Multi file

AFWIJKENDE GRAVEN IN DE GEMEENTES ZUTPHEN EN DOESBURG

Overview

Publication date
Accessibility
cc-by-nc-nd-40
DOI


Description

Deze bachelor scriptie is geschreven voor het afstudeeronderzoek dat deel uit maakt van de opleiding archeologie aan Hogeschool Saxion te Deventer. De auteur van deze scriptie is Hugo Pothof. Het doel van dit onderzoek was het ontwikkelen van een nieuwe methode voor het herkennen van afwijkende graven. Dit zijn graven van individuen die op een niet reguliere manier begraven zijn voor hun cultuur en/of tijdsperiode. Voor dit onderzoek is de volgende hoofdvraag opgesteld:

Hoe kunnen afwijkende graven in begraafplaatsen uit de Late Middeleeuwen/Nieuwe tijd geïdentificeerd worden met behulp van statistische en ruimtelijke analyses?

Het eerste gedeelte van dit onderzoek bestond uit het opstellen van de nieuwe methode. Hiervoor zijn analyses en criteria verzameld en opgesteld die gebruikt kunnen worden voor statistisch onderzoek voor het herkennen van afwijkende graven. Voor deze criteria zijn drie soort analyses gebruikt.

Ten eerste is voor categorische data (teksten) gebruik gemaakt van percentuele begrenzingen om weinig voorkomende waarnemingen aan te duiden als afwijkende graven. Daarnaast zijn voor numerieke data (getallen) gebruik gemaakt van de outlier detection with IQR. De Find Outliers tool in ArcGIS kan automatisch ruimtelijk afwijkende polygonen herkennen. Met de programmeertaal R een script (code) geschreven die het mogelijk maakt om consistent en reproduceerbaar deze analyses uit te voeren. Ook kunnen met het script grafieken gemaakt worden van de data.

Om de nieuwe methode te toetsen zijn in totaal vijf begraafplaatsen uit de gemeentes Zutphen en Doesburg geanalyseerd. Deze begraafplaatsen zijn allemaal christelijke begraafplaatsen uit de Late Middeleeuwen en het begin van de Nieuwe tijd. Daarnaast is ook één grote dataset gemaakt waarin alle grafdata staat. Deze is gebruikt om de begraafplaatsen met elkaar te vergelijken.


Comments for this item are disabled
© 2024 SURF