbeeldingen classificatie 201 t/m 210

- ArcGis bestand o Vegetatiekaart van 2006

4

Voorwoord

Dit thesisonderzoek vormt het laatste onderdeel van de bacheloropleiding

aardwetenschappen aan de Universiteit van Amsterdam. Dit onderzoek komt voort uit

de samenwerking tussen de Universiteit van Amsterdam en Waternet. Voor zowel de

Universiteit van Amsterdam als Waternet is het onderwerp vrij nieuw, en gedurende

het onderzoek is gebleken ook in de literatuur over dit onderwerp nog vrij weinig

bekend is. Mede vanwege de complexheid is het onderzoek behoorlijk ingeperkt om

het uitvoerbaar te kunnen maken als bacheloronderzoek in de daarvoor bestemde tijd.

Dit heeft tot gevolg gehad dat het onderzoek vooral verkennend van karakter is en dat

de resultaten slechts in beperkte mate praktisch toepasbaar zijn. Ondanks dat kijk ik

terug op een geslaagd bacheloronderzoek, en ik hoop dat de lezer dit onderzoek met

net zoveel interesse zal lezen als ik het onderzoek heb uit mogen voeren.

Voor alle hulp bij het onderzoek wil ik mijn begeleiders Guido van Reenen, Cees de

Vries en Fred van der Vegte bedanken en ook masterstudent Guusje Hoek , die mij als

Definiens-specialist met name in het begin veel heeft geholpen.

5

Inleiding

Achtergrond van het onderzoek

De Amsterdamse Waterleidingduinen (AWD) beslaan een gebied langs de kust direct

ten zuiden van Zandvoort ter grootte van 3800 hectare (figuur 3). Behalve in gebruik

voor de waterwinning voor de gemeente Amsterdam herbergt dit gebied een naar

Nederlandse maatstaven rijke flora en fauna. Waternet beheert dit gebied in opdracht

van de gemeente Amsterdam, en in die hoedanigheid ook verantwoordelijk voor het

milieubeleid waarbij het behoud en uitbreiding van de hoge biodiversiteit centraal

staat. Een van de bedreigingen voor de biodiversiteit is de uitbreiding van de

Amerikaanse vogelkers (Prunus serotina) die vooral ten koste gaat van de open, lage

vegetaties.

Figuur 3, ligging van de AWD ten opzichte van Amsterdam Om het gevoerde natuurbeheer te kunnen beoordelen en om het beleid voor de

toekomst te kunnen bepalen, zijn goede vegetatiekaarten van groot belang. Met

kaarten van verschillende jaren kan de ontwikkeling van het gebied worden

beoordeeld. Deze benodigde kaarten zijn niet zondermeer beschikbaar en

vergelijkbaar. Een goede (geautomatiseerde) methode om met behulp van luchtfoto’s

vegetatiekaarten te maken zou een grote bijdrage kunnen leveren aan de beoordeling –

6

en dus verbetering- van het natuurbeheer. Een van de computerprogramma’s die

gebruikt kunnen worden is Definiens Developer. Door veelbelovende resultaten in

eerdere studies is er voor dit onderzoek gekozen om van dit programma gebruik te

maken.

Figuur 4, Ligging van het onderzoeksgebied in de AWD Probleemstelling

Dit onderzoek is in overleg met Waternet vooral gericht op het ontwikkelen van een

methode voor de kartering. Daarnaast is een kartering van een klein deel van de AWD

gewenst in verband met voorgenomen beheersmaatregelen. De hoofdvraag van het

onderzoek is:

- Op welke wijze kan de verstruweling van het Middenveld in de Amsterdamse

Waterleidingduinen het beste worden gemonitord met behulp van

luchtopnamen en het programma Definiens Developer?

Om deze hoofdvraag gestructureerd te kunnen beantwoorden zijn de volgende

deelvragen opgesteld:

- Welke gegevens zijn er benodigd voor de kartering van de verstruweling in de

AWD?

7

- Op welke wijze zijn met behulp van Definiens Developer de verschillende

vegetatiepatronen in de AWD te onderscheiden?

- Wat zijn de verschillen in de emissiespectra van verschillende soorten

vegetatie in de AWD?

- Hoe is de verstruweling te kwantificeren in de AWD tussen 2001 en 2006?

- Hoe ziet het vegetatiepatroon er uit in het Middenveld en het Renbaanveld in

de AWD in de zomer van 2006?

Opzet van het onderzoek

Voor het uitvoeren van dit onderzoek is kennis van ArcGIS en Definiens Developer

nodig. Met name dit tweede programma is nog weinig gebruikt, waardoor het leren

werken hiermee een belangrijke fase is in dit onderzoek. Door de combinatie van de

beperkte tijd en de enorme mogelijkheden die Definiens Developer biedt is het niet

mogelijk om dit programma geheel te leren gebruiken. Dit onderzoek is er daarom

vooral op gericht om de mogelijkheden van het programma in de toekomst in te

schatten en optimaal te kunnen benutten.

In het hoofdstuk “methode” zal een duidelijke beschrijving worden gegeven van wat

er is uitgevoerd om tot resultaat te komen. De belangrijkste resultaten worden daarna

besproken. In de conclusie wordt geprobeerd een antwoord op de onderzoeksvragen te

geven. Ondanks dat het onderzoek een zeer methodische vraagstelling kent is de

discussie na de conclusie als apart hoofdstuk opgenomen. Hierin zijn ook de

aanbevelingen voor vervolgonderzoek opgenomen.

Als laatste volgen nog de literatuurlijst en de bijlagen waarin ook de uitvoer van de

computerberekeningen is opgenomen.

8

Methode

Bestanden

Omdat het doel van het onderzoek niet alleen het in kaart brengen is van het

onderzochte gebied, maar ook het zoeken naar een methode om in het algemeen de

vegetatie te kunnen karteren, ligt de nadruk op een zoveel mogelijk

gestandaardiseerde en reproduceerbare classificatiemethode. Voor de uitvoering van

dit onderzoek werd verwacht dat de programma’s Definiens Developer en ArcGIS

gebruikt zouden moeten worden. Daarom is in het begin van het onderzoek veel tijd

geïnvesteerd in het leren werken met deze programma’s. Tijdens het onderzoek is,

toen dit nodig bleek, ook nog gewerkt met ERDAS.

De gegevens die voor dit onderzoek beschikbaar zijn, bestaan onder meer uit

luchtopnamen van de Amsterdamse Waterleidingduinen uit 2001 en 2006. Om de

grootste zichtbaarheid van de struweelvegetatie te verkrijgen zijn er foto’s van de

zomer gebruikt. In dit jaargetijde zijn de struiken het duidelijkst te onderscheiden van

bomen en grazige vegetatie. De geografische positie per foto van de hoekpunten van

deze opnamen waren met de foto’s meegeleverd, alleen het coördinatenstelsel moest

hieraan nog worden toegevoegd. De foto’s zijn allemaal gerefereerd op coördinaten

van het Rijksdriehoekstelsel (Amersfoort).

Naast deze twee opnames is er een vegetatiekaart beschikbaar van de AWD uit 1995

en een bedrijfskaart uit 1998 waarop ook verschillende vegetatieklassen worden

onderscheiden. De foto’s waarop deze kaarten gebaseerd zijn, waren niet beschikbaar

voor dit onderzoek.

Alle bestanden en kaarten die gebruikt zijn voor dit onderzoek zijn beschikbaar

gesteld door Waternet.

Software

Voor het analyseren van de luchtfoto’s is gebruik gemaakt van diverse programma’s.

In de eerste plaats zijn aan de bestanden de juiste coördinatenstelsels toegevoegd met

een ArcGIS pakket, waarbij gebruik is gemaakt van ArcMap en ArcCatalog.

