Remote Sensing en GIS

Tijdens mijn studie fysische geografie ben ik in aanraking gekomen met GIS. Vanaf dat moment wist ik dat ik verder wilde in de GIS. Uiteindelijk ben ik dan ook afgestudeerd als fysische geograaf met specialisatie GIS.

Een belangrijk onderdeel van GIS is volgens mij remote sensing. Hieronder een stuk van mijn afstudeeronderzoek (2002) wat ingaat op GIS en remote sensing (herschreven voor publicatie hier). Het afstudeeronderzoek heb ik samen met Ronald van den Brink uitgevoerd.

Inleiding

Remote sensing is een techniek om het aardoppervlak of de atmosfeer te observeren vanuit de ruimte (door middel van satellieten) of vanuit vliegtuigen. Remote sensing wordt ook wel ‘aardobservatie’ of ‘teledetectie’ genoemd. Remote sensing gebruikt een deel of meerdere delen van het elektromagnetische spectrum. Uitgezonden en gereflecteerde elektromagnetische straling van objecten aan het aardoppervlak wordt door een sensor opgenomen. Remote sensing technieken maken het mogelijk om een object te onderzoeken zonder in contact met het object te komen. Bovendien kunnen relatief grote delen van het aardoppervlak bestudeerd worden. Dit is een groot voordeel ten opzichte van laboratoriumonderzoek en veldwaarnemingen.

Digitale opnamen kunnen gebruikt worden om verschillende objecten aan het aardoppervlak spectraal van elkaar te onderscheiden, en in te delen in klassen. De spectrale informatie wordt gebruikt om bos, akkers, water, bebouwing etc. van elkaar te onderscheiden.

Echter de nauwkeurigheid van de classificatie van objecten uit remote sensing beelden is vaak niet nauwkeurig genoeg. Meestal wordt niet 100 % van het landgebruik correct geclassificeerd op basis van spectrale eigenschappen. In het geval van een landgebruikclassificatie uit remote sensing beelden komen de volgende problemen voor:

  • Sommige vegetatiesoorten en landgebruik vertonen onder andere als gevolg van fysiologische eigenschappen dezelfde spectrale eigenschappen waardoor deze verkeerd geclassificeerd kunnen worden (Dobos et al., 2000). Men kan dan spreken van spectrale verwarring.
  • Indien de vegetatiesoorten sterk variëren over korte afstand (heterogene vegetatie) wordt het spectraal gezien moeilijk om de verschillende vegetatiesoorten te onderscheiden.

De nauwkeurigheid van de landgebruikclassificatie kan verbeterd worden door de toevoeging van externe (hulp)data (Maselli et al., 2000). Deze externe (hulp)data bestaat vaak uit terreininformatie. Zeker indien classificatie betrekking heeft op landgebruik, waarvan de ruimtelijke spreiding in het landschap sterk beïnvloed wordt door factoren als bodemtype, topografie en vochtbeschikbaarheid, is het gebruik van meerdere geschikte lagen in een GIS in combinatie met remote sensing data zeer bruikbaar (Maselli et al., 2000). Geografische Informatie Systemen en remote sensing technieken hebben zich de afgelopen jaren naast elkaar ontwikkeld. Er is sprake van een toenemende interesse in, en bezorgdheid over het milieu en de leefomgeving. Door de integratie van data (GIS & RS) wordt meer nauwkeurige informatie verkregen, die door overheden gebruikt kan worden bij het nemen van beslissingen wat betreft het leefmilieu (Paracchini et al., 1994).

Remote Sensing

Inleiding

Remote sensing betekent letterlijk waarnemen op afstand. Remote sensing is een wetenschap en techniek om informatie te verkrijgen van een object dat zich aan het aardoppervlak bevindt met behulp van beelden die gebruik maken van delen van het elektromagnetisch spectrum.

