Geomorfologische context en bodemgesteldheid langs het Romeinse wegennet in vlaanderen

GEOMORFOLOGISCHE CONTEXT EN

BODEMGESTELDHEID LANGS HET

ROMEINSE WEGENNET IN

VLAANDEREN

Aantal woorden: 18960 Aantal figuren: 14 Aantal tabellen: 18

Tanja Boudry

Stamnummer: 01403122

Promotor: Dr. Stefaan Dondeyne – Vakgroep Geografie

Masterproef voorgelegd voor het behalen van de graad master in de richting Geografie Academiejaar: 2019 - 2020

I WOORD VOORAF

Dankzij deze masterproef heb ik veel kunnen bijleren over archeologisch onderzoek en Romeinse wegen. Ik ben heel dankbaar dat ik deel heb kunnen uitmaken van een groot archeologisch syntheseproject en ik hoop dat dit onderzoek een relevante en bruikbare bijdrage kan leveren aan het verdere verloop van het project.

In de eerste plaats wil ik mijn promotor Dr. Stefaan Dondeyne bedanken voor zijn handige tips, opmerkingen en zijn enthousiaste antwoorden op mijn vragen. Dankzij hem heb ik de kans gekregen met een onderzoeksonderwerp te werken dat ik, in de anderhalf jaar waarin het uitwerken van deze masterproef plaatsvond, steeds boeiend heb gevonden. Vervolgens wil ik Walter Sevenants, coördinator van het syntheseproject, een eervolle vermelding geven voor al zijn hulp bij het verzamelen van de data en het beantwoorden van mijn archeologische vragen. Zonder hem zou het niet mogelijk geweest zijn dit onderzoek op tijd af te ronden of zelfs maar te beginnen. Ook een welgemeende dankjewel aan Gladys Kangi die me heeft geholpen bij het opstellen van de Random forest-analyse.

Persoonlijk zou ik graag mijn ouders, vrienden en in het bijzonder mijn vriend Dries Vandooren willen bedanken voor hun steun tijdens dit hele proces. Gedurende anderhalf jaar hebben ze mijn tekst nagelezen, mij koekjes gebracht, me gesteund wanneer het moeilijk ging en mijn geratel over dit onderwerp aangehoord.

II SAMENVATTING

Wanneer het gaat over het onderzoek naar Romeinse wegen (RW) in het Vlaams gewest blijft de kennis beperkt en gefragmenteerd ondanks een lange onderzoeksgeschiedenis. Via de oprichting van een grootschalig syntheseproject wordt er nu geprobeerd deze kennis uit te breiden en alle informatie over dit onderwerp samen te brengen in één algemene databank. Deze masterproef kadert in het geografische luik van dit syntheseonderzoek, waarbij het focust op de bepaling van de bodemkundige en geomorfologische context waarin RW worden teruggevonden. De gevonden resultaten zullen, samen met de andere onderdelen van het syntheseonderzoek, als referentie worden gebruikt voor de oriëntering van toekomstig onderzoek in verband met het RW-net in het Vlaams gewest. De bepaling van de contexten vond plaats aan de hand van 20 bodemkundige en geomorfologische variabelen afkomstig uit archeologische rapporten, eerder onderzoek, de digitale bodemkaart van het Vlaams gewest, de hydrografische atlas en het DTM. Een combinatie van χ2-testen voor associaties en een Random Forest (RF)-analyse voor classificatie werd gebruikt om de relaties tussen het voorkomen van RW en de geassocieerde bodemkundige en geomorfologische kenmerken te bepalen en te testen op hun significantie. De RF-analyse vormde de basis voor een voorspelling van de ‘kans op voorkomen’ van RW over het hele Vlaamse gewest, waarna deze resultaten gebruikt werden voor de actualisatie van de kennis over het RW-net. Uit de analyses kwam naar voor dat er meer sporen van RW in zandige dan in lemige bodems werden teruggevonden. Ook bleek dat droge bodems meer RW bevatten dan natte bodems en bleek het effect van holoceen alluvium en colluvium niet significant. Uit de analyses kon ook worden afgeleid dat het voorkomen van RW sterker geassocieerd is met de hoogteligging en hellingsgraad van de site dan met de bodemtextuur en de drainageklasse. Uit de RF-analyse komt het wegennet, als bepaald door Mertens in 1955, als belangrijkste predictor voor de huidige gekende vindplaatsen naar voor. De talrijke nieuwe inzichten verkregen in dit onderzoek, zoals het weerleggen van de stellingen dat RW voornamelijk op lemige bodems voorkomen, de meeste RW verhard zijn en de voorkeur voor zuidhellingen en dat gebieden zonder waargenomen RW als ‘gunstige contexten’ worden aangeduid, tonen aan dat werken op grotere schaal tot nieuwe inzichten kan leiden en een positief effect kan hebben op de kennis over het RW-net.

III ABSTRACT

Although the research on Roman roads in Flanders knows a large history, the knowledge about this topic stays limited and fragmented. A large-scale research project tries to broaden this knowledge by gathering all available information and assemble it in one general database. This dissertation forms a part of the geographical section of this research project and focusses on determining in which soil and geomorphological contexts the RR occur. The results of this dissertation shall be combined with those of the other parts of the research project and serve as a reference for future research on the topic of RR in Flanders. To determine these contexts 20 different soil and geomorphological variables where extracted from archaeological reports, previous research, the digital soil map of Flanders, the hydrographic atlas and the DTM. A combination of χ2-tests for association and a Random Forest (RF) analysis for classification was used to determine the relations, and their significance, between the occurrence of RR and their associated soil and geomorphological features. From the RF analysis a prediction of ‘the change of occurrence’ for RR was derived and used to update the knowledge of the RR-network. The analyses showed that RR have a larger occurrence on sandy soils than on loamy soils. Also, drier soils are more likely to contain RR than wetter soils and the presence of RR is not significantly affected by the occurrence of Holocene alluvium and colluvium. Another result shows that the elevation and the slope affect the occurrence of RR more than the soil texture and the drainage status. The RR network, as determined by Mertens in 1955, is seen as the most important predictor for the occurrence of RR by the RF model. The numerous new insights acquired by this dissertation - e.g. that most RR are not paved and do not occur more on loamy soils than sandy soils – show that research on a larger scale can have a positive effect on the knowledge about the RR network.

POPULARISERENDE TEKST

Wanneer het gaat over het onderzoek naar Romeinse wegen (RW) in Vlaanderen blijft de kennis, ondanks de lange onderzoeksgeschiedenis, beperkt. Dit onderzoek probeert hier verandering in te brengen door, op het niveau van volledig Vlaanderen, te kijken welke bodemkundige en geomorfologische kenmerken het voorkomen van RW beïnvloedt en hoe sterk de invloed van elk van deze variabelen is. Aan de hand hiervan kan er vervolgens een voorspellingskaart worden opgesteld. Deze kaart geeft voor heel Vlaanderen weer hoe groot de kans is dat er RW voorkomt en leidt tot enkele nieuwe verrassende inzichten.

IV

INHOUD

WOORD VOORAF ... I

SAMENVATTING ... II

ABSTRACT... III

POPULARISERENDE TEKST ... III

LIJST VAN FIGUREN ... VIII

LIJST VAN TABELLEN ... IX

1. INLEIDING ... 10 1.1 Algemene context ... 10 1.2 Probleemstelling ... 10 1.3 Doelstelling ... 11 1.4 Onderzoeksvragen en hypothese... 12 1.5 Literatuurstudie ... 12

1.5.1 Historiek wetenschappelijk onderzoek naar Romeinse wegen ... 12

1.5.2 Structurele en geomorfologische kenmerken van Romeinse wegen ... 16

1.5.3 Data analyse ... 17

2. DATA, MATERIALEN EN METHODEN ... 21

2.1 Studiegebied ... 21

2.2 Dataverwerving ... 21

2.2.1 Vindplaatsen Romeinse wegen ... 22

2.2.2 Controledata ... 22

V

2.2.4 Bodemdistricten ... 24

2.2.5 Hoogtedata en terreinanalyse op basis van het Digitaal terreinmodel Vlaanderen ... 24

2.2.6 Afstand tot waterwegen ... 26

2.2.7 Afstand tot trajecten aangeduid door Mertens ... 26

2.3 Data analyse ... 27

2.3.1 Voorbereiden van de dataset ... 27

2.3.2 χ2-test (chi2_{-test) voor associatie ... 29}

2.3.3 Random Forest voor classificatie ... 33

2.4 Actualisatie van het wegennet ... 39

3. RESULTATEN ... 40

3.1 Kenmerken teruggevonden Romeinse wegen ... 40

3.1.1 Typologie ... 40

3.1.2 Invloed van de bodemdistricten op de kenmerken en het voorkomen van de RW ... 42

3.2 Invloed bodemtextuur op voorkomen van Romeinse wegen ... 45

3.3 Belang van geomorfologische en bodemkundige kenmerken op het voorkomen van Romeinse wegen 46 3.4 Voorspelling van de kans op het voorkomen van Romeinse wegen ... 47