Er bestaan verschillende programma’s die kunnen helpen bij het analyseren van

luchtfoto’s. Deze programma’s zijn in te delen in programma’s die “pixel-based”

werken en programma’s die de analyse “object-based” uitvoeren. De eerste soort

beoordeelt voor elke pixel apart de eigenschappen en deelt iedere pixel op basis

9

daarvan in een aangegeven klasse in. “Object-based” programma’s zijn gericht op de

analyse van een pixel in relatie tot de omliggende pixels. Hierdoor kan bijvoorbeeld

een verschijnsel op de foto als schaduw worden meegenomen bij de classificatie.

Vanwege de betere verwachtingen en beschikbaarheid van het “object-based”

programma Definiens Developer (de opvolger van het programma eCognition) is dit

programma gebruikt in plaats van de programma’s ERDAS en DICRANUM.

Werkwijze

Voorbereiding

Voor het leren werken met ArcGIS en Definiens Developer zijn diverse modules

beschikbaar bij de GIS-studio van de Universiteit van Amsterdam. Het volgen van

deze modules was de eerste stap in het onderzoek, en de kennis die hiermee is

opgedaan vormt de basis van het verdere onderzoek.

Naast de modules is er algemene informatie ingewonnen over de Amsterdamse

Waterleidingduinen en in het bijzonder over het natuurbeleid van Waternet, de

beheersmaatregelen die genomen zijn in het verleden en hoe het beheer georganiseerd

is. De eerste kennismaking met het onderzoeksgebied bestaat uit een veldbezoek met

Mark van Til van Waternet en Cees de Vries van de Universiteit van Amsterdam.

Hierbij wordt duidelijk welke problematiek er in het algemeen in de Amsterdamse

Waterleidingduinen speelt rondom successie. Voordat vervolgens zelfstandig het

onderzoeksgebied in gegaan kan worden, zijn met behulp van ArcGis de luchtfoto’s

bewerkt voor gebruik in het veld en in kleur (schaal 1:4500) uitgeprint. Van een klein

deel van het gebied is ook nog een foto op extra grote schaal (1:1000) uitgeprint, om

in het veld de waarde hiervan in te kunnen schatten.

Het veld in…

Met een afdruk van de luchtfoto’s is het veld in gegaan om het te karteren gebied in

werkelijkheid te kunnen zien. Hierbij is een indeling gemaakt van de foto in de

volgende vegetatieklassen: gras, loofbos, naaldbos, hoogstruweel en laagstruweel.

Ook zijn de klassen zand en water onderscheiden. Het belangrijkste was om de vraag

te beantwoorden of het mogelijk is om zonder computer en alleen op basis van de foto

het gebied te kunnen classificeren. Over het algemeen is gebleken dat uit de

luchtfoto’s duidelijk is af te leiden welke vegetatiestructuur er in het veld

daadwerkelijk aanwezig is. Dit is een belangrijke conclusie omdat we daardoor in

staat zijn om ook foto’s die jaren geleden gevlogen zijn tenminste met de hand te

classificeren. Opgemerkt moet nog worden dat er in het veld rekening is gehouden

10

met het feit dat de meest recente foto uit de zomer van 2006 komt en dus niet meer

letterlijk te vergelijken is met de werkelijkheid zoals die half mei 2008 in het veld is

aangetroffen.

Het belangrijkste probleem van de successie wordt in dit gebied van de duinen

gevormd door de uitbreiding van Amerikaanse vogelkers. Dit is een zeer snel

groeiende struik die zowel de plaats inneemt van bestaand duingrasland als van

bestaand laagstruweel. Over het algemeen bestaat laagstruweel uit duindoorn, wat

meestal niet hoger wordt dan 1 à 2 meter. Omdat de Amerikaanse vogelkers al binnen

enkele jaren hier bovenuit groeit, zijn de gebieden waar deze groeit meestal

geclassificeerd als hoogstruweel. Gebieden die in het veld als loofbos geclassificeerd

zijn, bestaan bijvoorbeeld uit berk, eik of els. Amerikaanse vogelkers kan zo groot

worden dat er in hoogte geen verschil meer is met loofbomen.

De foto’s in de computer…

Voordat de foto’s die zijn aangeleverd door Waternet gebruikt kunnen worden in

Definiens Developer, zijn deze met behulp van het programma ERDAS aan elkaar

geplakt zodat het onderzoeksgebied is samengebracht in één bestand. Vervolgens is er

een uitsnede gemaakt met ERDAS, zodat alleen het onderzoeksgebied door Definiens

Developer geanalyseerd hoeft te worden, wat rekentijd scheelt. In Definiens

Developer is de afbeelding vervolgens gesegmenteerd (figuur 5). Dit betekent dat het

programma de eigenschappen van elke pixel gaat vergelijken met de omliggende

pixels of segmenten. Op basis van een aantal parameters bepaalt het programma of

deze pixels zodanig overeen komen dat ze samen in een segment worden geplaatst.

De gebruikte parameters voor deze segmentatie zijn aanvankelijk bepaald op basis

van literatuur over eerder onderzoek en op basis van het testen van kleine

veranderingen hierin. Vervolgens zijn hieruit de instellingen gekozen waaruit de beste

classificatie volgde. Een belangrijke beperking voor de segmentatie is de tijd die het

de computer kost. Een segmentatie duurt soms meer dan een uur, en hoe langer het

duurt, des de groter de bestanden zijn die dit oplevert. Het gevolg is dat ook de

classificatie daardoor weer meer tijd kost.

De classificatie…

De volgende stap is om de segmenten van de kaart te laten classificeren. Hierin

worden twee manieren onderscheiden: “supervised” en “unsupervised classification”.

Bij “supervised classification” worden eerst de klassen waarin de foto moet worden

ingedeeld vastgesteld. Vervolgens worden er van elke klasse een aantal

11

voorbeeldsegmenten (trainingssamples) aangewezen. Hierna deelt het programma alle

segmenten in aan de hand van de eigenschappen (features) per klasse die zijn afgeleid

uit de eigenschappen van de voorbeeldsegmenten.

Bij “unsupervised classification” deelt het programma de pixels bij elkaar in die

vergelijkbare eigenschappen hebben. In feite heeft dit grote overeenkomsten met de

“segmentation”. Door de toenemende mogelijkheden (snelheden) van

computerhardware worden de resultaten van “unsupervised classification” steeds

beter. Dit is ook goed bruikbaar als er weinig kennis is over het gebied. Bovendien is

er relatief weinig GIS kennis voor nodig.

Op basis van de beschreven verschillen in de methodes voor classificatie, is er

gekozen om te werken met “supervised classification”. Dit betekent dat er in

Definiens Developer per klasse een aantal segmenten wordt ingedeeld. Deze

voorbeeldgebieden (trainingssamples) kunnen samen worden opgeslagen als TTA

(Test and Training) mask. Vervolgens worden de eigenschappen geselecteerd waarop

het programma de voorbeeldgebieden moet vergelijken met de nog te classificeren

gebieden. Dit zijn bijvoorbeeld spectrale waardes zoals gemiddelde en

standaarddeviatie. Hier volgt later meer over. De classificatie gebeurt uiteindelijk

volgens de nearest neighbor methode.

Figuur 5, Een deel van de luchtfoto van 2001, ingedeeld in segmenten

Beoordeling van de classificatie

Nadat de indeling is gemaakt, kan deze worden beoordeeld. Hiervoor worden er

opnieuw handmatig bij elke klasse een aantal segmenten ingedeeld. Door deze

12

indeling te vergelijken met de resultaten van de “supervised classification” met

behulp van een accuracy assessment kan de nauwkeurigheid beoordeeld worden van

het resultaat van de “supervised classification”.

