In teledetectie verwijst “grondwaarheid” naar informatie die op locatie is verzameld. Dankzij de grondwaarheid kunnen beeldgegevens worden gerelateerd aan echte kenmerken en materialen op de grond. Het verzamelen van grondwaarheidsgegevens maakt kalibratie van teledetectiedata mogelijk, en helpt bij de interpretatie en analyse van wat wordt waargenomen. Voorbeelden zijn cartografie, meteorologie, analyse van luchtfoto’s, satellietbeelden en andere technieken waarbij gegevens op afstand worden verzameld.
Meer specifiek kan grondwaarheid verwijzen naar een proces waarbij een “pixel” op een satellietbeeld wordt vergeleken met wat er in werkelijkheid (op dat moment) is om de inhoud van de “pixel” op het beeld te verifiëren (waarbij moet worden opgemerkt dat het concept van een “pixel” enigszins vaag is omschreven). In het geval van een geclassificeerd beeld maakt het classificatie onder supervisie mogelijk om de nauwkeurigheid van de door de teledetectiesoftware uitgevoerde classificatie te helpen bepalen en aldus fouten in de classificatie zoals vergissingen van commissie en vergissingen van weglating te minimaliseren.
Ground truth wordt gewoonlijk ter plaatse gedaan, waarbij oppervlakteobservaties worden verricht en metingen worden verricht van diverse eigenschappen van de kenmerken van de grondresolutiecellen die worden bestudeerd op het via teledetectie verkregen digitale beeld. Het omvat ook het nemen van geografische coördinaten van de grondresolutiecel met GPS-technologie en het vergelijken van die met de coördinaten van de “pixel” die wordt bestudeerd en die door de teledetectiesoftware worden verstrekt om de locatiefouten te begrijpen en te analyseren en hoe die een bepaalde studie kunnen beïnvloeden.
Grondwaarheid is belangrijk bij de aanvankelijke gesuperviseerde classificatie van een beeld. Wanneer de identiteit en de plaats van landbedekkingstypen bekend zijn door een combinatie van veldwerk, kaarten en persoonlijke ervaring, worden deze gebieden trainingssites genoemd. De spectrale kenmerken van deze gebieden worden gebruikt om de teledetectiesoftware te trainen met behulp van beslissingsregels voor het classificeren van de rest van het beeld. Deze beslissingsregels, zoals Maximum Likelihood Classification, Parallelepiped Classification en Minimum Distance Classification, bieden verschillende technieken om een beeld te classificeren. Met extra grondwaarheidssites kan de afstandssensor een foutenmatrix opstellen die de nauwkeurigheid van de gebruikte classificatiemethode valideert. Verschillende classificatiemethoden kunnen verschillende foutpercentages hebben voor een bepaald classificatieproject. Het is belangrijk dat de afstandsensor een classificatiemethode kiest die het beste werkt met het aantal gebruikte classificaties en tegelijkertijd de minste fouten oplevert.
Grondwaarheid helpt ook bij atmosferische correctie. Omdat beelden van satellieten uiteraard door de atmosfeer moeten, kunnen zij vervormd raken door absorptie in de atmosfeer. De grondwaarheid kan dus helpen om objecten op satellietfoto’s volledig te identificeren.
CommissiefoutenEdit
Een voorbeeld van een commissiefout is wanneer een pixel de aanwezigheid van een kenmerk (zoals bomen) rapporteert dat in werkelijkheid afwezig is (er zijn in werkelijkheid geen bomen aanwezig). Ground truthing zorgt ervoor dat de foutenmatrices een hoger nauwkeurigheidspercentage hebben dan het geval zou zijn indien geen pixels aan ground truthing werden onderworpen. Deze waarde is het omgekeerde van de nauwkeurigheid van de gebruiker, d.w.z. Commission Error = 1 – nauwkeurigheid gebruiker.
Fouten door weglatingEdit
Een voorbeeld van een fout door weglating is wanneer pixels van een bepaald ding, bijvoorbeeld esdoornbomen, niet als esdoornbomen worden geclassificeerd. Het proces van ground truthing helpt ervoor te zorgen dat de pixel correct wordt geclassificeerd en de foutenmatrices nauwkeuriger zijn. Deze waarde is het omgekeerde van de nauwkeurigheid van de producent, d.w.z. Omissiefout = 1 – nauwkeurigheid van de producent