3.4.1 Mogelijke aanpassing van Mertens’ wegennet ... 53

4. DISCUSSIE ... 54

4.1 Bodemkundige en geomorfologische context waarin Romeinse wegen worden terug-gevonden ... 54

4.2 Typologie en verband met bodemkundige en geomorfologische contexten ... 55

VI

4.4 Geactualiseerd wegennet ... 57

4.5 Reflectie van de methoden ... 57

4.5.1 Dataverwerving ... 57

4.5.2 χ2-test voor associaties ... 58

4.5.3 Random Forest voor classificatie ... 58

4.6 Algemene bevindingen ... 59

4.7 Voorstel voor toekomstig onderzoek ... 59

5. BESLUIT... 61 6. REFERENTIELIJST ... 62 6.1 Internetbronnen ... 64 6.2 Software ... 66 6.3 Kaartmateriaal ... 67 7. BIJLAGEN ... LXVIII

7.1 Lijst van afkortingen ... LXVIII

7.2 Bijlage 1: Databank op basis van archeologische rapporten ... LXIX

7.3 Bijlage 2: Shapefile punten ‘wel-RW’ ... LXIX

7.4 Bijlage 3: Shapefile data- en controlepunten ... LXIX

7.5 Bijlage 4: Databank na invoeren dummy variabelen ... LXIX

7.6 Bijlage 5: R-script data standaardisatie ... LXIX

7.7 Bijlage 6: Excel uitgevoerde χ2-test ... LXX

7.8 Bijlage 7: R-script default RF-model ... LXX

7.9 Bijlage 8: R-script optimalisatie mtry ... LXXI

VII 7.11 Bijlage 10: R-script ModelMap ... LXXIII

7.12 Bijlage 11: Variabelen in rasterformaat ... LXXIII

VIII LIJST VAN FIGUREN

Figuur 1: Schematische voorstelling van het Romeinse wegennet in het Vlaamse kustgebied ... 13

Figuur 2: Overzicht van de verschillende lagen Romeinse weg ... 17

Figuur 3: Voorstelling van een enkele “decision tree” ... 19

Figuur 4: Opsplitsing voorspellingsruimte ... 20

Figuur 5: Overzicht van de verspreiding van de data- en controlepunten ... 21

Figuur 6: Selectie van de optimale mtry voor de RF-analyse volgens verschillende methoden ... 35

Figuur 7:Vermindering van de OOB-error bij een toenemend aantal trees ... 36

Figuur 8: Verspreiding van archeologische sporen van Romeinse wegen in/over de bodemdistricten van het Vlaams gewest ... 43

Figuur 9: Het voorspellende belang van de verschillende variabelen op het voorkomen van archeologische sporen van Romeinse wegen volgens het geoptimaliseerde RF-model... 46

Figuur 10: Visualisatie van de voorspelling van de kans op het voorkomen van Romeinse wegen in Vlaanderen ... 49

Figuur 11: Meest ongunstige bodemkundige en geomorfologische contexten voor het terugvinden van sporen van RW en hun bewaring ... 50

Figuur 12: Opvallende gebieden met een gunstige bodemkundige en geomorfologische context voor het terugvinden van sporen van RW en hun bewaring ... 51

Figuur 13: Detail van het gebied tussen Leuven, Hasselt en Tongeren met een gunstige context voor het voorkomen van RW en verschillende kleinere gebieden met een voorspelling van grote’ tot ‘zeer grote’ kans op het voorkomen van RW ... 52

Figuur 14: Geactualiseerde wegennet volgens Mertens op basis van de kans op het voorkomen van RW in Vlaanderen ... 53

IX LIJST VAN TABELLEN

Tabel 1: Uittreksel van de gebruikte dataset ... 27

Tabel 2: Uittreksel van de aangepaste dataset ... 28

Tabel 3: Frequentietabel punten met/zonder Romeinse weg in functie van de bodemtextuur ... 29

Tabel 4: Procentuele frequentietabel punten met/zonder Romeinse weg in functie van de bodemtextuur ... 29

Tabel 5: Frequentietabel met de verschillende kenmerken in functie van de bodemdistricten ... 32

Tabel 6: Procentuele frequentietabel met de verschillende kenmerken in functie van de bodemdistricten ... 33

Tabel 7: Resultaten voor de default en geoptimaliseerde mtry waarde volgens verschillende methoden ... 36

Tabel 8: Optimalisatie ntree op basis van de OOB-error ... 37

Tabel 9: Manuele optimalisatie van de nodesize ... 38

Tabel 10: Overzicht van absoluut en procentueel aantal datapunten aan de hand van de verschillende geobserveerde kenmerken. ... 40

Tabel 11: Overzicht van absoluut en procentueel aantal datapunten per gedefinieerd type weg ... 41

Tabel 12: Overzicht van de frequentietabel van het voorkomen van RW in functie van de bodemdistricten ... 42

Tabel 12: waargenomen aantal punten met en zonder gracht ... 44

Tabel 13: waargenomen aantal verharde en onverharde punten ... 44

Tabel 14: waargenomen aantal primaire en niet-primaire wegen ... 45

Tabel 16: Waargenomen aantal punten met en zonder teruggevonden sporen van RW ... 45

Tabel 17: Vergelijking van de voorspellingskracht tussen het default en optimale model RF-model ... 46

10 1. INLEIDING

1.1 Algemene context

Doorheen de tijd werd een groot arsenaal aan historische en archeologische informatie verzameld over verschillende aspecten van het Romeinse leven. Sinds Vlaanderen in 2004 het Europees verdrag van Valetta (ook wel het Verdrag van Malta genoemd) ratificeerde, en de registratie van archeologische vondsten een verplichting werd (European Convention on the Protection of the Archaeological Heritage, article 4,1992) is de databank van het Vlaams Agentschap voor Onroerend Erfgoed sterk toegenomen met gedetailleerde rapporten. Deze verslagen worden grotendeels opgesteld door archeologische studiebureaus die gedetailleerde onderzoeken doen op siteniveau waardoor het grotere plaatje moeilijk zichtbaar wordt (Agentschap Onroerend Erfgoed, 2020; Sevenants et al., 2019). Het ontbreken van dit overzicht vormt een hindernis om nieuwe inzichten en kennis over het verleden te verwerven. Om de verbanden tussen de verschillende sites in kaart te kunnen brengen heeft het Agentschap voor Onroerend Erfgoed in 2018 een subsidieprogramma voor synthese-onderzoeken opgericht (Agentschap Onroerend Erfgoed, 2020).

Deze masterproef kadert in zo een syntheseproject. Meer bepaald maakt het deel uit van een project over het Romeinse wegennet uitgevoerd door het studiebureau Triharch onderzoeks- en adviesbureau in samenwerking met de Vakgroep Geografie van de Universiteit Gent (Sevenants et al., 2019). Het doel van dit project is het samenbrengen van alle data over het Romeinse wegennet die er sinds de laatste synthese, 60 jaar geleden, zijn bijgekomen (Agentschap Onroerend Erfgoed, 2020; Sevenants et al., 2019). Alle relevante data gepubliceerd op archeologische sites of in rapporten worden samengebracht in één databank voor Vlaanderen. Deze databank moet in de toekomst een hulpmiddel vormen bij een betere oriëntatie van archeologisch onderzoek en een basis voor het creëren van een geactualiseerde kaart van het Romeinse wegennet in Vlaanderen (Sevenants et al., 2019).

Het verzamelen en samenbrengen van informatie uit gedetailleerde onderzoeken is niet alleen belangrijk om een overzicht te krijgen over wat er in Vlaanderen reeds allemaal gevonden is maar ook om nieuwe inzichten te vergaren in de Vlaamse geschiedenis door het linken van verschillende individuele stukken informatie.

1.2 Probleemstelling

Er is in Vlaanderen relatief weinig onderzoek verricht naar Romeinse wegen. De sporen die tijdens deze onderzoeken werden gevonden, zijn hoofdzakelijk restanten van de verharde hoofdwegen. Over de vermoedelijk honderden kleine, onverharde wegen is er in de literatuur – zowel in België als in het buitenland – veel minder terug te vinden wat het te verklaren is door de slechte bewaring van dergelijke sporen tijd (Willems, 1987).

Ondanks dat de eerste archeologische onderzoeken naar Romeinse wegen bijna 200 jaar geleden plaatsvonden en de heropleving die het onderzoek kent, bleef de kennis van het Romeinse wegennet

11 en bodemarchief tot in de jaren 1960 vrij beperkt. De komst van multidisciplinair onderzoek met een combinatie van luchtfoto’s, oude kaarten, toponiemen en historische bronnen in combinatie met het Verdrag van Malta moet hier verandering in brengen (Sevenants, 2019).

Vanaf de invoering van dit verdrag is elke opdrachtgever van bouwwerkzaamheden verplicht om melding te maken van archeologische sporen en een archeologisch onderzoek op te starten. Toch blijft het moeilijk om nieuwe inzichten te verwerven en een overzicht te krijgen van het Romeinse wegennet in Vlaanderen. Een vernieuwde algemene databank die alle vondsten samenbrengt en, indien mogelijk, onderlinge linken legt blijft uit door de manier waarop de archeologische onderzoeken plaatsvinden. Elk onderzoek beperkt zich tot een bepaalde site, ook als gelijkaardige sporen dichtbij worden opgemerkt, waardoor het grotere plaatje verloren gaat (Sevenants, 2019).