In eerste instantie bestond de indeling uit de klassen water, zand, gras, struweel,

naaldbos en loofbos. Omdat hiermee de ontwikkeling in struweel minder nauwkeurig

bij te houden is en omdat de accuracy zeer hoog was, is het aantal klassen uitgebreid

door struweel onder te verdelen in hoog- en laagstruweel. Bij het aanwijzen van

segmenten voor deze klassen wordt meteen duidelijk dat het uit de foto’s moeilijk is

om het verschil tussen hoog- en laagstruweel te zien. De veldwaarnemingen zijn

hierbij zeer belangrijk, met name voor de twijfelgevallen. Dit zijn bijvoorbeeld

gebieden waarin het niet duidelijk is welk soort vegetatietype er op te foto te zien is of

segmenten die eigenlijk meerdere vegetatietypen bevatten.

Accuracy Assessment

Een standaard functie in Definiens Developer is het laten uitvoeren van een accuracy

assessment. Er wordt hiervoor een mask gemaakt dat de testsamples bevat. Van deze

segmenten wordt net als bij een trainingsmask aangegeven in welke klasse ze horen te

vallen. Door vergelijking van de klasse volgens de testmask en de classificatie wordt

duidelijk welk percentage van de testmasks correct is geclassificeerd. Het laden van

de masks in Definiens Developer kost de computer erg veel tijd, waardoor het ook

veel tijd kost om een grote hoeveelheid classificaties uit te voeren zoals die in bijlage

1 te vinden is. Behalve de accuracy geeft een accuracy assessment ook nog de KIA

(Kappa index of agreement). Deze waarde is een schatting van de betrouwbaarheid

van de accuracy. Een hoge KIA (de KIA loopt van 0 tot 1) en een hoge accuracy geeft

dus de beste classificatie weer. Bij veel samples in de testmask zal de KIA toenemen.

Er is ook geprobeerd om de samples in de testmask goed te verdelen over de

verschillende klassen. Meestal zijn bij een foto meerdere masks gemaakt, om de

invloed van de samplekeuze in te kunnen schatten. Het aantal segmenten dat als zand

geclassificeerd kan worden, is slechts klein. Het gevolg is dat de zandsamples voor

ieder mask ongeveer hetzelfde zijn. Hierdoor zullen de masks nooit helemaal

verschillend zijn van elkaar.

De oppervlakte per klasse

Om van de geclassificeerde foto een kaart te maken waarvan de oppervlaktes te

berekenen –en dus te vergelijken- zouden zijn, is de classificatie met de hoogste

“accuracy” uiteindelijk geëxporteerd als raster file uit Definiens Developer. In

13

ArcCatalog is er opnieuw een georeferentie toegevoegd en in ArcMap is het

rastertype geconverteerd naar features. Door een gebied te kiezen dat begrensd wordt

door infiltratiegeulen is het gemakkelijk om ArcMap te gebruiken om daarna

oppervlakte per vegetatiestructuur te bepalen. Bij het vergelijken van de oppervlaktes

per vegetatiestructuur lijken de verschillen al erg groot, en uiteindelijk blijkt ook het

totaal van de oppervlakte in 2001 en in 2006 niet overeen te komen. Omdat er nogal

wat bewerkingen zijn uitgevoerd om tot een kaart in ArcMap te komen, is het

moeilijk om de plek aan te wijzen waar het fout is gegaan. Om hier niet al te veel tijd

mee te verliezen is besloten niet meer met ArcMap de oppervlaktes uit te rekenen

maar met Definiens Developer. De oppervlaktes van 2001 en 2006 per

vegetatiestructuur kunnen vervolgens vergeleken worden om inzicht te krijgen in de

verstruweling van het gebied. Een nadeel van het werken met Definiens Developer in

plaats van ArcMap is dat de gemaakte kaarten minder eenvoudig bewerkt kunnen

worden.

Parameters

Door afhankelijk van de uitslag van een accuracy assessment steeds de waarde van de

parameters te veranderen, kan de accuracy van de indeling steeds hoger worden. Er is

geprobeerd een zo systematisch mogelijk systeem te hanteren waarbij vrijwel alle

parameters meerdere keren zijn veranderd. In de segmentatie is alleen de “scale

parameter” veranderd. Van “shape” en “compactness” is ondervonden dat deze zoals

eerder onderzoek ook heeft aangetoond standaard zeer goed bruikbare waardes

hebben.

Tijdens het onderzoek is gebleken dat de grootte van de pixels van de opnamen van

2001 en 2006 niet overeenkwamen. Hierna is de celgrootte gelijkgesteld aan de

grootste van de twee (2006) met een waarde van 50x50cm per cel (pixel).

Een luchtopname bestaat uit een bestand van spectrale eigenschappen per pixel. Deze

spectrale eigenschappen bestaan uit de waarde van elke pixel voor een specifieke

golflengte. Behalve de zichtbare golflengtes die horen bij rood, groen, en blauw licht,

wordt ook de golflengte van nabij-infrarood (NIR) geregistreerd. Omdat de variatie in

energie in NIR in de vegetatie zo groot is, wordt deze vaak gebruikt om vegetatie te

onderscheiden. Omdat de waardes van een luchtopname altijd maar in drie kleuren

weergegeven kunnen worden op een foto (de kleuren op het scherm zijn ook

opgebouwd uit rood, groen en blauw) bevat het gebruikte bestand van de luchtopname

14

maar drie “banden”: een voor het groene licht, een voor het rode licht en een voor het

NIR.

Zoals gezegd dient er bij de classificatie aangegeven te worden aan de hand van welke

eigenschappen van de voorbeeldsegmenten er geclassificeerd moet worden. Hier is

een enorme hoeveelheid keuzes mogelijk, welke het belangrijkste verschil vormen

voor de accuracy van de verschillende indelingen. Voor dit onderzoek was het

onmogelijk om heel veel verschillende eigenschappen te gebruiken. Er is daarom

gebruik gemaakt van wat hierover al bekend was uit eerdere onderzoeken. Uit de

geraadpleegde literatuur is gebleken dat de gemiddelde waarde van elke laag een

goede parameter is. Daarnaast is de NDVI gebruikt. NDVI staat voor “Normalized

Difference Vegetation Index” en geeft een waarde voor de fotosynthetische

eigenschap van een gebied waarmee dus iets gezegd kan worden over de vegetatie. De

NDVI kijkt niet naar nieuwe eigenschappen maar naar de verhouding van de waarde

van het gemiddelde in laag 1 en 2 (NIR en rood) van de luchtopname met de formule

2layer mean 2layer mean

1layer mean -1layer mean NDVI+

= .

Voor verbetering van de automatische classificatie van luchtfoto’s is het zoeken naar

onderscheidende parameters zeer belangrijk. Dit kunnen, zoals eerder genoemd,

bijvoorbeeld spectrale waardes zijn zoals gemiddelde van een bepaalde band of de

standaard deviatie. Dit onderzoek is helaas te klein om daar een methode voor te

ontwikkelen. Definiens Developer biedt hier een aantal hulpmiddelen bij, die in dit

onderzoek slechts oppervlakkig verkend zijn. Een van de hulpmiddelen die Definiens

Developer biedt is de “Feature Space Optimization”. Deze methode is niet voldoende

onderzocht om hier conclusies uit te trekken, maar ziet er in dit stadium veelbelovend

uit. Zoals met meer mogelijkheden die de computer kan bieden, zou bij verder

onderzoek wel goed bekeken moeten worden wat de software precies doet om het

antwoord op de juiste manier te kunnen interpreteren.

Een belangrijke component die de waarde van de accuracy sterk beïnvloed is de

voorbeeld- en toetssegmenten die gekozen worden om de accuracy te bepalen. Met de

hand worden er aan elke klasse een aantal samples toegewezen. Dit is helaas geen

exacte wetenschap, en daarom is er met vele verschillende TTA masks gewerkt. Over

het algemeen wordt aangenomen dat de fouten hierdoor redelijk binnen aanvaardbare

15

grenzen blijven maar hier wordt in de discussie nog op terug gekomen.