Elektromagnetische spectrum

Elk object boven de 0° Kelvin zendt energie uit. De meest gebruikte bron voor energie bij remote sensing technieken is de zon, waarbij elk object op aarde een bron van elektromagnetische energie is. De objecten op aarde reflecteren de energie terug, welke waargenomen wordt door sensoren in satellieten en vliegtuigen.

Het elektromagnetisch spectrum wordt onderverdeeld op basis van golflengte (figuur 3.1):

  • visible:  blauw:         0.4-0.5 mm
  •  groen:          0.5-0.6 mm
  •   rood:           0.6-0.7 mm
  • near infrared:            0.7-1.1 mm
  • shortwave infrared    1.1-2.5 mm
  • thermal infrared:      3.0-14.0 mm
  • microwave gebied:  1 mm tot 1m
Elektromagnetisch spectrum
Figuur 3.1: Elektromagnetisch spectrum

Interactie met de atmosfeer

Voordat elektromagnetische straling een object op aarde of sensor (gereflecteerd) bereikt moet deze door de atmosfeer. De atmosfeer zorgt voor verstoring van de elektromagnetische straling in de vorm van absorptie en ‘scattering’. De atmosferische verstoring is niet constant in plaats en tijd, omdat de condities van de atmosfeer aan grote verandering onderhevig zijn in plaats en tijd (Lillesand & Kiefer, 2000). Hierdoor is het moeilijk om remote sensing beelden te corrigeren voor absorptie en scattering door de atmosfeer.

Absorptie

Absorptie is afhankelijk van de golflengte en afstand die de straling door de atmosfeer aflegt. Absorptie in de atmosfeer van bepaalde golflengten wordt veroorzaakt door verschillende gassen. Hiertoe behoren onder andere water (H2O), hydroxyl (OH), koolstofdioxide (CO2) en ozon (O3). De delen van het spectrum die niet geabsorbeerd worden door de atmosfeer, worden de atmosferische ‘windows’ (figuur 3.2) genoemd. Langs de y-as staat de hoeveelheid doorgelaten energie door de atmosfeer. De belangrijkste atmosferische ‘windows’ zijn:

  • visible: 0.4-0.7 mm
  • infrared : 0.7-2.5 mm
  • thermal infrared: 3.0-0.5 mm
  • thermal infrared: 8.0-14 mm
  • micorawave (radar): 0.01-1.0 m
32_atmosferisch_window
Figuur 3.2: Ligging van de atmosferische windows. Bron: Lillesand & Kiefer, 2000

Scattering

Scattering is de onvoorspelbare diffusie van straling als gevolg van deeltjes in de atmosfeer (Lillesand & Kiefer, 2000). Er worden twee typen scattering onderscheiden: selectieve en niet-selectieve scattering. Bij niet-selectieve scattering worden alle golflengten gelijkmatig gescatterd. Bij selectieve scattering worden de korte golflengten meer gescatterd dan de lange golflengten. Dit wordt veroorzaakt door gassen zoals stikstof, zuurstof en koolstofdioxide. De twee belangrijkste soorten selectieve-scattering zijn ‘Rayleigh scattering’ en ‘Mie scattering’.

Rayleigh scattering  komt vaak voor en heeft effect op de korte zichtbare golflengte en resulteert in een soort waas in het remote sensing beeld (Lillesand & Kiefer, 2000). Dit wordt veroorzaakt doordat deeltjes in de atmosfeer een diameter hebben die veel kleiner is dan de golflengte van de elektromagnetische energie.

Mie scattering wordt veroorzaakt door deeltjes in de atmosfeer met dezelfde grootte als de golflengte van de elektromagnetische energie zoals waterdamp en stof.