De aanmaak van een algemene databank over het Romeinse wegennetwerk kan veel voordelen met zich meebrengen. Niet alleen kan er een beter beeld gevormd worden van de manier waarop, waarheen en hoe de Romeinen zich verplaatsten. Ook kan het samenbrengen van data over archeologische vondsten en sporen toekomstig onderzoek een boost geven. Archeologen krijgen toegang tot alle mogelijke varianten van Romeinse wegen die reeds gevonden zijn, wat het makkelijker kan maken om nieuwe archeologische sporen als onderdeel van een Romeinse weg te identificeren. Een ander voordeel is de kennis over de vindplaatsen en hun omgeving. Op deze manier bestaat de kans dat er landschappelijke en/of geomorfologische patronen zichtbaar worden tussen de verschillende vindplaatsen van de Romeinse wegen. Bij elk nieuw onderzoek zou op termijn (rekening houdend met de omgeving) bepaald kunnen worden hoeveel kans er is om sporen van een Romeinse weg terug te vinden.

1.3

Doelstelling

Het syntheseproject naar de Romeinse wegen, waar deze masterproef aan gelinkt is, bestaat uit verschillende luiken die elk een antwoord proberen te bieden op de hierboven geformuleerde probleemstelling. Voor deze masterpoef werd er vooral gefocust op het fysisch-geografische aspect.

Als hoofddoel wordt er gefocust op de vraag in welke bodemkundige- en geomorfologische context sporen van Romeinse wegen worden teruggevonden. Door gebruik te maken van een random forest analyse wordt getracht een beeld te krijgen over het belang van verschillende variabelen die terug te vinden zijn in de context van een Romeinse weg. Deze variabelen vormen een combinatie van bodemkundige en geomorfologische kenmerken en werden gekozen op basis van de wetenschappelijke literatuur waarin de geografische context, waarin deze wegen werden aangelegd, onderzocht werd.

De resultaten van deze analyse zullen, gecombineerd met de andere luiken van het Romeinse wegenproject, deel uitmaken van de nieuwe algemene archeologische databank om uiteindelijk te leiden tot een betere oriëntatie van het archeologische onderzoek.

12 1.4 Onderzoeksvragen en hypothese

De uitwerking van deze doelstelling zal plaatvinden door het beantwoorden van vier onderzoeksvragen:

• In welke geomorfologische en bodemkundige context worden sporen van het Romeinse wegennet teruggevonden?

• Zijn verschillende types van wegen te herkennen, en zo ja, zijn deze verschillen in verband te brengen met de geomorfologische en bodemkundige context?

• Kan, op basis van de inzichten van de geomorfologische en bodemkundige context van gekende vindplaatsen, voorspeld worden waar er nog mogelijke sporen te verwachten zijn? • Tenslotte, kan op basis van deze inzichten een geactualiseerde kaart voorgesteld worden van

het Romeinse wegennet?

Zoals in de volgende sectie aangetoond, laat de literatuur uitschijnen dat er in de leembodems meer archeologische sporen van het Romeinse wegennet worden teruggevonden dan in zand- en kleibodems. In de literatuur wordt ook aangegeven dat Romeinse wegen het vaakst terug te vinden zijn langsheen zuidhellingen en dat diepe valleien en drassige of onstabiele bodems vermeden werden.

1.5 Literatuurstudie

1.5.1 Historiek wetenschappelijk onderzoek naar Romeinse wegen

1.5.1.1 Vlaanderen

De oudste publicatie over de vondst van een Romeinse weg dateert uit het 17e_{-eeuwse Frankrijk. In}

Histoire des grands chemins de l’empire romain door Nicolas Bergier (1622) werd de ontdekking van een Romeinse weg in de buurt van Reims besproken. Pas twee eeuwen later, tijdens de Hollandse periode (1814-1830), konden de eerste archieven worden teruggevonden over de Romeinse Nederlanden. De drie Nederlandse archeologen Caspar Reuvens, Conradus Leemans en Leonardus Janssen waren de eersten die systematisch alle toen gekende gegevens samenbrachten. Na de Belgische onafhankelijkheid in 1830 werden hun resultaten bekend gemaakt door middel van verschillende publicaties waarbij de publicatie van 1845 voor een primeur zorgde door voor het eerst Oudenburg, gelegen in West-Vlaanderen, te koppelen aan het Romeinse wegennet (Figuur 1). Op deze figuur zijn drie archeologisch vastgestelde wegen te zien: de Steenstraat, de Zeeweg en de Zandstraat. Voor Brugse Heirweg (ook gekend als Antwerpse Heirweg), die dit gebied ook doorkruist, zijn op verschillende locaties van het traject archeologische dateringen en onderzoeken uitgevoerd, waaruit bleek dat de weg uit verschillende lagen bestaat. De oudste van deze lagen dateert van de 11e _eeuw

waardoor deze weg geen deel uitmaakt van het Romeinse wegennet in deze regio (Thoen & Vanhoutte, 2004).

13

Figuur 1: Schematische voorstelling van het Romeinse wegennet in het Vlaamse kustgebied. Steenstraat, Zandstraat en Zeeweg zijn archeologisch vastgestelde Romeinse wegen (volle lijnen), terwijl de Brugse Heirweg dateert uit de 11e _{eeuw (stippellijn)}

(Bron: Thoen & Vanhoutte, 2004)

Op het einde van dezelfde eeuw publiceerden Van Dessel en Schuermans (1877) hun werk Topographie des voies romaines de la Belgique waarin de discussie over het soms twijfelachtige Romeinse karakter van heir- en steenwegen reeds aangehaald wordt. Vijf jaar later publiceert Gauchez (1882) met zijn Topographie des voies romaines de la Gaule-Belgique een uitgebreide synthese over de toenmalige kennis over Romeinse wegen in Noord-Gallië.

Vanaf het einde van de 19e _{eeuw tot het midden van de 20}e _{eeuw kreeg het onderzoek naar het}

Romeinse wegennet in Vlaanderen minder aandacht en verdween het onderwerp op de achtergrond wat leidde tot een stagnatie in de kennis over Romeinse wegen (Willems, 1987). In deze periode bestond de archeologische kennis bijna volledig uit toevallige ontdekkingen en was er weinig structuur in de gebruikte onderzoeksmethoden (Panhuysen, 2013). Het onderzoek naar Romeinse wegen in deze periode beperkte zich tot het gebruik van secundaire bronnen. Het onderzoek bestond voornamelijk uit de analyse van klassieke teksten en oude Romeinse routebeschrijvingen die sporadisch werd aangevuld met zeldzame archeologische vondsten van sporen van Romeinse wegen (Verbrugghe et al., 2017). Door historische gegevens te vergelijken met de huidige toestand werd getracht het Romeinse wegennet te reconstrueren zonder archeologisch bewijs, wat vaak tot betwiste interpretaties leidde (Willems, 1987). Vanaf de Tweede Wereldoorlog kreeg het creëren van een vaste structuur tijdens het uitvoeren van archeologisch onderzoek meer aandacht, waardoor de kwaliteit van wetenschappelijk archeologisch onderzoek langzaamaan verbeterde (Panhuysen, 2013).

14 Vanaf de jaren 1950 beleefde het onderzoek naar Romeinse wegen in Vlaanderen een opleving door het werk van Joseph Mertens. Zijn uitgebreide studie Les routes romaines de la Belgique, gepubliceerd in 1955, zou jaren lang beschouwd worden als een referentiewerk over het Romeinse wegennet in België (Thoen & Vanhoutte, 2004). Doorheen zijn verschillende publicaties geeft Mertens meerdere versies van het Romeinse wegennet rond Oudenburg. Waar de stad bij de vroege publicaties opgenomen werd in het wegennet, was dit niet meer het geval bij zijn latere publicaties in de jaren 1960. Uiteindelijk uitte Mertens het vermoeden dat de Romeinse wegen niet verder gingen dan de Leie en stopten aan de overgang tussen lemige en zandige gebieden (Thoen & Vanhoutte, 2004; Verbrugghe et al., 2017).

Enkele jaren later zorgde het doctoraatsonderzoek van H. Thoen voor een nieuwe kijk op het Romeinse wegennet. Door een combinatie van archeologisch, geografisch en bodemkundig onderzoek lokaliseerde Thoen drie wegtracés in het kustgebied rondom Oudenburg (Thoen & Vanhoutte, 2004). Het gebruik van multidisciplinaire technieken kreeg in 2001 een vervolg door de publicatie van Marc Antrop, Frank Vermeulen en Torsten Wiedemann. Hun onderzoek naar Romeinse wegen en landpercelering bestond uit een combinatie van luchtfotografie, GIS-technieken en archeologisch veldonderzoek waarbij de geoarcheologische en landschappelijke aspecten van het gebied rond Cassel en de grensstreek tussen Vlaanderen en Noord-Frankrijk onderzocht werd (Vermeulen et al., 2001).