Overeenkomsten tussen de masks zijn niet uit te sluiten

In het begin is soms onterecht gebruik gemaakt van dezelfde segmenten in trainings-

en test masks. Omdat hiermee de accuracy onterecht hoger wordt (segmenten die als

trainingsobject zijn gebruikt zullen immers sowieso goed worden geclassificeerd), is

dit later vermeden. Door de opzet van Definiens Developer is het echter mogelijk dat

er toch een enkele keer een segment zowel in de trainings- als in de testmask zit.

Automatiseren van de werkwijze

Vooraf was het de vraag of een kartering van het gebied volgens een

geautomatiseerde methode mogelijk zou zijn waardoor de classificatie objectiever zou

worden. Dit is echter in het stadium waarin het onderzoek nu nog zit niet van belang.

Het classificeren met Definiens Developer vraagt nu soms nog teveel handelingen om

dit te kunnen automatiseren. Bovendien zijn er in deze handelingen ook nog teveel

dingen die fout kunnen gaan waardoor de classificatie minder betrouwbaar wordt.

Nummering van de resultaten

De resultaten zijn allemaal in de bijlage te vinden. Van elke classificatie is de

accuracy en de KIA vastgelegd. Van de laatste tien classificaties zijn bovendien ook

de afbeeldingen met excel opgeslagen. Voor de nummering van de classificaties van

2001 is begonnen bij 1, de nummering van de classificaties van 2006 beginnen bij

101. In de tweede fase van het onderzoek zijn de classificaties begonnen bij nummer

201. De bijbehorende afbeeldingen zijn te vinden met hetzelfde nummer.

16

Resultaten

Inleiding

Gedurende het onderzoek zijn vele resultaten verkregen. De meeste van deze

resultaten zijn gebruikt om de verschillende parameters te kunnen beoordelen en te

veranderen om zo de methode te verbeteren. In de bijlage zijn alle resultaten terug te

vinden. Van de classificaties zijn niet in alle gevallen de kaarten gedocumenteerd

omdat de classificatie in het begin vooral gericht was op het verhogen van de

accuracy. De methodes met de hoogste waardes voor de accuracy zijn vervolgens

herhaald. Hier zijn wel kaarten van. Omdat de geclassificeerde foto’s niet allemaal

zijn uitgevoerd als gis-bestand zijn deze “kaarten” alleen een afbeelding, dus zonder

geografische informatie. Van het jaar 2006 is de beste classificatie wel naar een

ArcGIS bestand omgezet.

TTAmasks

In de bijlage is een overzicht te vinden van alle TTAmasks die gebruikt zijn. Hierbij is

aangegeven voor welke toepassing ze ontworpen zijn. De accuracy kan zowel op

basis van een mask als op basis van een aantal voorbeelden uitgerekend worden. Als

alle voorbeelden gewist worden en de mask vervolgens wordt omgezet in voorbeelden

(create samples from mask) dan geeft dit een andere accuracy, terwijl de samples en

de mask identiek zijn. Hier is geen verklaring voor gevonden. De accuracy is altijd

groter als de classificatie met behulp van de mask wordt beoordeeld. Bij het bepalen

welke mask de hoogste accuracy heeft is alleen naar de mask gekeken.

Accuracy resultaten

De accuracy resultaten voor alle classificaties die gedaan zijn, zijn te vinden in de

bijlage. Er is gevarieerd met verschillende parameters. De segmentation parameter is

gevarieerd van 10 tot 200. Als de grootte van de segmenten al niet voldeed aan de

eisen is er ook geen verdere classificatie uitgevoerd. Als de segmentatie teveel tijd

kostte is deze niet afgemaakt. Bij de resultaten zijn daarom alleen de accuracy

waardes te vinden van parameterwaarde 80, 100 en 120. Omdat de accuracy bij

waarde 100 het grootste was is, is bij de gemaakte kaarten een segmentatieparameter

van 100 gebruikt. Toch wordt bij het bekijken van de segmenten soms duidelijk dat

dit een bron van fouten kan zijn. Een groot aantal segmenten bestaat uit meerdere

soorten vegetatie, bijvoorbeeld een lage struik in een verder vergraste vegetatie

17

(figuur 6). Een uitgebreid onderzoek naar de optimalisatie van de segmentatiemethode

zou nodig zijn om dit soort fouten uit te kunnen sluiten.

Omdat voor het trainen en testen altijd een mask is gebruikt dat is gemaakt bij een

bepaalde segmentatie is het veranderen van de overlap (dit wordt gevraagd bij het

laden van een mask) zonder resultaten.

Figuur 6, een segment dat meerdere structuurstypes bevat Omdat in het begin niet duidelijk was dat de pixelgrootte tussen de twee jaartallen

verschilde, was deze bij de eerste resultaten niet gelijk. Tijdens het onderzoek is de

celgrootte alsnog gelijk gesteld met Definiens Developer (File > Modify Project), en

alleen deze celgrootte van 50x50cm is gebruikt om de afbeeldingen te maken.

Bovenstaande parameters hebben voornamelijk betrekking op de segmentatie. Als de

segmenten eenmaal gedefinieerd zijn dan hebben de features de grootste invloed op

de classificatie. Zoals te zien is, is een aantal features elke keer toegepast. Dit zijn

Brightness, Mean (van alle drie de banden) en Max Diff. In de bijlage is bij elk

resultaat aangegeven welke features er bij de classificatie gebruikt zijn.

Van de accuracy in 2001 is de waarde voor de nauwkeurigheid bij

classificatienummer 7 het grootste, met 0.861. Dit is een herhaling van classificatie 6

(accuracy 0.846) met precies dezelfde omstandigheden, waardoor dus eigenlijk

verwacht mag worden dat de accuracy ook hetzelfde zou zijn. Waarom dit niet zo is,

is niet duidelijk. Bij classificatie 7 is bij de indeling naast de standaardfeatures

gebruik gemaakt van de NDVI. Bij classificatie 4 is dit niet het geval, maar toch zijn

18

de resultaten hetzelfde, zelfs voor de KIA. Het gebruik van NDVI verhoogt hier de

nauwkeurigheid dus niet. Van de foto uit 2006 is de nauwkeurigheid bij

classificatienummer 104 het hoogste met 0.764 Hierbij zijn alleen de

standaardfeatures gebruikt. De verschillen in accuracy tussen een herhaling met

dezelfde randvoorwaardes lijken groter dan de verschillen tussen het wel of niet

gebruiken van de NDVI.

De beste eigenschappen (features) waarop een vegetatiestructuur te onderscheiden is,

is per gebied, per segmentatie en per mask weer anders. Het is daarom niet mogelijk

om eigenschappen aan te wijzen die ook altijd buiten het onderzoeksgebied te

gebruiken zijn.

Bovenstaande classificaties zijn in de eerste fase van het onderzoek uitgevoerd. In de

tweede fase is opnieuw een classificatie uitgevoerd, waarbij de nadruk niet meer lag

op het verbeteren van de werkwijze maar juist op de resultaten. In deze fase speelt

ook het uitrekenen van de oppervlakte per vegetatiestructuur een belangrijke rol,

omdat hiermee antwoord kan worden gegeven op de onderzoeksvragen

- Hoe is de verstruweling te kwantificeren in de AWD tussen 2001 en 2006

- Hoe ziet het vegetatiepatroon er uit in het Middenveld en het Renbaanveld in

de AWD in de zomer van 2006

Bij het beantwoorden van deze vragen is dus gebruik gemaakt van een methode

waarvan bekend was dat deze nog verbeterd kon worden.

