Remote Sensing gebiedsclassificatie op basis van AI beeldherkenning

Provincie Zuid-Holland

Op basis van beeldherkenning van satellietbeelden en analyses worden veranderingen in natura2000 gebieden inzichtelijk gemaakt en gedetailleerd in kaart gebracht. Dit doen we voor ecologische doeleinden.

Laatst gewijzigd op 22 november 2024 om 11:34 | Publicatiestandaard 1.0

• Publicatiecategorie: Overige algoritmes
• Impacttoetsen: Veld niet ingevuld.
• Status: In gebruik

Algemene informatie

Thema

Natuur en milieu

Begindatum

Veld niet ingevuld.

Contactgegevens

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 naar publiekspagina

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 naar bronregistratie

NSO, Scikit

Verantwoord gebruik

Doel en impact

Door gebruik van slimme algoritmes kunnen we veranderingen in een natuurgebied in kaart brengen en analyseren. Zo kunnen we voorspellen wat het effect op de omgeving is en maatregelen nemen. Met behulp van beeldherkenning op satellietbeelden en analyses worden veranderingen in Natura 2000-gebieden, een Europees netwerk van beschermde natuurgebieden, inzichtelijk gemaakt en gedetailleerd in kaart gebracht. Dit wordt gedaan om  ecologische doeleinden, zoals het monitoren van stikstofbeleid, te ondersteunen. 

De provincie Zuid-Holland wordt gemonitord met behulp van  verschillende sensoren (satellietbeelden, LIDAR, IR, multispectraal, microgolf, etc.) afkomstig van satellieten, vliegtuigen en helikopters.  Een groot deel van deze data is gratis beschikbaar. Het benutten van dergelijke gebiedsdekkende meetreeksen kan een grote impuls geven aan het monitoren van natuurgebieden. 

Het interpreteren van remote sensing-data tot ecologisch relevante inzichten kan een belangrijke bouwsteen vormen voor een digital twin van de natuur. Deze meetreeksen kunnen dienen als het ‘skelet’ of raamwerk waarop de digital twin verder kan worden opgebouwd. Ook bieden drone-beelden, in combinatie met soortherkenning, een middel om zeer gedetailleerde data te verkrijgen. Dit verhoogt de dekking en het zorgt voor een betere actualisatie binnen de provincie. 

De biodiversiteit van de leefomgeving is lager dan gewenst. Op Europees niveau is bepaald dat overheidsinstanties de taak hebben dit te verbeteren in Natura 2000-gebieden. Met behulp van  beeldherkenning worden veranderingen in deze gebieden inzichtelijk gemaakt en gedetailleerd in kaart gebracht. Hierdoor kunnen plantensoorten worden herkend en gemonitord, bijvoorbeeld om de verspreiding van invasieve soorten te identificeren en herstelmaatregelen te nemen tegen stikstof. Binnen natuurgebieden zijn bepaalde plantensoorten gevoelig voor stikstof. Een overmaat aan stikstof  zorgt ervoor dat deze plantensoorten worden verdrongen door andere, minder gewenste soorten, zoals brandnetelgrassen. Dit proces, zoals vergrassing, kan negatieve gevolgen hebben voor de biodiversiteit van bijvoorbeeld duingebieden. De resolutie van de beelden bedraagt 50 tot 30 centimeter ruwe data van NSO, met aggregaties tot 3-4 meter voor ecologische toepassingen. Er is geen impact op mensen omdat zij niet herkenbaar zijn op de satellietbeelden (afhankelijk van privacycheck NSO). 

Afwegingen

Open en heldere communicatie over het gebruik van satellietbeelden is essentieel voor de acceptatie door inwoners en het vertrouwen in deze technologie. Het gebruik is uitsluitend bedoeld voor natuurbeheer en stikstofbeleid.

Menselijke tussenkomst

Ja door de ecologen.

Risicobeheer

Het model is 90% waterdicht. Er is menselijke tussenkomst (ecoloog) nodig, om zaken te controleren. Ook is het goed om aanvullend naar dronebeelden te kijken. De accuratie is 90% van beeldherkenning met F1 score. 

Werking

Gegevens

Deze dataset bevat momentopnames van geautomatiseerd gegenereerde vegetatiestructuurclassificaties van de Natura 2000-gebieden, op basis van SuperView- en Pleiades Neo-satellietbeelden van NSO. De beelden worden elke één tot vier maanden beschikbaar gesteld en door een model gesegmenteerd in  vegetatiestructuurklassen. De geanalyseerde beelden gaan terug tot 2019.  

De data worden gevisualiseerd in een ArcGIS Operations Dashboard, waarmee alle gesegmenteerde momentopnames onderling kunnen worden vergeleken.

Links naar gegevensbronnen

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

Technische werking

Scikit learn: pakket modellen open source binnen Python.

Model: Pixed Based Random forest voor het herkennen van vegetatie structuren.