Interactie met het object

In remote sensing zijn het meestal de verschillen in reflectie van elektromagnetische straling door objecten die gemeten en geïnterpreteerd worden. Het is belangrijk dat de begrippen albedo en reflectie niet met elkaar verward worden. Albedo is de ratio van de totale gereflecteerde elektromagnetische energie van het oppervlak, en van de totale hoeveelheid energie die op het oppervlak valt. Hiervoor wordt vaak het spectrale interval van 0.4 tot 2.5 mm gebruikt. Reflectie is de ratio van de energie van een bepaald spectraal interval dat gereflecteerd wordt door een oppervlak, en van de totale energie van een bepaald spectraal interval dat op dat oppervlak valt. Een figuur waarin de reflectie van een voorwerp als functie van de golflengte wordt weergegeven, wordt een ‘reflectiecurve’ genoemd. Tussen de reflectiecurven van de verschillende objecten kunnen grote verschillen zitten. Deze verschillen zijn niet altijd duidelijk in het zichtbare deel van het spectrum. De verschillen bevinden zich dan vaak buiten het zichtbare deel van het spectrum (bijvoorbeeld infrarood). Daarom wordt veel moeite gedaan de niet zichtbare delen van het spectrum ook vast te leggen. Een voorbeeld van verschillende spectrale reflectiecurven voor verschillende vegetatietypen in het onderzoeksgebied wordt weergegeven in figuur 3.3. Uit de figuur is af te leiden dat er weinig verschil in reflectie aanwezig is in het zichtbare deel van het spectrum.

Duidelijk af te leiden is dat water in alle banden een lage reflectiewaarde vertoont. Het meest kenmerkend voor water, is dat er een sterke absorptie van energie plaatsvindt in de nabij-infrarode banden (Lillesand & Kiefer, 1994). Dit geldt ook voor het water in vegetatie en bodem als dat aanwezig is. De spectrale curve van kale bodem vertoont nauwelijks pieken en dalen. Factoren die de reflectiewaarde van bodem bepalen zijn onder andere bodemvochtgehalte, textuur, ruwheid oppervlak, ijzergehalte en organische stofgehalte. Hoe hoger de waarden van bodemvocht-gehalte, ijzergehalte en organische stofgehalte, hoe lager de reflectiewaarde van de bodem (Lillesand & Kiefer, 1994). Ook als de textuur grover is en het bodem-oppervlak ruwer zal de reflectiewaarde van de bodem afnemen.

Reflectiecurven trainingsgebieden onderzoekgebied
Figuur 3.3: Reflectiecurven trainingsgebieden onderzoekgebied

Kenmerkend voor de reflectiecurve van vegetatie zijn de pieken en dalen. De vegetatie vertoont in het zichtbare licht  weinig verschillen in reflectiewaarden. Het is vooral chlorofyl die in het rode licht (0.6mm -0.7mm) energie absorbeert. Ook het blauwe licht wordt door chlorofyl sterk geabsorbeerd. Het groene licht vertoont daarentegen een piekje (0.5mm -0.6mm). Dit is ook de reden waarom het menselijk oog vegetatie als groen waarneemt (Lillesand & Kiefer, 1994). Vanaf 0.7 mm begint het spectrum van het nabij-infrarode licht en schiet de reflectiewaarde voor de verschillende typen vegetatie omhoog. De reflectiewaarde in dit deel van het spectrum wordt voornamelijk bepaald door de interne structuur van de bladeren. Deze structuur is per vegetatiesoort variabel, en dat maakt het mogelijk om verschillende vegetatiesoorten op basis van nabij-infrarode reflectiewaarden van elkaar te onderscheiden (Lillesand & Kiefer, 1994). Na het nabij-infrarode spectrum gaat de reflectiewaarde van de vegetatie sterk omlaag. Bij 1.4 mm en 1.9 mm vindt een duidelijk absorptie van energie plaats. Dit wordt veroorzaakt door een sterke absorptie van water in de bladeren (waterabsorptiebanden). Tussen deze twee absorptiebanden is nog een reflectiepiek (rond 1.6 mm) waarneembaar.