Veranderingen in het oppervlak per vegetatie-structuurtype

In het gebied dat is onderzocht is volgens de beheerder de successie van de vegetatie

een groot probleem. Dit is ook de reden dat er gewerkt wordt aan nieuwe

beheersmaatregelen. Voorbeelden van successie zijn de overgang van zandbedekking

naar duingrasland (figuur 7) , van duingrasland naar struweel en van struweel naar

bos. Bij het analyseren van de ontwikkeling van bijvoorbeeld struweel moet echter

wel in de gaten worden gehouden dat de totale hoeveelheid struweel niet hoeft te

veranderen. Er kan eenzelfde hoeveelheid struweel verdwijnen door een overgang

19

Figuur 7, Een voorbeeld van successie; gras neemt de plaats in van zand

naar bos als er bijkomt door de ontwikkeling van duingrasland naar struweel. Een

echte toename zou daardoor vooral te zien zijn in het begin en het eind van de

successiereeks: bij kaal zand en bij (loof)bos. Door de kleine hoeveelheid zand vormt

ook de hoeveelheid duingrasland een redelijke indicatie. Er kan immers maar weinig

zand overgaan in duingrasland, dus als de hoeveelheid duingrasland is afgenomen zou

dit een toename van de hoeveelheid (laag)struweel tot gevolg kunnen hebben.

De eerste fase waarin struweel nog niet is onderverdeeld in hoog- en laagstruweel gaf

wel een hoge accuracy, maar weinig informatie over de successie. De oppervlakte per

klasse van deze indeling is daarom niet bepaald.

Omdat het in Definiens alleen mogelijk is om met vierkante beelden te werken, is de

uitsnede van het onderzoeksgebied in ERDAS gemaakt. Alles wat buiten de polygoon

valt, is afgebeeld als zwart. Bij de classificatie met Definiens Developer wordt dit

gebied meestal ingedeeld als “Unclassified”. Een enkele keer is echter het verschil

tussen water en helemaal zwart kennelijk niet duidelijk en is het gebied dat buiten de

polygoon valt als water geclassificeerd. Dit is geen probleem omdat de hoeveelheid

water niet belangrijk is voor dit onderzoek. Voor de percentages per

vegetatiestructuurtype (tabel 1 en 2) is het vierkant waarin het polygoon van het

onderzoeksgebied ligt als 100% genomen. Daardoor zijn de percentages per

vegetatieklasse van verschillende classificaties vergelijkbaar, ook als het gebied

buiten de polygoon als water wordt geclassificeerd.

Bij het gebruiken van ERDAS om een polygoon van het onderzoeksgebied uit te

knippen, treedt er een verandering van de kleuren op. Deze verandering zit niet in

beide foto’s, waardoor het moeilijker is de foto’s met elkaar te vergelijken. Omdat de

20

classificatie op basis van trainingssamples wordt uitgevoerd, wordt verwacht dat dit

geen invloed heeft op de classificatie.

Van 2001 en 2006 zijn meerdere classificaties uitgevoerd waarvan de accuracy

berekend is. Bij deze classificaties zijn de features en de TTAmasks veranderd (zie

bijlage 1). Van de classificaties met de hoogste accuray in combinatie met de hoogste

KIA benaderen de berekende oppervlaktes het beste de werkelijke situatie.

In 2001 is dit classificatie 203, met een accuracy van 0.771 (berekend met mask). Van

2006 is dit classificatie 204 met een accuracy van 0.857. De resultaten hiervan zijn

ook opgenomen in onderstaande tabel.

Vegetatietype Percentage in 2001 Percentage in 2006

(water) 36.81% 3.84%

(zand) 1.24% 0.78%

(gras) 15.01% 12.05%

laagstruweel 21.19% 18.70%

hoogstruweel 9.89% 16.58%

loofbos 10.09% 9.14%

naaldbos 5.76% 6.48%

unclassified 32.44%

Totaal 100.00% 100.00%

Tabel 1, percentage oppervlakte per vegetatieklasse van classificatie 203 en 204

Hierin is te zien dat het percentage zand en gras in verhouding het meeste is

afgenomen. De percentages laagstruweel en loofbos zijn ook afgenomen, maar in

mindere mate. Een zeer aanzienlijke toename, van 9,89% naar 16,58%, is te vinden in

het hoogstruweel. De hoeveelheid naaldbos is slechts licht toegenomen. De afname

van de hoeveelheid loofbos van 10,09% naar 9,14% kan niet verklaard worden door

natuurlijke processen in het gebied en er heeft ook geen menselijk ingrijpen

plaatsgevonden. De afname is kleiner dan één procent en zou ook een gevolg kunnen

zijn van de classificatiemethode.

Om de invloed in te kunnen schatten die het gevolg is van de gebruikte classificatie

methode, is er van elk jaar nog een classificatie uitgevoerd met andere test- en

trainingsmasks. Dit zijn classificatie 205 en 206, waarvan de accuracy respectievelijk

op 0.772 en 0.851 liggen. De resultaten hiervan zijn opgenomen in onderstaande

tabel.

21

Vegetatietype Percentage in 2001 Percentage in 2006

(water) 36.21% 3.89%

(zand) 1.52% 1.31%

(gras) 12.46% 11.12%

laagstruweel 17.49% 21.00%

hoogstruweel 12.62% 14.32%

loofbos 16.14% 12.16%

naaldbos 3.56% 3.75%

unclassified 0.00% 32.44%

Totaal 100.00% 100.00%

Tabel 2, percentage oppervlakte per vegetatieklasse bij classificatie 205 en 206

Hierin is ook te zien dat het percentage zand en gras afneemt, hoewel het minder is

dan bij de vergelijking in tabel 1. Het percentage laagstruweel neemt juist toe, en de

toename in het percentage hoogstruweel is veel minder. Het percentage loofbos neemt

hier nog meer af dan in tabel 1. Naaldbos laat een lichte stijging zien.

Behalve een vergelijking van twee verschillende jaren, kunnen we nu ook twee

dezelfde jaren vergelijken. De verschillen hiertussen zijn zeker het gevolg van

verschillen in de classificatiemethode omdat ze op basis van dezelfde foto gemaakt

zijn.

In 2001 is het percentage water ongeveer gelijk gebleven. De hoeveelheid zand is bij

205 relatief groter dan bij 203, maar met het kleine oppervlak zand gebeurt dat al bij

een kleine absolute toename. Het verschil in percentage gras is ruim 2,5 procent, wat

erg hoog is ten opzichte van de verandering van 2001 naar 2006. Laagstruweel laat

een verschil van 3,2% zien, wat zelfs meer is dan de afname van 2001 naar 2006. Bij

hoogstruweel is de verandering binnen 2001 minder extreem, maar zowel loof- als

naaldbos laat een verandering binnen 2001 zien die groter is dan de veranderingen

van 2001 naar 2006. Met name loofbos valt op doordat de eerste classificatie (tabel 1)

een percentage van 10.09 laat zien en de tweede classificatie van dezelfde foto (tabel

2) een percentage van 16,14.

De accuracy van beide classificaties (204 en 206) van 2006 zijn hoger, dus er mag

verwacht worden dat hier de verschillen binnen hetzelfde jaar kleiner zijn. Zand blijkt

echter met 0,78% en 1,31% juist verder uit elkaar te liggen dan in 2001. Het verschil

bij gras is minder dan 1%, wat niet zoveel is op de totale (ongeveer) 12%.

22

Hoogstruweel, loofbos en naaldbos laten weer grote verschillen zien. Van de laatste

drie springt naaldbos er duidelijk uit met een verschil van 2,73% tussen 204 en 206.