Het werk van Wiedemann et al. (2001) vormde de methodologische basis voor een recent geo-archeologisch onderzoek naar de lokalisering van Romeinse wegen in zandig Vlaanderen door Verbrugghe et al. (2017). Via een combinatie van Lidardata, bodemkaarten, GIS-analyses, laagste-kost-pad analyse, toponiemen en luchtfoto’s konden verschillende Romeinse routes worden ontdekt in een gebied waar er vooraf niets wees op de mogelijke aanwezigheid van een Romeinse weg of route (Verbrugghe et al., 2017).

Ondanks dat het onderzoek naar Romeinse wegen de laatste twintig jaar terug meer aandacht kreeg, blijft de kennis over dit onderwerp eerder fragmentarisch. De bijna 200 jaar aan onderzoek die doorheen de tijd plaatsvond, beperkte zich vaak tot het onderzoek van één discipline in een beperkt studiegebied (Willems, 1987; Verbrugghe et al., 2017). Veel van het onderzoek vond naast elkaar plaats aan de hand van archeologisch onderzoek op ‘vindplaats-niveau’ waardoor het aantal overzichtspublicaties tot op heden beperkt blijft en het moeilijk is om nieuwe inzichten te verwerven (Sevenants et al., 2019; Willems, 1987)

15 1.5.1.2 Wallonië

Voor de rest van België geldt dat ook hier de overzichtspublicaties beperkt blijven tot de grote Romeinse weginfrastructuur. Deze overzichtswerken verschijnen vanaf de tweede helft van de 19e _{eeuw op basis}

van itineraria, materiaal vondsten en opgravingen (Van Dessel, 1877; Gauchez 1882; Chevallier, 1997; Raepsaet & Charlier, 2011). Het onderzoek van Chevallier (1997) focust voornamelijk op de grote Romeinse wegen zoals de weg Boulogne – Bavay – Tongeren – Keulen. Deze weg doorkruiste geen enkele pre-Romeinse nederzetting en vormde een belangrijk strategisch element in de Romeinse Germania-politiek en Romeinse plannen om Brittannië te veroveren (Chevallier, 1997; Rogge, 2004).

1.5.1.3 Nederland en Frankrijk

Ondanks de lange onderzoeksgeschiedenis staat de kennis over het (supra)lokale Romeinse wegennet in België minder ver dan in de buurlanden. Vooral in Oost- en West-Vlaanderen, de zandstreek, zijn er minder sporen van Romeinse wegen teruggevonden. De oorzaak hiervan moet gezocht worden in de aard van de aangelegde wegen. Doordat stenen slechts sporadisch beschikbaar zijn in dit gebied, bleven de wegen vaker ongeplaveid waardoor deze minder duidelijke archeologische sporen hebben achtergelaten (Thoen & Vanhoutte, 2004).

In Frankrijk verrichte Roger Agache tussen 1960 en 1970 een grootschalig prospectieonderzoek op basis van luchtfotografie. Tijdens deze vluchten, die hoofdzakelijk plaatsvonden in het Somme-gebied, konden verschillende archeologische structuren in beeld gebracht worden (Agache, 1978; Chevallier, 1997). Op de foto’s van Agache (1978) kunnen langsheen de Romeinse wegen twee types greppels onderscheiden worden. Het eerste type loopt vlak langs het wegtracé en werd door Agache (1978) geïnterpreteerd als een drainagegracht. Doordat het tweede type verder van de weg gelegen is en een kleinere afmetingen kent, werd hieraan een symbolisch, afbakende functie gekoppeld. Om uit te sluiten dat oude landwegen foutief geklasseerd werden onder de noemer Romeinse weg, werden de luchtfoto’s vergeleken met oude kaarten en documenten (Chevallier, 1997).

De opkomst van een meer gestructureerde vorm van wetenschappelijk archeologische onderzoek vond in Nederland, net zoals in België, plaats na de Tweede Wereldoorlog Dit leidde tot de oprichting van archeologische werkgroepen op provinciaal niveau zoals het ‘Archeologische Werkgemeenschap Limburg’ dat opgericht is in 1963 (Panhuysen, 2013).

Ander Nederlands onderzoek naar Romeinse wegen kan gesitueerd worden in Zeeland, ten westen van Aardenburg, waar sporen van een Romeinse weg met verharding en greppels werd vastgesteld. Binnen de nederzetting werden opvullingen van humusrijk grijsbruin zand teruggevonden in het bodemprofiel. Deze opvullingen vormden zich in de ondiepe insnijdingen die ontstonden door het regelmatig berijden met wagens en karren. Daarnaast werden in hetzelfde gebied restanten van een verharde weg gevonden. Vermoedelijk gaat het over de via decumana, die geplaveid werd met Doornikse klaksteen (Besuijen et al., in Verbrugghe et al., 2015).

16 Een van de recentste Nederlandse vondsten van een Romeinse weg vond plaats in september 2018 in de gemeente Katwijk, gelegen in Zuid-Holland. Archeologen van ADC Archeoprojecten legden een deels intacte Romeinse weg van 125 meter bloot samen met intacte bermgreppels en houten steunpalen (ADC Archeoprojecten, 2019; Provincie Zuid-Holland, 2018).

1.5.2 Structurele en geomorfologische kenmerken van Romeinse wegen

In tegenstelling tot het idee van een kronkelend wegennetwerk uit de ijzertijd en de middeleeuwen hebben Romeinse wegen de reputatie van rechtlijnigheid. Bij onderzoek van routes over lange afstand blijkt dat Romeinse wegen zeer vaak uit een reeks opeenvolgende rechtlijnige stukken bestaan, die een onderlinge afwijking vertonen. De kleine afwijkingen worden geïnterpreteerd als correcties van fouten door landmeters, terwijl de grotere afwijkingen in verband gebracht worden met de lokale topografie (Chevallier, 1997; Rogge, 2004; Witcher, 2011).

Chevallier (1997) en Rogge (2004) stelden dat Romeinse wegen bij voorkeur gebouwd werden op droge zuidhellingen, terwijl drassige gebieden en onstabiele bodems zo veel mogelijk vermeden werden. Rekening houdend met de veiligheid van de weg en het nodige onderhoud liepen Romeinse wegen niet door diepe valleien en smalle rivierbeddingen. De wegen maakten dan ook geregeld een bocht naar de hoger gelegen valleirand.

Informatie over de structuur van de Romeinse wegen is zo goed als volledig afkomstig uit archeologische onderzoek en oblieke luchtfoto’s aangezien teksten hierover zeldzaam zijn. Uit dit onderzoek blijkt dat de basis voor de meeste wegen bestaat uit een uitgegraven bedding. Dit ‘omgekeerde reliëf’ werd vervolgens opgevuld met vier opeenvolgende lagen (statumen, rudus, nucleus en summum dorsum), die een bolvormig uiterlijk gaven aan het eigenlijke wegdek (Chevallier, 1997; Knapton, 1996; Rogge, 2004). Deze opvulling vormde de basis voor de fundering en bestond uit enkele lagen aangestampte leem en zand waarop een laag platte stenen, de eigenlijke fundering, geplaatst werd. Hierboven werd een egaliseringslaag aangebracht, die tenslotte onder een samengedrukte laag grind en leem of klei terecht kwam. In het geval van hoofdwegen werd er nog een extra laag stenen aangelegd (Figuur 2). De gesteenten gebruikt voor het plaveien van een weg kenden in de meeste gevallen en lokale oorsprong. Het aanleggen van deze laatste laag is echter een uitzondering, aangezien dit zelfs in Italië slechts sporadisch voorkwam. Door lokale gesteenten te gebruiken, kunnen de wegen sterk verschillen afhankelijk van de regio (Knapton, 1996; Chevallier, 1997; Rogge 2004). In drassige en modderige gebieden kregen de wegen een extra laag houten planken onder de egaliseringslaag en werd de rand van de weg afgezet met houten palen. Deze toevoeging bevorderd de verharding van het wegdek zodat de kans op verzakking verkleind werd (Renson et al., 2008; Sitwell, 1981; Vermeulen, 2001).

17

Figuur 2: Overzicht van de verschillende lagen Romeinse weg (Bron: Lampard, 2017)

Naast elk van deze wegen, geplaveid of niet, werd aan elke kant een parallelle greppel of gracht aangelegd. Deze greppels maakten deel uit van het drainage systeem van de weg (Vermeulen, 2001) en dienden ook als afbakening. Afhankelijk van de bewerkbaarheid van de bodem en de eventuele nood aan een extra barrière tussen de weggebruikers en de omgeving, bijvoorbeeld om wilde dieren en vijandige personen via dit obstakel te beletten de weg te betreden (Knapton, 1996). Bij archeologische opgravingen zijn sporen van greppels een van de eerste aanwijzingen voor de mogelijke aanwezigheid van een Romeinse weg en in het geval van onverharde wegen vaak de enige manier om een wegtracé te herkennen. Via luchtfotografische prospectie kunnen deze lijnvormige elementen makkelijk worden waargenomen onder de vorm van lineaire cropmarks. Om zeker te zijn dat het om Romeinse sporen gaat, is het noodzakelijk de waarnemingen te verifiëren op het terrein (Chevallier, 1997; Vermeulen, 2001; Vermeulen et al., 2001).