Sensoren en scanners

Het meest eenvoudige voorbeeld van remote sensing is een fototoestel. De gereflecteerde straling van objecten wordt hierbij direct op film vastgelegd. Fototoestellen zijn echter wel gelimiteerd tot het zichtbare en nabij infrarode deel van het spectrum. Om buiten dit bereik te meten, zijn er elektronische detectoren nodig. Hiermee kan straling in het gebied van 0.3 tot 14 mm worden gemeten. Met een sensor kan indirect elektromagnetische straling worden vastgelegd. Een sensor of een detector is een apparaat waarmee elektromagnetische straling wordt ontvangen. Dat wordt omgezet naar een (elektrisch) signaal en vervolgens gepresenteerd in een bruikbare vorm. Deze bruikbare vorm is vaak een digitaal formaat en kan daarom in de praktijk met behulp van computers bewerkt worden.

Een scanner bestaat uit onder andere uit een sensor die uitgezonden elektro-magnetische energie van objecten registreert. De evenwijdige scanlijnen vormen bij elkaar een beeld bestaande uit pixels. De DAIS scanner, waarvan gedurende dit veldwerk gebruik wordt gemaakt, is een multispectrale scanner. De DAIS scanner onderscheidt zich van andere spectrale scanners door het grote aantal (79) spectrale banden waarin energie wordt waargenomen. Voor elke pixel in het beeld wordt in 79 delen van het elektromagnetisch spectrum de hoeveelheid uitgezonden energie van objecten geregistreerd. In hoofdstuk 8 wordt de DAIS scanner uitgebreid beschreven.

Integratie van Geografische Informatie Systemen (GIS) en Remote Sensing

Inleiding

Door verschillende wetenschappers (Franklin, 1987; Frank,1988; Leprieur et al., 1988; Lee et al., 1988; Yuan et al., 1994,1995) is gesuggereerd dat remote sensing data moet worden aangevuld met terreininformatie. Hierdoor kunnen de fouten in remote sensing data onder meer als gevolg van topografische variatie in het landschap gecorrigeerd  worden en wordt extra informatie gebruikt voor de classificatie (Dobos et al., 2000).

In eerste instantie richtte onderzoek binnen remote sensing zich op het ‘processen’ van beelden, en de ontwikkeling van methoden voor extractie van informatie uit remote sensing data. Het doel was vooral om thematische kaarten te maken die snel vernieuwd konden worden. Echter de thematische kaarten verkregen uit de satellietbeelden voldoen regelmatig niet aan de verwachtingen van de onderzoekers (Paracchini et al., 1994). Een classificatie uit een satellietbeeld (spectrale data) met een nauwkeurigheid van 75% is vaak niet accuraat genoeg.

Remote sensing data wordt sterk beïnvloed door de variabiliteit van het terrein. Niet alle landschapsvariabiliteit wordt correct weergegeven.

Sommige vegetatietypen en landgebruik vertonen onder andere als gevolg van fysiologische eigenschappen dezelfde spectrale eigenschappen en kunnen dus spectraal niet onderscheiden worden. Dit bemoeilijkt beeldclassificatie.(Dobos et al., 2000). Verschillende vegetatietypen en landgebruik kunnen foutief als 1 klasse geclassificeerd worden en vice versa. De nauwkeurigheid van de classificatie kan dan verbeterd worden door de toevoeging van externe (hulp)data (Maselli et al., 2000). Verkeerd geclassificeerde klassen bestaande uit een of meerdere vegetatietypen kunnen gescheiden of samengevoegd worden. Zeker indien classificatie betrekking heeft op een verschijnsel zoals vegetatie, waarvan de ruimtelijke spreiding in het landschap sterk beïnvloed wordt door factoren als bodemtype, topografie en vochtbeschikbaarheid, is het gebruik van meerdere geschikte lagen in een GIS in combinatie met RS data zeer bruikbaar (Maselli et al., 2000). Franklin (1987) kwam tot een verbetering in nauwkeurigheid van landgebruikclassificatie tussen 46% en 75% indien satellietdata aangevuld werd met gebiedsinformatie (helling, aspect, hoogte).