Vanwege het kleine aantal classificaties, zijn deze cijfers nog niet het bewijs voor

enorme structurele verschillen als gevolg van de gebruikte masks. Als er nog meer

classificaties van hetzelfde jaar bekend zijn, dan zou er echter wellicht geconcludeerd

kunnen worden dat de standaarddeviatie tussen verschillende classificaties van

hetzelfde jaar groter is dan de verschillen die hier tussen de jaren 2001 en 2006 te

vinden zijn. Dat het toch, als je de luchtfoto bekijkt, lijkt dat de vegetatie in het

onderzoeksgebied aan successie onderhevig is, geeft aan dat de classificatiemethode

zoals die hier gebruikt is nog niet van voldoende kwaliteit is. Hier wordt in de

discussie nog op terug gekomen.

Veranderingen in het aantal segmenten per vegetatie-structuurtype

Naast de hoeveelheid vierkante meters is ook het aantal segmenten per vegetatietype

hier opgenomen. De foto’s die hiervoor gebruikt zijn hadden dezelfde eigenschappen

(onder andere pixelgrootte) maar het is niet bekend of er bewerkingen aan gedaan zijn

die van invloed kunnen zijn op de segmentatie. Doordat de segmentatieparameters

hetzelfde zijn gebleven representeert het totale aantal segmenten de grilligheid van de

vegetatie voor zover die in de luchtfoto’s wordt gerepresenteerd. De foto van 2001 is

in 3245 segmenten opgedeeld, terwijl de foto van 2006 in 2075 segmenten is

opgedeeld. Deze afname met ruim 36% is een indicatie voor het feit dat de vegetatie

in 2006 homogener van karakter is geworden.

Vegetatietype 2001 2006

Water 3.45% 5.59%

Zand 4.28% 6.84%

Gras 13.50% 14.02%

Laag struweel 18.34% 26.12%

Hoog struweel 25.27% 17.16%

Loofbos 28.69% 20.24%

Naaldbos 6.47% 8.82%

Unclassified 0.00% 1.20%

Totaal 100.00% 100.00%

Tabel 3, percentage segmenten per vegetatieklasse bij classificatie 205 en 206

23

In tabel 3 staat het percentage segmenten per vegetatiestructuur-klasse weergegeven

voor classificatie 205 en 206. De belangrijkste verschillen zijn de toename in

segmenten bij laagstruweel en de afname bij hoogstruweel en loofbos. De verandering

bij laagstruweel en loofbos komt ook terug in tabel 1 en 2 als verandering in

oppervlak. De afname van het aantal segmenten hoogstruweel in combinatie met een

toename in het oppervlak kan aangeven dat de gebieden hoogstruweel aaneen

gegroeid zijn.

Van classificatie 203 en 204 zijn de aantallen segmenten per klasse niet bekend.

Beschrijving van de gemaakte kaarten

Van de complete lijst resultaten, welke in bijlage 1 te vinden is, bestaat van elk

resultaat ook een afbeelding (bijlage 4) waarin op de luchtfoto de klassen zijn

aangegeven. In het begin van het onderzoek zijn deze afbeeldingen niet opgeslagen

omdat in dat stadium alleen het verbeteren van de methode van belang was en dat is

op basis van de accuracy gebeurd. In de tweede fase van het onderzoek, waarbij

nogmaals een aantal classificaties is uitgevoerd, zijn de afbeeldingen wel gebruikt om

de classificatie te beoordelen. De twee resultaten van classificatie 203 en 204

(respectievelijk 2001 en 2006) zijn hieronder weergegeven. In de bijlage is de

afbeelding groter weergegeven, de cijfers van de oppervlaktes zijn in tabel 1

weergegeven. Tabel 4 is een legenda voor de figuren van de classificatie.

Figuur 8, afbeelding van classificatie 203 (links) en 204 (rechts)

24

Vegetatiestructuur-type Kleur

Zand Geel

Gras Lichtgroen

Laagstruweel Roze

Hoogstruweel Paars

Loofbos Donkergroen

Naaldbos Bruin

Water Blauw

Unclassified Zwart

Tabel 4, legenda van de classificatie-afbeeldinen (figuur 1 en 2) Op de afbeelding van 2001 is rechtsboven (noordoost) weinig verschil met 2006.

Rondom het meertje zijn de grootste verschillen tussen de twee jaren. In 2001 is het

grootste deel geclassificeerd als loofbos, terwijl dit in 2006 als hoogstruweel is

geclassificeerd. Het laagstruweel ten oosten van het meertje in 2006 bestond in 2001

volgens deze classificatie uit hoogstruweel en bos. Vanaf het midden van de foto naar

beneden toe is een sterk wisselende vegetatiestructuur, met in 2001 laagstruweel en

duingrasland. In 2006 is met name de hoeveelheid duingrasland afgenomen en de

hoeveelheid hoogstruweel toegenomen. Het “Eendenvlak” en “Pietjes

Zwarteveld”(rechtsonder), dat in 2001 bestaat uit loof- en naaldbomen, afgewisseld

met soms hoogstruweel en gras, is in 2006 veel homogener geclassificeerd met

voornamelijk grote vlakken loof- en naaldbomen. Het oppervlak dat buiten het

onderzoeksgebied valt is in 2001 als water geclassificeerd en in 2006 als

“unclassified”.

Met de classificatie in het veld vergeleken, lijkt het noorden in 2001 op basis van de

luchtfoto te boomrijk geclassificeerd te zijn. Het zuiden laat juist in 2006 wel erg veel

naaldbomen zien. Het gevolg is dat de totale oppervlakte loofbomen iets afneemt,

terwijl de hoeveelheid in het zuiden juist is toegenomen. Als in 2001 in het noorden

de vegetatie (onterecht) als loofbomen is geclassificeerd, en dit in 2006 als

hoogstruweel is geclassificeerd dan lijkt het volgens de cijfers onterecht alsof de

hoeveelheid struweel is toegenomen. Een kaart van alleen het hoogstruweel in 2001

en 2006 is te vinden in bijlage 5. Hierop lijkt het hoogstruweel heel erg te zijn

25

uitgebreid, maar een deel van het hoogstruweel in 2006 was in 2001 gewoon als

loofbos geclassificeerd.

Omdat een tweede vergelijking tussen 2001 en 2006 de ontwikkeling duidelijk zou

kunnen maken, is deze hieronder opgenomen (afbeelding 2). Het zijn de resultaten die

het gevolg zijn van classificatie 205 en 206. De cijfers van de oppervlaktes zijn dus in

tabel 2 te vinden. Helaas zijn de afbeeldingen van 205 en 206 niet helemaal

vergelijkbaar. Bij 205 (jaar 2001) staat een klein deel in het westen niet op de kaart,

en van 206 (jaar 2006) wijken de kleuren enigszins af van de andere classificaties.

Figuur 9, afbeelding van classificatie 205 (links) en 206 (rechts)

Als eerste valt weer op dat de vegetatie in 2006 veel homogener verspreid is dan in

2001. Het laagstruweel in het noorden in 2006 bestond in 2001 volgens de

classificatie nog uit hoog- en laagstruweel. De bomen rondom het meertje in 2001 zijn

in 2006 weer als hoogstruweel geclassificeerd. In de zuidelijke helft zit het verschil

vooral in de rand van het bosgebied “Pietjes Zwarteveld”. Een aanzienlijk deel van de

segmenten die in 2006 als hoogstruweel zijn geclassificeerd, zijn in 2001 als loofbos

geclassificeerd. In 2006 is daar ook een groot deel als naaldbos geclassificeerd dat in

2001 nog als hoogstruweel of loofbos werd aangemerkt. In 2001 zijn zelfs twee

vlakken water als bos geclassificeerd, dit is op de figuur in de bijlage beter te zien.

