Remote Sensing-gebietsklassifikaasje basearre op AI-ôfbyldingsherkenning

Provinsje Súd-Hollân

Op grûn fan byldherkenning fan satellytbylden en analyzes wurde feroarings yn Natura 2000-gebieten transparant makke en yn detail yn kaart brocht. Wy dogge dit foar ekologyske doelen.

Lêst feroare op 22 novimber 2024 om 11:34 | Publikaasjestandaard 1.0

• Publicatiecategorie: Oare algoritmes
• Impacttoetsen: Fjild net ynfierd.
• Status: Yn gebrûk

Algemene ynformaasje

Tema

Natuer en miljeu

Begjindatum

Fjild net ynfierd.

Kontaktgegevens

Voor vragen en opmerkingen kan je terecht bij: [e-mail]. Wil je bezwaar maken, dan kan je terecht bij de Juridische afdeling van dienst beheer organisatie. https://www.zuid-holland.nl/contact/

Link nei publykspagina

https://github.com/Provincie-Zuid-Holland/satellite_images_nso_extractor https://github.com/Provincie-Zuid-Holland/satellite-images-nso-datascience https://github.com/Provincie-Zuid-Holland/satellite_images_nso_tif_model_iterator https://github.com/Provincie-Zuid-Holland/vdwh_ahn_processing

Link nei boarneregistraasje

NSO, Scikit

Ferantwurde gebrûk

Doel en impact

Troch tûke algoritmen te brûken kinne wy ​​feroarings yn in natuergebiet yn kaart bringe en analysearje. Sa kinne wy ​​it effekt op it miljeu foarsizze en maatregels nimme. Mei help fan byldherkenning op satellytbylden en analyzes wurde feroarings yn Natura 2000-gebieten, in Europeesk netwurk fan beskerme natuergebieten, transparant makke en yn detail yn kaart brocht. Dat wurdt dien om ekologyske doelen te stypjen, lykas it kontrolearjen fan stikstofbelied.

De provinsje Súd-Hollân wurdt kontrolearre mei ferskate sensoren (satellietbylden, LIDAR, IR, multispektraal, magnetron, ensfh.) fan satelliten, fleantugen en helikopters. In protte fan dizze gegevens is fergees beskikber. It brûken fan sokke gebietsbrede mjitsearjes kin in grutte ympuls jaan oan it tafersjoch op natuergebieten.

It ynterpretearjen fan remote sensing-gegevens yn ekologysk relevante ynsjoggen kin in wichtige boustien wêze foar in digitale twilling fan 'e natuer. Dizze mjitsearjes kinne tsjinje as it 'skelet' of ramt dêr't de digitale twilling fierder op boud wurde kin. Dronebylden, yn kombinaasje mei soarte erkenning, jouwe ek in middel om tige detaillearre gegevens te krijen. Dat fergruttet de dekking en soarget foar bettere bywurking binnen de provinsje.

It bioferskaat fan de wenomjouwing is leger as winske. Op Europeesk nivo is fêststeld dat oerheidsynstânsjes de taak hawwe om dat te ferbetterjen yn Natura 2000-gebieten. Mei help fan ôfbyldingsherkenning wurde feroaringen yn dizze gebieten transparant makke en yn detail yn kaart brocht. Dêrmei kinne plantesoarten erkend en kontrolearre wurde, bygelyks om de fersprieding fan invasive soarten te identifisearjen en sanearjende maatregels te nimmen tsjin stikstof. Binnen natuergebieten binne bepaalde plantesoarten gefoelich foar stikstof. In oerskot oan stikstof makket dat dizze plantesoarten ferdreaun wurde troch oare, minder winsklike soarten, lykas nettelgers. Dit proses, lykas gersfoarming, kin negative gefolgen hawwe foar it bioferskaat fan bygelyks dúngebieten. De resolúsje fan de bylden is 50 oant 30 sintimeter rauwe gegevens fan NSO, mei aggregations fan oant 3-4 meter foar ekologyske tapassingen. D'r is gjin ynfloed op minsken om't se net werkenber binne op de satellytbylden (ôfhinklik fan NSO-privacykontrôle).

Afwagings

Iepen en dúdlike kommunikaasje oer it brûken fan satellytbylden is essensjeel foar akseptaasje en fertrouwen fan ynwenners yn dizze technology. It gebrûk is allinnich bedoeld foar natuerbehear en stikstofbelied.

Minskele tuskenkomst

Ja troch de ekologen.

Risikobehear

It model is 90% wetterdicht. Minsklike yntervinsje (ekolooch) is nedich om dingen te kontrolearjen. It is ek goed om neist droneôfbyldings te sjen. De krektens is 90% fan ôfbyldingsherkenning mei F1-skoare.

Wurking

Gegevens

Dizze dataset befettet snapshots fan automatysk oanmakke fegetaasjestruktuerklassifikaasjes fan 'e Natura 2000-gebieten, basearre op SuperView en Pleiades Neo satellytbylden fan NSO. De ôfbyldings wurde elke ien oant fjouwer moanne beskikber steld en troch in model yndield yn fegetaasjestruktuerklassen. De analysearre ôfbyldings geane werom nei 2019.

De gegevens wurde fisualisearre yn in ArcGIS Operations Dashboard, wêrtroch alle segmentearre snapshots kinne wurde fergelike.

Links nei gegevensboarnen

• NSO: https://www.spaceoffice.nl/nl/
• Scikit: https://scikit-learn.org/

Technyske wurking

Scikit leare: pakketmodellen iepen boarne binnen Python.

Model: Pixed Based Random bosk foar it werkennen fan fegetaasjestruktueren.