Dataopbouw 

Burrough (1998) geeft de volgende definitie voor een GIS: ‘een systeem voor het verzamelen, opslaan, extractie, transformatie en weergeven van ruimtelijke data uit de echte wereld’. In geografische informatie systemen wordt ruimtelijke informatie vaak logisch georganiseerd in lagen of thema’s. Eén laag bevat dan informatie over één bepaald verschijnsel. In zo’n thematische laag bevinden zich geografische objecten. Deze objecten kunnen worden weergegeven met punten, lijnen, 2-D vlakken of 3-D vlakken. In figuur 4.1 worden geografische objecten en hun ruimtelijke weergave in een GIS weergegeven.

Geografische objecten en ruimtelijke weergave in GIS.
Figuur 4.1: Geografische objecten en ruimtelijke weergave in GIS. Bron: van Beurden et al., 2000

Geografische informatie kan worden onderverdeeld in ruimtelijke informatie en beschrijvende informatie. Ruimtelijke informatie beschrijft de locatie en vorm van geografische objecten, en hun relaties met andere objecten. Ruimtelijke informatie kan op 2 manieren worden opgeslagen: met een vectordatastructuur of met een rasterdatastructuur. Bij een vectordatastructuur worden punten, lijnen en vlakken beschreven met behulp van coördinaatparen in een Cartesisch coördinatenstelsel. In een rasterdatastructuur worden de geografische objecten niet weergegeven met coördinaten die punten, lijnen en vlakken beschrijven, maar met een grid met rechthoekige cellen. Een grid bestaat uit rijen en kolommen, en de waarden van de cellen in het grid geven een bepaald geografisch verschijnsel weer bijvoorbeeld landgebruik.

Beschrijvende informatie bevat de kenmerken van de geografische objecten en wordt opgeslagen in tabelvorm (van Beurden et al., 2000).

Een geïntegreerde GIS bestaat hoofdzakelijk uit 4 databronnen (Star et al., 1997):

  • cartografische data
  • velddata (punten, transecten en vlakken)
  • beelddata (satelliet, luchtfoto)
  • sociaal-economische data (o.a statistisch)

Een voorbeeld van de mogelijke opbouw van een geïntegreerde database in een GIS wordt weergegeven in figuur 4.2. Hierin worden verschillende inputbronnen van ruimtelijke data in een rasterstructuur over elkaar heen gelegd. In dit onderzoek zal dat gebeuren door de externe terreininformatie als rasterstructuur toe te voegen aan het remote sensing beeld. Onderzocht wordt welke variabelen in een GIS kunnen bijdragen aan een classificatieverbetering uit een remote sensing beeld. In figuur 4.3 wordt een totaal overzicht gegeven van de input, verwerking en output van data in een GIS.

Input en verwerking van ruimtelijke data om tot een raster database te komen.
Figuur 4.2: Input en verwerking van ruimtelijke data om tot een raster database te komen. Bron: Burrough et al., 1998.

Schaal en resolutie

De schaal betekent in dit verband de verhouding tussen de afstand op een kaart ten opzichte van dezelfde afstand op het aardoppervlak. Ruimtelijke resolutie verwijst naar de kleinste onderscheidbare onderdelen van een object, in remote sensing beelden zijn dit pixels (Quattrochi et al., 1997). De resolutie van 6 meter in het remote sensing beeld betekent dat de pixels in het beeld 6m * 6m beslaan. De resolutie van het bodemvochtmodel TOPMODEL (wordt besproken in hoofdstuk 5) is 25 meter, omdat het gebruikte hoogtemodel deze resolutie heeft.