1.5.3 Data analyse

1.5.3.1 χ2_{-test (chi}2_{-test) voor associatie}

Een χ2_{-test is een niet-parametrische statistische test die gebruikt wordt voor het bepalen van}

associaties tussen categorische variabelen (Dytham, 2011). De test kent een grote mate van detail waardoor er niet enkel bepaald kan worden of er associatie voorkomt, maar ook welke categorieën hiervoor verantwoordelijk zijn (McHugh, 2013). Door zijn simpele en duidelijke structuur kent de χ2_-test

een grote populariteit en wordt deze in veel verschillende onderzoekscontexten toegepast (Dytham, 2011; McHugh, 2013;).

Aan het begin van de analyse wordt eerst een frequentietabel van de data aangemaakt en twee hypothesen opgesteld:

• Nulhypothese, H0 → de categorieën zijn onafhankelijk

18 Wanneer er sprake is van een significante p-waarde – de kans op even extreme waarden van de geobserveerde data onder H0 – wordt H0 verworpen en HA aanvaard. Indien de p-waarde niet significant

is, wordt H0 niet verworpen. Er is sprake van een significante p-waarde wanneer deze zich onder het

significantieniveau bevindt. Hiervoor wordt er meestal gekozen voor 0.05 of 0.01. Hoe lager de p-waarde, hoe sterker het bewijs ten voordele van HA (Dytham, 2011; Goodman, 1999; Lee, 2019;

McHugh, 2013).

Na het opstellen van de hypothesen, het bepalen van het significantieniveau en het controleren van de assumpties kan de χ2_{-test worden uitgevoerd. Aan de hand van de frequentietabel wordt er voor elke}

categorie zowel het geobserveerde aantal als het verwachte aantal punten per categorie bepaald. Vervolgens vindt de χ2_{-test plaats aan de hand van onderstaande formule:}

∑ 𝜒

_𝑖𝑗2

=

(𝑂−𝐸)2

𝐸

met O = de geobserveerde waarden en E = de verwachte waarden.

Door niet enkel de gesommeerde χ2_{-waarde te bepalen maar ook die van elke cel apart is het mogelijk}

om bij een significante χ2_{-test te kijken welke categorieën hiervoor verantwoordelijk zijn. Wanneer de}

χ2_{-waarde in de cel ongeveer 1 bedraagt, komt het geobserveerde aantal overeen met het verwachte}

aantal en is er geen associatie. Indien de waarde kleiner is dan 1, ligt het aantal geobserveerde waarden onder de verwachting. Wanneer de cel waarde groter is dan 1 geldt het omgekeerde (McHugh, 2013).

Bij het uitvoeren van de χ2_{-test moet er rekening gehouden worden met drie assumpties:}

• Elk datapunt past slechts in één categorie en wordt niet meer dan één keer meegeteld • De datapunten zijn onderling onafhankelijk

• Er mag niet meer dan 20% van de verwachte waarden kleiner zijn dan 5

De volgende stap is het testen van de significantie van het resultaat door de berekende χ2_{-waarde te}

vergelijken met de corresponderende kritische χ2_{-waarde uit de tabel. Het opzoeken van deze kritische}

waarde vindt plaats aan de hand van het gekozen significantieniveau en het aantal vrijheidsgraden. De vrijheidsgraden worden berekend door het aantal rijen en kolommen van de frequentietabel elk te verminderen met 1 en de resultaten vervolgens te vermenigvuldigen (Dytham, 2011; McHugh, 2013).

1.5.3.2 Random forest voor classificatie

Behalve het uitvoeren van een χ2_{-test werd de dataset ook onderworpen aan een meer complexere}

statistische analyse, namelijk Random Forest (RF). RF is een populair niet-lineaire, niet-parametrische regressiemethode die zich baseert op Decision Tree Learning (DTL) (Breiman, 2001; Hastie et al., 2017). Door het samenvoegen van twee reeds bestaande algoritmes – bagging en random feature selection bij elke knoop – kan RF gezien worden als een verbetering van klassieke DTL methoden

19 (Breiman, 2001; Elith et al., 2008). Het combineren van verschillende elementen uit verschillende DTL methoden maakt RF een onderdeel van ensemble learning waarbij per model verschillende decision trees worden aangemaakt en uitgemiddeld (Hastie et al., 2017).

Bij klassieke DTL is het model via (simpele) beslissingsregels in staat de input data te classificeren, via classification trees of om bijhorende continue waarden te voorspellen via regression trees (Chauhan, 2020; Yiu, 2019). Onafhankelijk van hun type bestaan deze trees steeds uit een verzameling van hiërarchisch verbonden knooppunten waarbij elke knoop binair wordt opgesplitst in de vorm van een ‘als…dan…’ vraagstelling op basis van een specifieke voorspellingsvariabele (Figuur 3) (Gupta, 2017; Hastie et al., 2017; Sharma, 2019). Tijdens deze opsplitsing wordt de voorspellingsruimte opgedeeld in rechthoekige regions (Figuur 4) aan de hand van specifieke regels om de meeste homogene region voor de gebruikte voorspellingsvariable te identificeren (Elith et al., 2008; Hastie et al., 2017; Sharma, 2019). Vervolgens wordt er aan elke regio een constante toegekend – voor classification trees gaat het over de meest waarschijnlijke categorie. Deze procedure van binaire opsplitsing wordt herhaald tot een vooraf gedefinieerd stopcriterium is bereikt (Brownlee, 2016a; Elith et al., 2008; Hastie et al., 2017). Om over-fitting te vermijden, is het nodig om een te grote tree te verkleinen (pruning). Via cross-validation worden de minst accurate, en dus zwakste, linken geïdentificeerd waarna ze uit het model gehaald worden (Elith et al., 2008; Hastie et al., 2017; Hoare, 2017).

Figuur 3: Voorstelling van een enkele “decision tree” (links) met twee voorspellende variabelen X1 en X2, knopen t1, t2, t3 en

20

Figuur 4: Opsplitsing voorspellingsruimte (Bron: Sharma, 2019)

Zoals eerder vermeld is RF, ontwikkeld door Breiman (2001), een combinatie van klassieke DTL met toevoeging van bagging – ook gekend als bootstrap aggregation- en random feature selection. Breiman (1996) introduceerde het idee van bagging met het doel de variantie van de voorspelde functie te verminderen. In RF betekent dit dat dezelfde regression tree meerdere malen toegepast wordt op steekproeven van de bootstrapped trainingsdata waarvan de voorspellingen vervolgens uitgemiddeld worden om een model met lage variantie te bekomen. Het kiezen van steekproeven uit bootstrapped data zorgt ervoor dat ze willekeurig met vervanging gekozen zijn en dat de onafhankelijkheid van de verschillende regression trees verzekerd is (Breiman, 2001; Hastie et al., 2017; Rocca, 2019).

De tweede toevoeging in RF bovenop de klassiek DTL is de random feature selection bij elke knoop. Dit wil zeggen dat er bij elke knoop een willekeurige keuze plaatsvindt voor het selecteren van een subset . Deze methode werd door Ho (1995) ontwikkeld om het probleem van overfitting en het daaruit volgende probleem van te grote adaptie aan de trainingsdata op te lossen. Hierdoor ontstaat een RF waarbij de trees niet enkel getraind zijn op verschillende datasets, maar ook bij elke beslissing gebruik maken van andere kenmerken zodat ze elkaar bufferen en beschermen van fouten (Yiu, 2019). Bij het gebruik van deze random feature selection is het belangrijk om te bepalen hoeveel opsplitsingen er per knoop gekozen moeten worden. Hiervoor moet er gekeken worden naar de out-of-bag error (OOB) , die tijdens het uitvoeren van het algoritme berekend wordt als generalisatie fout. Naarmate het aantal trees in de RF groeit, zal de OOB stabiliseren en asymptotisch naar een limiet convergeren (Breiman, 2001; Hastie et al., 2017).

Samengevat kan gesteld worden dat bij elke nieuwe tree in RF een nieuwe subset van de originele trainingsdata geselecteerd wordt en daarbij de originele dataset vervangt. Uit deze nieuwe subset groeit een tree aan de hand van willekeurig geselecteerde kenmerken. Een proces dat herhaald wordt tot een groot bos niet-gecorreleerd trees ontstaan, die vervolgens worden uitgemiddeld (Breiman, 2001; Hastie et al., 2017; Yiu, 2019).

21 2. DATA, MATERIALEN EN METHODEN

2.1 Studiegebied

Het studiegebied waarin gewerkt wordt voor deze masterproef beslaat het volledige Vlaamse Gewest. Door op dit schaalniveau te werken, worden niet enkel de gekende hotspots voor Romeinse vondsten meegenomen in de analyses maar wordt er ook aandacht besteed aan minder vondstrijke gebieden. In Figuur 5 is de situering en verspreiding van de verschillende data- en controlepunten in Vlaanderen weergegeven. Deze datapunten komen overeen met de locaties waar er een Romeinse weg (RW) werden teruggevonden.

Figuur 5: Overzicht van de verspreiding van de data- en controlepunten in het studiegebied in combinatie met het Romeinse wegennet volgens Mertens (Bron: eigen verwerking).

