Remote Sensing gebiedsclassificatie op basis van AI beeldherkenning

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: digitaalzuidholland@pzh.nl. 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.

Soortgelijke algoritmebeschrijvingen

  • Met artificial intelligence (kunstmatige intelligentie) bouwen we de kadastrale kaart opnieuw op. Hiervoor gebruiken we scans van originele historische veldwerken.

    Laatst gewijzigd op 4 juni 2024 om 11:14 | Publicatiestandaard 1.0
    Publicatiecategorie
    Overige algoritmes
    Impacttoetsen
    Veld niet ingevuld.
    Status
    In gebruik
  • Het verwerken van satellietbeelden om te signaleren of graslanden worden gemaaid tijdens het broedseizoen van beschermde vogelsoorten.

    Laatst gewijzigd op 4 juli 2024 om 13:31 | Publicatiestandaard 1.0
    Publicatiecategorie
    Impactvolle algoritmes
    Impacttoetsen
    Veld niet ingevuld.
    Status
    In gebruik
  • Data-analyse voor de evaluatie van de noodzaak om op een specifieke locatie cameratoezicht toe te passen om de openbare orde te handhaven.

    Laatst gewijzigd op 18 november 2024 om 16:20 | Publicatiestandaard 1.0
    Publicatiecategorie
    Impactvolle algoritmes
    Impacttoetsen
    Veld niet ingevuld.
    Status
    In gebruik
  • Uit diverse soorten tekeningen gegevens over gebouwen zoals oppervlakte/grootte, type, indeling, geometrie (vorm en ligging) herleiden voor gebruik in (basis)registraties. De status van PDF2GIS is 'in ontwikkeling'. PDF2GIS bevindt zich in de testfase van fase 1 appartementstekening (van 3 fasen).

    Laatst gewijzigd op 23 augustus 2024 om 15:38 | Publicatiestandaard 1.0
    Publicatiecategorie
    Overige algoritmes
    Impacttoetsen
    Veld niet ingevuld.
    Status
    In ontwikkeling
  • M.b.v. machine learning modellen in combinatie met lucht- of satellietfoto's en kaartmateriaal worden B-watergangen beoordeeld of deze schoon zijn gemaakt van begroeiing.

    Laatst gewijzigd op 30 juli 2024 om 5:38 | Publicatiestandaard 1.0
    Publicatiecategorie
    Impactvolle algoritmes
    Impacttoetsen
    Veld niet ingevuld.
    Status
    In gebruik