De vegetatiekaart en bodemkaart die gebruikt worden hebben een uiteindelijke resolutie van 1 meter. Deze resolutie is gekozen om te voldoen aan de voorwaarde voor statistische toetsingen. Wel moet hierbij opgemerkt worden dat de vegetatiekaart voor een groot gedeelte visueel gekarteerd is in het veld. Het is echter moeilijk om in het veld met een nauwkeurigheid van 1 meter te karteren. Het is moeilijk te zeggen hoe deze onnauwkeurigheid het verdere verloop en resultaat van het onderzoek beïnvloedt. De software die gebruikt is (ARCMAP) voor de classificatieverbetering kan met kaarten van verschillende resolutie overweg.

Toepassingen

Hieronder volgen een paar praktijkvoorbeelden uit de literatuur waarbij remote sensing data en GIS geïntegreerd zijn.

Maselli et al. (2000) classificeerde de mediterrane vegetatie op het eiland Elba door middel van Landsat TM satellietbeelden en externe data met als doel een evaluatie van bosbrandgevaar te maken. Verschillende vegetatietypen hebben een verschillend risico voor bosbranden. Omdat de condities voor het voorkomen van bosbranden vooral bepaald worden door verschillende omgevingsfactoren (vegetatietype, bodemtype, topografie), kan een evaluatie hiervan plaatsvinden door verschillende thematische lagen over elkaar heen te leggen in een GIS. Remote sensing data wordt hierbij gebruikt omdat er een relatie bestaat tussen de bovengenoemde omgevingsfactoren en de spectrale eigenschappen van het beeld. In het onderzoek zijn de volgende datalagen verzameld en bewerkt voor verdere verwerking:

  1. Digital Terrain Model (DTM), hieruit zijn afgeleid 3 raster bestanden (hoogte, helling en aspect) met een pixelgrootte van 30m * 30m
  2. Bodemkaart in vectorformaat (1:50000), gedigitaliseerd en vervolgens verrasterd tot een pixelgrootte van 30m * 30m.
  3. Landgebruik uit luchtfoto’s, verrasterd tot een pixelgrootte van 30m*30m
  4. Landsat TM satellietbeelden met een resolutie van 30 meter

De data lagen van hoogte, helling, aspect en bodemtype worden hier beschouwd als externe data lagen. Vervolgens werd de verbetering van de classificatie vastgesteld door de externe data lagen in de classificatie mee te nemen. Classificatie van de vegetatie door middel van Landsat TM beelden alleen, leidde tot slechte resultaten hoofdzakelijk als gevolg van het niet gelijktijdig verzamelen van referentie data en satellietbeelden. Een belangrijk resultaat is dat de classificatie veel nauwkeuriger werd door de integratie van spectrale (satelliet) en externe data. Deze classificatie kon vervolgens gebruikt worden door aan elke vegetatieklasse een risicofactor voor bosbranden toe te kennen.

Hoersch et al. (2001) onderzocht de relatie tussen landvorm parameters afgeleid uit een Digital Elevation Model (DEM) en vegetatie in een alpien gebied. Het doel was om vegetatiekaarten van het gebied te produceren op verschillende schaal. Geschikte landvorm parameters (helling, hoogte, aspect, curvature) werden afgeleid uit de DEM die een indicatie gaven voor temperatuurverloop, bodemvochtgehalte, neerslag, instraling enz. Vervolgens werd de relatie tussen de landvorm parameters en vegetatietypen statistisch onderzocht. Voor het onderzoek is gebruik gemaakt van luchtfoto’s, satellietbeelden en een DEM. De luchtfoto’s werden gebruikt voor classificatie op hoge resolutie (5m). De satellietbeelden en DEM zijn gebruikt voor classificatie op lagere resolutie (25m).