2.2 Dataverwerving

Het grootste deel van de geografische data werd verworven door gebruik te maken van verschillende functies van QGIS versie 3.10.a (QGIS Development Team, 2020b), tenzij anders vermeld. Ook de koppeling van de verschillende variabelen aan de data- en controlepunten vond volledig plaats in deze GIS-omgeving. De RW- en controlepunten bestonden gedurende het volledige proces van dataverwerving uit twee aparte, gis-lagen, die nadat alle variabelen werden toegevoegd, in Excel werden samengebracht tot één grote dataset. Deze dataset vormde de basis voor de data-analyse.

22 2.2.1 Vindplaatsen Romeinse wegen

Data over de vindplaatsen van de Romeinse wegen (RW) werd verzameld aan de hand van 88 archeologische rapporten uit de periode 1950 – 2019. Uit deze rapporten werden verschillende variabelen gehaald die werden samengebracht in een gedeelde databank ter beschikking van alle medewerkers van het Romeinse wegenproject (Bijlage 1). Uit deze databank werden op basis van de onderzoeksvragen en bevindingen uit de literatuurstudie een selectie uitgevoerd van variabelen die meegenomen werden in het verdere verloop van deze masterproef en gebruikt voor het opstellen van een typologie. Deze variabelen zijn:

• Ligging van de Romeinse weg op basis van het zwaartepunt van de vondstlocatie • Aanwezigheid/afwezigheid van een gracht

• Belang/orde van de weg → primair, niet-primair • Aanwezigheid/afwezigheid van een verhard wegdek

Het definiëren van primaire en niet primaire wegen is een vrij arbitrair begrip. In deze studie is het onderscheid gemaakt op basis van de plaatsen die door de wegen verbonden werden. Een weg wordt in deze studie als primair beschouwd wanneer deze in verbinding staat met een centrale plaats en dus een (vermoedelijk) onderdeel vormt van het hoofdwegennet. Wanneer dit niet het geval is dan wordt de weg als niet-primair beschouwd. Er is gekozen om geen verder onderscheidt te maken, in bijvoorbeeld secundaire en lokale wegen, omdat er over de verschillende archeologische rapporten geen eenduidige definitie over de orde van de wegen wordt aangehouden. Hierdoor kan er vaak niet gespecifieerd worden of de gevonden weg deel uitmaakte van een verbinding tussen nederzettingen of dat het een weg betreft die leidde naar akkers of bosgebieden in de buurt.

Uit de databank werden tenslotte 148 datapunten weerhouden die werden omgezet naar een shapefile (Bijlage 2). De geselecteerde datapunten bestaan enkel uit archeologisch vastgestelde sporen van Romeinse wegen. Punten vastgesteld op basis van andere mogelijke databronnen, zoals historische verwijzingen of indicaties op basis van toponiemen werden niet gebruikt, aangezien deze eerder berusten op interpretaties dan op echte vaststellingen.

2.2.2 Controledata

De relatie tussen enerzijds de geomorfologische en bodemkundige kenmerken en anderzijds het al dan niet voorkomen van archeologische sporen van Romeinse wegen, werd onderzocht door de 148 vindplaatsen van Romeinse wegen te vergelijken met 1574 punten waar geen sporen van Romeinse wegen gevonden zijn. Hiervoor werden bodemprofielpunten gekozen uit de databank AARDEWERK (Geopunt, 1998; Van Orshoven et al., 1988). Voor elke vindplaats van een Romeinse weg werden als controlepunten alle bodemprofielen gekozen die voorkomen binnen een straal van 5 km van een datapunt. Deze afstand werd gekozen om de representativiteit van de controlepunten te garanderen en de controledataset tegelijkertijd voldoende groot te houden.

23 De selectie vond plaats in QGIS door een combinatie van twee functies: de buffer en ‘select-by-location’. Op deze manier werd er eerst een buffer van 5 km rond de datapunten getrokken waarna alle controlepunten werden geselecteerd die binnen deze buffer lagen.

Vervolgens werd de laag met de controledata samengevoegd met de laag van de datapunten (Bijlage 3). Deze koppeling kon eenvoudig worden uitgevoerd via de ‘merge layers’-functie van de ‘mmqgis’ plugin (Minn, 2020). Deze functie voegt verschillende vectorlagen samen tot één laag onder de voorwaarde dat ze dezelfde attributen bevatten. Om geen data uit de archeologische rapporten te verliezen werd er gebruik gemaakt van een aangepaste kopie van de laag met de datapunten.

2.2.3 Bodemgegevens

Doordat de controledata deel uitmaken van de AARDEWERK databank bevatten deze reeds een groot aantal bodemgegevens, wat niet het geval was bij de datapunten. Om er zeker van te zijn dat er consistentie bestaat tussen de bodemgegevens van de data- en controlepunten is er voor gekozen om niet te werken met de reeds aanwezige bodemgegevens, maar om ook de bodemgegevens van de controlepunten uit de Digitale Bodemkaart van het Vlaams Gewest (Geopunt, 2016) te halen. Door op deze manier te werken kennen alle bodemgegevens dezelfde oorsprong en dezelfde graad van detail.

Uit de bodemkaart (Van Ranst en Sys, 2000) werden drie variabelen gehaald:

• Bodemtextuur: lemige bodems (textuurklassen P.., L.. en A..) , kleiige bodems (textuurklassen E.. en U..), zandige bodems (textuurklassen S.. en Z..) en veen (V..)

• Drainageklasse: nat (code .d., .e., .f. en .g.) en droog (code .a., .b. en .c.)

• Profielontwikkeling: holoceen colluvium/alluvium (code ..p) en niet colluvium/alluvium (code ..a, ..b, ..c, ..d, ..e, ..f, ..g, ..h, ..m en ..x)

Om de analyseresultaten beter te kunnen interpreteren werden nieuwe categorieën aan de variabelen toegewezen op basis van de bevindingen uit de literatuurstudie. De bodemtextuur werd gereduceerd tot drie grote categorieën genoemd naar de hoofdtexturen – leem, klei en zand – waarbij lichte zandleem (P…) terechtkwam bij ‘leem’ en lemig zand (S…) een plaats kreeg in de categorie ‘zand’ en een veen categorie. Deze laatste categorie werd meegenomen doordat een klein aantal van de controlepunten op een veenbodem gelegen zijn en om de dataset zo volledig mogelijk te houden. De drainageklasse werd gereduceerd tot nat en droog en de profielontwikkeling ten slotte tot colluvium/alluvium en niet-colluvium/alluvium. Een aantal van de datapunten zijn gelegen op een antropogeen verstoorde of vergraven bodem (kaarteenheden OB, OE, ON en OT) of in poldergebieden en werden door de unieke kenmerken die ze vertonen ingedeeld in aparte bodemtextuurklassen, namelijk ‘antropogeen’ en ‘polder’.

De koppeling tussen de bodemgegevens en de data- en controlepunten vond plaats via de QGIS plugin ‘Point sampling tool’. Deze plugin koppelt de attributen van een polygoon- of rasterlaag aan een bovenliggende puntlaag (Jurgiel, 2020). Wanneer de gegevens gekoppeld waren, werden deze

24 onmiddellijk aangepast volgens de nieuwe categorieën via de functie ‘veldberekeningen’ in de attributentabel.

2.2.4 Bodemdistricten

Behalve pure bodemgegevens werd er ook een koppeling gemaakt tussen de bodemdistricten – opgesteld door Dondeyne et al. (2014) op basis van de ‘fysische systeemkaart’ van Lhermitte en Honnay (1994) – en de datapunten. In totaal zijn er in Vlaanderen 24 districten afgebakend op basis van een combinatie van bodemkundige, geomorfologische en hydrografische kenmerken. De koppeling gebeurde op dezelfde manier als die met de bodemgegevens.

2.2.5 Hoogtedata en terreinanalyse op basis van het Digitaal terreinmodel Vlaanderen

Gegevens over de hoogteligging van de punten en afgeleide variabelen werden allemaal gehaald uit het Digitaal terreinmodel van Vlaanderen (DTM) met een 5m resolutie (Vlaamse Milieu Maatschappij - afdeling Operationeel Waterbeheer, 2014). Er is gekozen voor deze resolutie omdat een grid van 5m op 5m een voldoende hoge graad van detail geeft en tegelijk de ruis van tijdelijke ophogingen, zoals mesthopen, uit de dataset gefilterd zijn. Hierdoor is er een grotere zekerheid dat enkel het effectieve reliëf meegenomen wordt in de terreinanalyse.

Het uitvoeren van de terreinanalyse vond plaats in twee stappen. De eerste stap bestond uit het koppelen van de hoogteligging aan de data- en controlepunten. Deze koppeling vond plaats door, net zoals bij de bodemdata, gebruik te maken van de ‘Point sampling tool’ (Jurgiel, 2020). Doordat de punten verspreid lagen over meerdere kaartbladen werden de resultaten per kaartblad in een aparte attribuutkolom gezet, waarbij alle punten gelegen op andere kaartbladen de waarde ‘NULL’ kregen toegewezen. Om het overzicht te verbeteren werden deze verschillende kolommen vervolgens samengevoegd via de expressie ‘COALESCE’. Deze expressie maakt een samengevoegde kolom door alle kolommen af te gaan en voor elke rij telkens de eerst tegengekomen waarde te nemen die verschilt van ‘NULL’ (QGIS Development Team, 2020a).