Bij het analyseren van deze classificaties valt op dat de veranderingen in 2006 ten

opzichte van 2001 niet allemaal het gevolg kunnen zijn van natuurlijke processen, en

26

in veel gevallen is er al helemaal geen sprake van successie. Omdat er in het gebied

door de beheerder nauwelijks is ingegrepen en ook op de ruwe luchtfoto’s geen

sprake lijkt te zijn van een teruggang in vegetatie, is de verandering toe te schrijven

aan de methode waarmee geclassificeerd wordt. Daarom zou naar aanleiding van deze

resultaten een aanpassing van de methode een volgende stap moeten zijn. Vanwege de

beperkte omvang van dit onderzoek is dit niet gebeurd. In de conclusie wordt daarom

ingegaan op de resultaten tot zover, welke de basis kunnen vormen voor verder

onderzoek.

Kartering van een terreindeel dat binnenkort in begrazing wordt genomen

In bijlage 6 is een kaart van het onderzoeksgebied te vinden, welke ook digitaal als

ArcGIS bestand is toegevoegd. Deze kaart komt voor het grootste deel overeen met de

afbeelding van classificatie 204. De belangrijkste afwijking van de classificatie in het

veld betreft de hoeveelheid naaldbos. In het veld is hier minder van aangetroffen dan

deze classificatie laat zien. Verder is het gebied dat als laagstruweel is geclassificeerd

in werkelijkheid meer een afwisseling van laagstruweel en vergrast duingrasland zoals

in figuur 3 te zien was.

Figuur 10, De vegetatiekaart van het onderzoeksgebied over de luchtfoto heen

27

Conclusie

Gedurende het onderzoek zijn er veel veranderingen in de methode uitgeprobeerd om

de mogelijkheden van de software te kunnen beoordelen. Dit was een van de

belangrijkste acties om de onderzoeksvragen te kunnen beantwoorden. Terugkijkend

naar de deelvragen van dit onderzoek, kunnen de volgende deelconclusies worden

getrokken.

Voor de kartering van de verstruweling in de AWD vormen de luchtfoto’s de

belangrijkste basis. Naast de fotobestanden zelf, is inzicht in de productie van de

bestanden zeer waardevol om de foto’s op de juiste manier te kunnen bewerken en te

analyseren. In het bijzonder kennis van de manier waarop de spectrale eigenschappen

van een gebied worden opgeslagen in een fotobestand en welke bewerkingen hieraan

vooraf gaan is belangrijk omdat deze spectrale eigenschappen gebruikt worden bij het

indelen van de vegetatie in klassen. Naast de luchtfoto’s zijn veldwaarnemingen van

belang om de informatie op de foto te kunnen interpreteren en is de kennis van het

beheer in een gebied belangrijk om natuurlijke- en antropogene processen te kunnen

onderscheiden. Beter inzicht in de andere gebruikte software had in dit onderzoek

veel tijd kunnen sparen, bijvoorbeeld bij het “uitknippen” van het onderzoeksgebied

uit de luchtfoto.

Met behulp van Definiens Developer kunnen gebieden die qua spectrale

eigenschappen op elkaar lijken bij elkaar worden ingedeeld in segmenten waarna deze

in klassen kunnen worden ingedeeld. De eigenschappen op basis waarvan de

segmenten worden ingedeeld kunnen per klasse worden uitgekozen. Indien dit bestaat,

zou literatuur over een vergelijkbaar onderwerp al richting kunnen geven aan de

indelingscriteria omdat de lijst met mogelijke kenmerken waarop een gebied te

onderscheiden is erg groot is. Bovendien kunnen sommige eigenschappen elkaar

versterken dus zouden ook combinaties van eigenschappen bekeken moeten worden.

Het is ook mogelijk om door Definiens Developer de beste features en combinaties uit

te laten zoeken. Het programma gaat met de “Feature Space Optimazation” zelf

opzoek naar de eigenschappen die de klassen het beste onderscheiden, maar hiermee

worden niet de features gevonden die op alle foto’s de beste accuracy geven. Met

deze functie is dit onderzoek geen ervaring op gedaan.

28

In tegenstelling tot wat in het begin van het onderzoek werd aangenomen, is kennis

van de spectrale eigenschappen van elke klasse niet direct van belang voor de

classificatie. Vanwege de rekensnelheid is ervoor gekozen om deze eigenschappen

buiten beeld te houden, wat er voor gezorgd heeft dat er geen kennis is opgedaan over

de eigenschappen van elke klasse. Om in de toekomst de classificaties van meerdere

jaren beter vergelijkbaar te kunnen maken, kan het classificeren op basis van (de

waarde van) eigenschappen in de toekomst wellicht een belangrijke methode zijn.

Hiervoor moeten verschillende luchtopnames de werkelijkheid wel allemaal hetzelfde

weergeven. Met behulp van de spectrale eigenschappen van een vegetatieklasse kan

het ook makkelijker zijn om representatieve samples uit te kiezen waarmee de

classificatie gedaan kan worden.

Figuur 11, Duindoorn gaat achteraan over in Amerikaanse vogelkers Met behulp van Definiens Developer zijn de luchtfoto’s van 2001 en 2006

geclassificeerd. Uit de verschillen hiertussen (met name tussen de

struweeloppervlaktes) kan de verstruweling in de AWD worden gekwantificeerd. Een

voorwaarde hiervoor is wel dat de classificatie klopt, en een nadeel is dat de getallen

in dit onderzoek alleen maar over het gehele gebied gingen en niet over delen van het

gebied voorhanden zijn. Een grafische weergave in de vorm van een kaart maakt een

snelle interpretatie van de vegetatieontwikkeling mogelijk.

Uit de deelconclusies volgt ook de hoofdconclusie, welke gezien kan worden als

antwoord op de in inleiding gestelde hoofdvraag: “Op welke wijze kan de

29

verstruweling van het Middenveld in de Amsterdamse Waterleidingduinen het beste

worden gemonitord met behulp van luchtopnamen en het programma Definiens

Developer.”

Het belangrijkste antwoord dat hierop te geven is, is dat dit onderzoek te weinig tijd

geeft om hier volledig antwoord op te geven. De snelste methode om de verstruweling

te monitoren is een handmatige kartering aan de hand van luchtfoto’s van het gebied.

Definiens Developer kan hierbij gebruikt worden voor de segmentatie, en daarna

kunnen de segmenten handmatig in klassen worden ingedeeld.

Een meer algemene conclusie is dat het programma Definiens Developer vele

mogelijkheden biedt voor kartering. Door deze grote hoeveelheid mogelijkheden is er

meer onderzoek nodig om een goede methode vast te stellen maar er lijken

tegelijkertijd goede mogelijkheden te zijn om dit programma in de toekomst wel te

kunnen gebruiken voor een (geautomatiseerde) kartering, ook van grotere gebieden.

De bevindingen in dit onderzoek kunnen daarbij helpen de mogelijkheden en

beperkingen van het programma Definiens Developer verder te onderzoeken en in te

schatten.

30

Discussie

Bij een onderzoek naar een onderwerp waar vooraf nog maar weinig in de literatuur

over te vinden is, is het moeilijk om het onderzoek direct doelmatig op te zetten. Dit

heeft tot gevolg dat de efficiëntie van het onderzoek, met name in het begin, niet altijd

het gewenste niveau heeft gehad. Er is veel tijd besteed aan het leren werken met het

programma Definiens Developer, maar meer nog aan het leren gebruiken van de juiste

functies en parameters hierin.

Inhoudelijk is het ook nog niet gelukt om het programma naar alle tevredenheid in te

zetten voor het classificeren van de vegetatie. Het zou na het handmatig indelen van

de segmenten in een klasse mogelijk moeten zijn om de analyse die het programma

maakt over de features uit te lezen. Deze waardes zou je dan vervolgens kunnen

gebruiken om de classificatie te beoordelen. Bovendien zou je dan de foto van 2001

en 2006 op basis van dezelfde waardes (van de eigenschappen) kunnen classificeren.