De resultaten uit ‘contingency’ tabellen voor de gehele dataset tonen dat hoogte, aspect en helling sterk gecorreleerd zijn aan de vegetatiedata. De hoogte is daarbij het sterkst gecorreleerd aan de vegetatiedata. De resultaten van de Principal Component Analyse geven aan dat er 8 of 9 Principal Components nodig zijn om alle variantie in de originele landvorm dataset te verklaren, dus er is weinig redundantie in de data. Elke landvorm parameter voegt wat informatie toe voor de verklaring van het vegetatiepatroon in het gebied. Uit dit onderzoek blijkt dat de classificatie van vegetatie uit satellietbeelden sterk verbeterd kan worden indien gebruik gemaakt wordt van afgeleide landschapsvormen uit een DEM. Tussen de landvorm parameters en het voorkomen van vegetatietypen blijkt een sterke relatie aanwezig te zijn.

Tappeiner et al. (1998) integreerden statistische technieken en GIS data om de interacties tussen natuurlijke factoren, menselijke invloed en ruimtelijke verspreiding van vegetatietypen in een alpien gebied beter te begrijpen. Als aangetoond word dat de ruimtelijke heterogeniteit van alpiene landschappen gerelateerd is aan landgebruik en topografie, wordt het mogelijk om lange termijn voorspellingen te doen over de ecosystemen in het gebied. Een GIS analyse is voor dit onderzoek geschikt omdat de meeste natuurlijke factoren en ook de menselijke invloeden gecorreleerd zijn aan ruimte. De verschillende lagen met ruimtelijke informatie zijn getransformeerd naar raster data en over elkaar heen gelegd. Zo is een raster database ontstaan waarop een statistische analyse toegepast (discriminant analyse). De classificatie heeft een totale nauwkeurigheid van 78%, slechts 2 van de 21 vegetatietypen werden fout geclassificeerd. 6 vegetatietypen werden voor bijna 100% juist geclassificeerd.

Dobos et al.(2000) integreerden gebiedsinformatie (GIS) en remote sensing data voor het classificeren van verschillende bodemtypen. Het doel was om te bepalen in hoeverre de classificatie van bodemtypen verbeterde als externe gebiedsinformatie toegevoegd werd. Bij de eerste classificatie werd alleen gebruik gemaakt van de satellietbeelden, daarna werden afgeleide data van een DEM (helling, aspect, curvature, drainage) toegevoegd aan de database. De nauwkeurigheid van de classificatie van bodemtypen uit alleen satellietbeelden bedroeg slechts 49%. Spectrale verwarring van verschillende bodemtypen werd duidelijk waargenomen. De bodemtypen vertonen echter een verticale zonaliteit. Een aantal bosbodemtypen die alleen in hoger gelegen gebieden voorkomen werden vooral in lager gelegen gebieden geclassificeerd. Deze foutieve classificatie kan aanzienlijk verbeterd worden met behulp van gebiedsinformatie uit een DEM. Resultaten na integratie van gebiedsinformatie uit het DEM leverde een nauwkeurigheid in classificatie op van 80-90% voor beelden met een resolutie van 500 meter en 67-93% voor een resolutie van 1 km. Een aanzienlijke verbetering aldus. Bodemtypen die slechts in een zeer klein deel van het gebied voorkomen kunnen als gevolg van de lage resolutie van de beelden nauwelijks geclassificeerd worden.

Conclusie

Uit bovengenoemde praktijkvoorbeelden blijkt dat door toevoeging van externe gebiedsinformatie de nauwkeurigheid van de classificatie van vegetatie en bodemtypen sterk verbeterd kan worden. Vooral een Digital Elevation Model (DEM) kan zeer bruikbare informatie verschaffen wat betreft de topografie van het gebied en de relatie hiermee met vegetatiepatronen en bodemtypen. Vooral bij het onderzoek van Dobos et al. (2000) leverde de integratie van remote sensing data en externe gebiedsinformatie een sterke verbetering in de nauwkeurigheid van de classificatie op. Zeer belangrijk is rekening te houden met de schaal, resolutie en dataformaat (raster/vector) van de verschillende data lagen die men met elkaar integreert.