De volgende stap bestond uit het uitvoeren van een ‘basic terrain analysis’ via de plugin van SAGA versie 2.3.2 in QGIS (Conrad et al., 2016). Dit is een krachtige, automatische terreinanalyse op basis van een DTM waarbij 16 verschillende geomorfologische en hydrografische kenmerken bepaald en berekend worden (Fisher et al., 2016). Op basis van de literatuurstudie en de onderzoeksvragen werd een selectie gemaakt van acht (mogelijk) relevante kenmerken die op de delfde manier als de hoogtedata gekoppeld werden aan de data- en controlepunten. Deze acht kenmerken zijn :

• Aspect = richting waarnaar een helling gericht is ten opzichte van het noorden. Deze richting wordt op onderstaande manier bepaald (GIS Geography, 2016). In dit onderzoek werd er gewerkt met aspect-waarden uitgedrukt in radialen.

o Plat = -1

25 o Noordoost = 22,5° tot 67,5° (0,39 tot 1,18 rad) en 292,5° tot 337,5° (5,11 tot 5,89 rad) o Oost = 67,5° tot 112,5° (1,18 tot 1,96 rad)

o Zuidoost = 112,5° tot 157,5° (1,96 tot 2,75 rad) o Zuid = 157,5° tot 202,5° (2,75 tot 3,53 rad) o Zuidwest = 202,5° tot 292,5° ( 3,53 tot 5,11 rad) o Noordwest = 292,5° tot 337,5° (5,11 tot 5,89 rad)

• Convexiteit = positieve oppervlakte kromming waarbij convexe gebieden een positieve waarde toegewezen krijgen, concave gebieden een negatieve en vlakke helling overeenkomen met waarde 0 (Iwahashi & Pike, 2007).

• Plan curvature = mate van convexiteit/concaviteit van een helling bekeken dwars op de hoogtelijnen (Fisher et al., 2016).

• Profile curvature = mate van convexiteit/concaviteit van een helling bekeken parallel aan de hoogtelijnen (Fisher et al., 2016).

• Relative slope position (RLS) = relatieve hoogte op een helling in vergelijking met de hoogte van de valleibodem en de hoogte van de hellingskam volgens onderstaande formule (Evans, z.d.):

o RLS = ( ℎ𝑜𝑜𝑔𝑡𝑒−𝑣𝑎𝑙𝑙𝑒𝑖ℎ𝑜𝑜𝑔𝑡𝑒

ℎ𝑜𝑜𝑔𝑡𝑒 𝑣𝑎𝑛 𝑑𝑒 hellingskam−valleihoogte) ∗ 100 + 0,5

• Slope = de verhouding tussen het hoogteverschil tussen twee punten en hun onderlinge horizontale afstand volgens onderstaande formule (Brouwer et al., 1985):

o Slope = _{horizontale afstand}hoogteverschil

• Valley depth = het verschil tussen de hoogte en een geïnterpoleerde hoogte van de hellings-kam (Conrad, 2012).

• Topographic wetness index (TWI) = mate waarin een water accumulatie plaatsvindt in een gebied, ervan uitgaande dat er sprake is van een uniforme bodem. Deze variabele wordt berekend op celniveau volgens onderstaande formule:

o TWI = ln (𝑆𝑝𝑒𝑐𝑖𝑓𝑖𝑐 𝐶𝑎𝑡𝑐ℎ𝑚𝑒𝑛𝑡 𝐴𝑟𝑒𝑎

tan (ℎ𝑒𝑙𝑙𝑖𝑛𝑔𝑠ℎ𝑜𝑒𝑘) )

met Specific Catchment Area = hellingopwaarts gebied waarvan water afgeleid wordt naar de cel waarvoor de TWI berekend wordt (Mattivi et al., 2019; Sørensen et al., 2006).

26 2.2.6 Afstand tot waterwegen

Behalve de geomorfologie werd er ook aandacht besteed aan het belang van de aanwezigheid van water in de buurt van de gevonden Romeinse wegen. Hiervoor werd er een beroep gedaan op de Vlaamse hydrografische atlas – waterlopen (Vlaamse Milieu Maatschappij - afdeling Operationeel Waterbeheer, 2014). Deze atlas bevat alle bevaarbare en onbevaarbare waterlopen in Vlaanderen. Omdat er specifiek gezocht wordt naar de afstand tot de dichtstbijzijnde waterloop werd er rond de data- en controlepunten een buffer – via de bufferfunctie – van 10 km aangelegd waarbinnen gezocht werd. Het gaat hier over de hedendaagse lopen van de waterlopen en niet de historische. Hierdoor is het mogelijk dat deze niet meer overeenkomen met de situatie in de Romeinse periode en dat de bepaalde afstanden dus een afwijking vertonen met de toenmalige realiteit.

Het bepalen van de afstanden vond plaats in QGIS via de ‘NNjoin’ plugin (Tveite, 2019). Deze plugin voegt een input- en een join-laag samen op basis van het ‘dichtstbijzijnde-buur-principe’, waarbij er voor elk punt van de input-laag gezocht wordt naar het dichtstbijzijnde element van de join-laag. Wanneer dit element gevonden is, wordt de tussenliggende afstand opgeslagen in de attributentabel van een nieuwe vectorlaag, die alle attributen en kenmerken van de input-laag bevat. In dit geval bestond de input-laag uit de data- en controlepunten en de join-laag bevatte alle waterwegen gelegen binnen de buffer van 10 km. Voor de laatste stap van de dataverwerving werd er gewerkt met de nieuw gecreëerde vectorlaag.

2.2.7 Afstand tot trajecten aangeduid door Mertens

Als laatste werd er gekozen om de afstand tot het door Mertens bepaalde wegennet toe te voegen. Hierdoor is het mogelijk om in een latere fase van het onderzoek te kijken hoe groot de gelijkenissen zijn tussen de resultaten die via deze werkwijze bekomen worden en het in 1950 door Mertens bepaalde Romeinse wegennet.

De eerste stap bestond uit het digitaliseren en georefereren van de door Mertens getekende kaart (Mertens, 1955). Deze kaart geeft een indicatie van de mogelijke ligging van de grootste Romeinse wegen in Vlaanderen. Omdat het voornaamste doel een vergelijking van grove patronen is, vormt de grove manier waarop de kaart is ingetekend en de moeilijkere georeferering die hiermee gepaard ging geen nadeel voor het maken van een vergelijking.

Na het intekenen en digitaliseren kon de afstand tussen de data- en controlepunten en de dichtstbijzijnde weg van Mertens bepaald worden. Dit gebeurde via dezelfde methode als de afstand tot de dichtstbijzijnde waterwegen met de data- en controlepunten als input-laag en de gedigitaliseerde kaart als de join-laag. De attributentabel van de nieuwgevormde laag werd vervolgens omgezet naar een Excelbestand en vormde de dataset die in de analyses werd gebruikt.

27 2.3 Data analyse

2.3.1 Voorbereiden van de dataset

Na het verwerven van alle data werden zowel de attributentabel van de datapunten als de controlepunten vanuit QGIS geïmporteerd naar Excel, waar de datasets werden samengevoegd. Deze nieuwe dataset bevatte 1722 datapunten waarvan 1574 controlepunten en 148 punten met sporen van Romeinse wegen. Tabel 1 geeft een uittreksel van deze dataset weer. Omdat de data bestaat uit gegevens van verschillende datatypes en een grote variatie van bronnen bevat, werden er voor de aanvang van de analyses enkele aanpassingen aangebracht.

Tabel 1: Uittreksel van de gebruikte dataset

X*

Y*

Afstand tot

water (m)

textuur drainage

Profiel-ontwikkeling

Afstand tot weg

Mertens (m)

106901

204935

668,3

Z

c

h

2082,7

84442

199518

160,0

Z

c

c

11051,8

157224

202683

251,9

P

d

c

2103,9

85707

200689

332,6

Z

c

g

9692,1

107291

205333

721,1

Z

c

h

1627,0

Aspect (radialen tov noorden)

convexiteit

Plan

curvature

Profile

curvature

Relative

Slope

position

Slope

(radialen)

Wetness

index

Valley

depth

4,7

49,1

0,0001

0,0002

0,0019

0,0002

8,5

16,8

3,1

51,5

0,0000

0,0000

0,0020

0,0001

11,0

2,2

1,3

50,4

0,0000

-0,0001

0,0421

0,0002

8,5

0,9

0,8

51,7

0,0001

-0,0002

0,0001

0,0002

9,1

6,1

3,4

49,4

0,0000

0,0006

0,0029

0,0002

9,0

17,8

Hoogte

RW

8,7

1

11,4

1

15,6

1

10,3

1

8,6

1

*Belgische Lambert 72 projectie

De eerste aanpassing was het omzetten van de bodemgegevens naar binaire dummy variabelen. In plaats van voor elke variabele met betrekking tot de bodemgegevens te werken met één kolom werden deze opgesplitst in zes kolommen – gebaseerd op de eerder bepaalde categorieën van de bodemdata – voor de bodemtextuur en twee kolommen voor zowel de drainageklasse als de profielontwikkeling (Bijlage 4).