Het is hiervoor wel noodzakelijk dat eigenschappen die in werkelijkheid gelijk zijn

ook op verschillende foto’s een gelijke waarde hebben. Dit lijkt in praktijk niet het

geval te zijn. Zowel foto’s van verschillende jaren als naast elkaar liggende foto’s van

hetzelfde jaar laten met elkaar vergeleken verschillen zien waar de werkelijkheid

vrijwel zeker hetzelfde is. Als nu het geclassificeerde gebied niet op één foto staat zou

de indeling anders kunnen zijn dan wanneer dit wel op één foto staat.

In het veld is tijdens dit onderzoek vastgesteld dat het mogelijk is om op basis van de

luchtfoto’s met de hand de vegetatie in klassen in te delen. Dit gehele onderzoek gaat

er van uit dat deze indeling helemaal goed is. Hier kunnen echter ook

interpretatiefouten in zitten. Zeker nadat de onderverdeling van struweel in hoog- en

laagstruweel is gemaakt, is de kans op interpretatiefouten groter.

Er is al een enkel experiment uitgevoerd waarbij meerdere malen een classificatie is

gedaan met dezelfde voorbeeldsegmenten. Ook de accuracy is vervolgens meerdere

malen bepaald, elke keer met hetzelfde test-mask. Door het vergelijken van meerdere

accuracy waardes wordt duidelijk dat de accuracy zelf ook niet altijd betrouwbaar is.

De KIA is ook een maat om aan te geven hoe betrouwbaar de accuracy waarde is.

Per classificatie zijn steeds twee accuracy assessments uitgevoerd. De error matrix

van het accuracy assessment is steeds berekend op basis van de TTAmask én op basis

31

van samples (die gemaakt zijn van hetzelfde TTAmask met de functie “create samples

from TTAmask”). Hoe het komt dat de error matrix die het accuracy assessment geeft

verschillend is, is niet duidelijk.

De accuracy is nu afhankelijk van twee TTAmasks. Eerst is er een classificatie

opgezet met een mask, en vervolgens wordt deze beoordeeld met een ander mask. Er

is geprobeerd om segmenten niet in beide masks in te delen, maar dit kan soms toch

per ongeluk gebeurd zijn. Na het indelen wordt de accuracy bepaald. Dit heeft tot

gevolg dat de gekozen mask twee keer van invloed is op de totale betrouwbaarheid

van de accuracy. Deze methode is hierdoor erg afhankelijk van de keuze die wordt

gemaakt door de persoon die de mask maakt. Door willekeurig (dus geautomatiseerd)

een vast aantal punten per klasse aan te wijzen zou de methode minder afhankelijk

worden van menselijke keuzes.

Bovendien zit er altijd een aantal “twijfelgevallen” bij de segmenten. Dit zijn

segmenten die eigenlijk uit meerdere vegetatiestructuren bestaan waarvan er niet een

type aangewezen kan worden als dominant. Als dit segment meerdere malen met de

hand zou moeten worden ingedeeld zou het mogelijk zijn dat er steeds een andere

keuze wordt gemaakt. Ook wanneer de classificatie dus geheel met de hand zou

gebeuren zou de accuracy niet op 100% liggen.

Verdere aanbevelingen

In dit onderzoek is veel tijd besteed aan problemen die het gevolg waren van het feit

dat er nog maar weinig onderzoek is gedaan (of gepubliceerd) aan kartering met

behulp van Definiens Developer. Na dit onderzoek kunnen uit de problemen en

oplossingen die zijn ondervonden aanbevelingen worden gedaan voor

vervolg(deel)onderzoek, waardoor volgende onderzoeken sneller of beter resultaat

kunnen krijgen.

- De luchtfoto’s van hetzelfde jaar en van verschillende jaren waren nu niet

altijd vergelijkbaar. Als er luchtfoto’s gebruikt zouden worden die wel

vergelijkbaar zijn, kan uitgesloten worden dat dit een bron van fouten is. Het

is wel belangrijk dat de bewerkingen die gedaan zijn om de foto’s

vergelijkbaar te maken, geen invloed hebben op de eigenschappen van de

foto’s.

32

- Vanwege de grootte van de bestanden die gebruikt worden, is de rekentijd

voor de computer vaak erg lang. Een snellere computer, of een

computercluster, zal de rekentijd kunnen verkleinen. Bovendien zou het

daardoor mogelijk zijn om te werken met kleinere segmenten, waardoor de

classificatie nauwkeuriger zou kunnen worden. Het kiezen voor een hogere

segmentatieparameter om een acceptabele rekentijd te verkrijgen, is in dit

onderzoek gedeeltelijk ten koste gegaan van de precisie van de segmentatie.

- Het is gebleken dat de oppervlakte per klasse sterk afhangt van de

nauwkeurigheid van de classificatie. Het zou goed zijn om onderscheid te

kunnen maken in oppervlaktevariatie als gevolg van de nauwkeurigheid van

de classificatie en als gevolg van veranderingen in de luchtfoto’s (en dus

werkelijkheid). Wellicht is er een relatief eenvoudige statistische toets te

vinden die het mogelijk maakt classificaties met elkaar te vergelijken

waardoor kan worden vastgesteld of de werkelijkheid significant is veranderd.

- De segmentatie moet nog verbeterd worden, zodat er slechts één vegetatietype

in elk segment zit.

- De werking van “Feature space optimazation” zou verder onderzocht kunnen

worden, zodat deze gebruikt kan worden voor het vinden van de juiste

features. Het is wel belangrijk om ook de werking te begrijpen als deze functie

gebruikt gaat worden zodat de resultaten correct geïnterpreteerd worden.

- Bij onderzoek naar onderscheidende features van een vegetatiestructuur is het

vooral waardevol als deze features algemeen gelden en niet alleen voor het

onderzochte gebied. Dan kunnen de uitkomsten van zo een onderzoek ook

gebruikt worden om luchtopnames van verschillende tijdstippen en plaatsen te

vergelijken.

- Het uitzoeken en aanwijzen van trainings en testsamples gebeurt nu met de

hand. Als het mogelijk is om een manier te ontwikkelen/gebruiken om de

segmenten die in een mask worden gebruikt willekeurig te kiezen, kan de

betrouwbaarheid van de accuracy toenemen.

33

Literatuur

Boeken

Gemeentewaterleidingen Amsterdam, 2001, Struinen in de toekomst (beheersvisie

voor de Amsterdamse Waterleidingduinen 2001-2010), Geelen, L. (red.),

Stadsdrukkerij Amsterdam

Haaf, M.ten, Classificeren van duinvegetatie m.b.v. Ecognition, Universiteit Utrecht

Koeman, S., 2005 Classificatie van digitale infrarood luchtfoto’s van door PWN

beheerde duingebieden met de extensie DICRANUM, Universiteit Utrecht

Nol, L., 2003 Classificatie van open zand tussen Bergen en Egmond d.m.v. luchtfoto’s

uit verschillende jaren, Universiteit van Amsterdam,

Internet

Widayati, A., Verbist, B., Meijerink, A., Application of combined pixel-bases and spatial-based approaches for improved mixed vegetation classification using ikonos, http://www.itc.nl/library/Papers/MEIJERINK.application.ACRS.2002.pdf University of South Carolina, Remote sensing core curriculum http://www.cas.sc.edu/geog/rslab/rscc/mod8/exercises/CROSSCLASS.HTM

34

35

Inhoudsopgave bijlagen Bijlage 1

Uitgevoerde classificaties b-1

Bijlage 2

Gebruikte masks b-2

Bijlage 3

Vegetatieoppervlaktes b-3

Bijlage 4

Afbeelding classificaties 201 t/m 210 b-4

Bijlage 5

Afbeelding hoogstruweel 2001-2006 b-11

Bijlage 6

Vegetatiekaart 2006 b-12