Het werken met dummy-variabelen maakte het opstellen van de frequentietabel voor de χ2_-test

28 categorie behoorde, was het optellen van de waarden voldoende om de frequenties te bepalen. Ook bij de RF-analyse had de implementatie van dummy-variabelen een voordeel. Op deze manier werd er aan elke textuur-, drainage- en profielcategorie per type een mate van belangrijkheid gegeven in plaats van een algemene, waardoor de interpretatie van de invloed van de bodemkenmerken vergemakkelijkt werd.

Tabel 2 toont een uittreksel van de dataset aangepast met dummy-variabelen.

Tabel 2: Uittreksel van de aangepaste dataset

Klei

(0/1)

Zand

(0/1)

Veen

(0/1)

Antropogeen

(0/1)

Polder

(0/1)

Droog

(0/1)

Nat (0/1)

0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 1 0 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 1 0 Antropogeen-polder (0/1) Col/all (0/1) Geen profiel (0/1) Antropogeen -polder (0/1) X* Y* 0 1 0 0 54862 197682 0 1 0 0 138221 177093 0 1 0 0 64195 204650 0 0 1 0 88903 164296 0 0 1 0 225228 162344 Afstand tot water (m) Afstand tot Mertens (m) Aspect (radialen tov noorden) Convexiteit Plan curvature Profile curvature 441,5 0,6 0,3 47,8 0,0002 -0,0005 337,8 1,7 2,2 44,9 -0,0036 -0,007 91,5 3,1 6,1 50,2 0,0003 0,0003 100,7 5,2 2,9 50,4 0,0000 0,0000 470,4 11,9 5,0 49,8 -0,0009 -0,0005 Relative slope position Slope (radialen) Topographic Wetness index

Valley depth Hoogte RW

0,1003 0,0367 9,1 3,9 29,7 0

0,0000 0,0698 10,5 9,4 59,8 0

0,0357 0,0061 7,6 13,9 10,8 0

0,2321 0,0003 12,1 0,4 13,6 0

0,0502 0,0376 4,6 3,5 99,8 1

*Belgische Lambert 72 projectie

Een tweede voorbereiding was het standaardiseren van de niet-binaire categorieën van de dataset voor de uitvoer van de RF-analyse (Bijlage 5). De waarden afgeleid van het DTM kennen een grote variatie in bereik en gebruikte eenheden. Door deze waarden te standaardiseren werden de verschillen tussen de variabelen weggewerkt en werd het maken van vergelijkingen makkelijker, wat tot beter resultaten van de het RF-model heeft geleid.

29 Deze standaardisatie vond plaats door gebruik te maken van de ‘scale’-functie van het standardize package versie 0.2.1 in R software versie 3.6.2 (Eager, 2017; R Core Team, 2019). De functie maakt gebruik van volgende formule:

𝑥−𝑚𝑒𝑎𝑛(𝑥)

𝑠𝑑(𝑥) met x = waarde bepaald tijdens basic terrain analysis

mean(x) = gemiddelde waarde van de kolom sd(x) = standaardafwijking van de kolom

2.3.2 χ2-test (chi2_{-test) voor associatie}

2.3.2.1 Associatie voorkomen RW en bodemtextuur

De eerste analyse die werd uitgevoerd was een χ2-test voor associaties op basis van de bodemdata (Bijlage 6). Deze analyse vond volledig plaats in Excel volgens de methode beschreven door Dytham (2011) en bestaat uit vier stappen. In de eerste stap werden zowel een absolute als een procentuele frequentietabel opgesteld van de bodemtextuur (Tabel 3 en 4). Het berekenen van de frequenties gebeurde door een optelling te maken van de waarden per kolom. Doordat de bodemdata in binaire vorm werd gezet, vormt de uitkomst van deze sommen het aantal data- en controlepunten per textuurtype.

Tabel 3: Frequentietabel punten met/zonder Romeinse weg in functie van de bodemtextuur

Aantal data-punten Lemige bodem Kleiige bodem Zandige bodem Veen-bodem Antropogene bodem Polder-gebied Totaal Zonder RW 824 96 493 6 72 83 1574 Met RW 57 2 60 0 27 2 148 Totaal 881 98 553 6 99 85 1722

Tabel 4: Procentuele frequentietabel punten met/zonder Romeinse weg in functie van de bodemtextuur

Aantal data-punten %-Lemige bodem %-Kleiige bodem %-Zandige bodem %-Veen-bodem %-Antropogene bodem %-Polder-gebied %-Totaal Zonder RW 47,85 5,57 28,63 0,35 4,18 4,82 91,41 Met RW 3,31 0,12 3,48 0,00 1,57 0,12 8,59 %Totaal 51,16 5,96 32,11 0,35 5,75 5 100

30 Na het maken van de frequentietabel met de geobserveerde waarden werd deze gebruikt voor het bepalen van de verwachte waarden aan de hand van de formule:

𝑣𝑒𝑟𝑤𝑎𝑐ℎ𝑡𝑒 𝑤𝑎𝑎𝑟𝑑𝑒 = 𝑟𝑖𝑗𝑡𝑜𝑡𝑎𝑎𝑙 ∗ 𝑘𝑜𝑙𝑜𝑚𝑡𝑜𝑡𝑎𝑎𝑙 𝑎𝑎𝑛𝑡𝑎𝑙 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑡𝑖𝑒𝑠

Doordat er op veenbodems tot op heden geen sporen van Romeinse wegen werden teruggevonden, werd deze categorie niet weerhouden voor het bepalen van de waargenomen waarden. Indien deze grondsoort toch meegenomen zou worden voor de rest van de test, dan zou er niet meer voldaan zijn aan de derde assumptie waarbij niet meer dan 20% van de verwachte waarden kleiner mag zijn dan vijf.

De derde stap bestond uit het uitvoeren van de χ2_{-test via de Excel functies ‘CHI.TOETS’ en de}

‘CHI.KWADRAAT.INV’ op een 95%-significantieniveau, waarbij respectievelijk de p-waarde en de χ-waarde berekend worden op basis van de waargenomen en de verwachte χ-waarden en het aantal vrijheidsgraden (Microsoft Support Office, 2020a, 2020b). Voor het uitvoeren van de test werden onderstaande hypothesen geformuleerd:

• H0: er bestaat geen verband tussen het voorkomen van Romeinse wegen en de bodemtextuur

• HA: er bestaat wel een verband tussen het voorkomen van de Romeinse wegen en de

bodemtextuur.

In de laatste stap werd de berekende χ-waarde vergeleken met de overeenkomende kritische waarde in de χ2_{-tabel. Wanneer de berekende waarde groter is dan de kritische, dan wordt de test als significant}

beschouwd en bestaat er een verband tussen de bodemtextuur en het voorkomen van Romeinse wegen.

2.3.2.2 Associatie kenmerken RW en bodemdistricten

Een tweede analyse die werd uitgevoerd was een χ2-test voor associaties op basis van de bodemdistricten volgens dezelfde methode als die op basis van de bodemtextuur (Bijlage 6). Om te voldoen aan de voorwaarden werden er, zowel bij de bodemdistricten als bij de kenmerken van de RW, categorieën samengenomen. De 16 bodemdistricten waar RW werden teruggevonden, werden onderverdeeld in twee categorieën op basis van de dominante bodemtextuur. Deze categorieën zijn:

31 • Bodemdistricten met dominante zandbodem:

o Centrale Boomse cuesta o Oostelijke Vlaamse laagvlakte o

o Centrale Vlaamse laagvlakte o Vlakte van de Maas o

o Depressie van de Netes o Westelijke Boomse cuesta o

o Hagelands heuvelland o West-Vlaams cuestaland o

o Leie-Schelde intervluvium o Zuidelijke Vlaamse laagvlakte o

o Maasterassen o

• Bodemdistricten met dominante leembodem: o Brabants plateau

o Dender-Zenne interfluvium o Plateau van Haspengouw o Schelde-Dender interfluvium

• Bodemdistricten met dominante kleibodem: o Kustvlakte

Het aantal verwachte waarden voor de kustvlakte voldeed niet aan de voorwaarden, waardoor beslist is deze categorie niet mee te nemen in de χ2-testen voor de kenmerken van de RW. Deze categorie bevatte vijf datapunten, waarvan vier zonder of met ontbrekende data, wat het totaal aantal datapunten voor deze testen op 143 brengt in plaats van 148.

Omdat het niet mogelijk was de relatie tot meerdere kenmerken tegelijk te bekijken werd ervoor gekozen om drie χ2-testen uit te voeren en deze vervolgens te vergelijken. De gebruikte categorieën en respectievelijke hypothesen zijn:

• Gracht/geen gracht:

o H0: er bestaat geen verband tussen het voorkomen van een gracht en de

bodemdistricten.

o HA: er bestaat wel een verband tussen het voorkomen van een gracht en de

bodemdistricten. • Verhard/onverhard:

o H0: er bestaat geen verband tussen het voorkomen van verharding en de

bodemdistricten.

o HA: er bestaat wel een verband tussen het voorkomen van verharding en de