Gewasclassificatie

Rijksdienst voor Ondernemend Nederland

Het detecteren van een gewas op een afgebakende geometrie.

Laatst gewijzigd op 18 juli 2025 om 11:54 | Publicatiestandaard 1.0

• Publicatiecategorie: Impactvolle algoritmes
• Impacttoetsen: DPIA
• Status: In gebruik

Algemene informatie

Thema

Natuur en milieu

Begindatum

2023-01

Contactgegevens

https://www.rvo.nl/onderwerpen/contact/formulier

Link naar publiekspagina

https://www.rvo.nl/onderwerpen/glb-2024/ams

Verantwoord gebruik

Doel en impact

Het algoritme helpt om de jaarlijkse subsidieaanvraag voor het GLB beter te maken. Het kijkt of de informatie van de aanvrager klopt. Als er iets niet klopt, krijgt de aanvrager een melding.

Afwegingen

Sinds 2023 is het Areaal Monitoring Systeem (AMS) een verplicht onderdeel voor het monitoren

van grondgebonden regelingen, zoals bepaald in artikel 7 van Uitvoeringsverordening (EU)

2022/1173. Geautomatiseerd monitoren met behulp van satellietdata is de meest

kosteneffectieve manier. De relatie is zelf ook in staat om bewijsmateriaal aan te leveren en

uiteindelijk kan deze ook bezwaar maken.

Menselijke tussenkomst

Als het algoritme een afwijking vindt, kijkt eerst een medewerker naar het resultaat. Als de medewerker het eens is met de afwijking, dan laat hij dit weten aan de aanvrager. De aanvrager kan daarna via een speciale app (de geotag foto-app) bewijsmateriaal opsturen om te laten zien dat het misschien toch goed is.

Risicobeheer

Jaarlijks wordt de kwaliteit van het algoritme getoetst. Dit gebeurt op basis van steekproeven.

En een verplichte kwaliteitstoets waarover gerapporteerd moet worden richting de Europese

Commissie.

Wettelijke basis

Sinds 2023 is het Areaal Monitoring Systeem (AMS) een verplicht onderdeel voor het monitoren

van grondgebonden regelingen, zoals bepaald in artikel 7 van Uitvoeringsverordening (EU)

2022/1173.

Links naar wettelijke basis

UITVOERINGSVERORDENING (EU) 2024/2202 VAN DE COMMISSIE van 4 september 2024: UITVOERINGSVERORDENING (EU) 2024/2202 VAN DE COMMISSIE van 4 september 2024

Impacttoetsen

Data Protection Impact Assessment (DPIA)

Werking

Gegevens

Functioneel_id, opgegeven gewascode, geometrie, aanvraagnummer (opgave gegevens van de

relatie voor een subsidieaanvraag voor het GLB, Satellietdata).

Links naar gegevensbronnen

• BRP Gewaspercelen : https://www.pdok.nl/-/brp-gewaspercelen
• Copernicus Data Space Ecosystem : https://dataspace.copernicus.eu/

Technische werking

Het algoritme voor gewasherkenning is bedoeld om de gewasdeclaraties van boeren te bevestigen. Hiervoor wordt een Random Forest-model gebruikt dat gewassen classificeert op basis van verschillende (geïnterpoleerde) tijdreeksen van satellietsignalen. Het model werkt op het niveau van geometrieën (Features of Interest, FOI), niet op pixelniveau. De training gebeurt op basis van boerenverklaringen, waarbij eerst uitschieters worden verwijderd. 

 

Het model maakt gebruik van gewasgroepen (superclasses), die later in het seizoen verder kunnen worden opgesplitst (vroege versus late groepen). Om regionale variaties (zoals klimaat en bodemtype) op te vangen, wordt het model per agronomische zone getraind. 

 

Alle FOI’s met een verklaring in een zone worden gebruikt als trainingsdata, behalve de FOI’s die als uitschieter zijn gemarkeerd. Uitschieters worden geïdentificeerd met een eenvoudig Random Forest-model dat bekijkt hoe vaak FOI’s met hetzelfde gewastype in dezelfde bladeren van het model eindigen. Alleen gewasgroepen met minimaal 30 verklaringen per zone worden meegenomen, om vertekening te voorkomen. Hoewel het model met ontbrekende data om kan gaan, neemt de betrouwbaarheid af bij te weinig input. Daarom worden alleen FOI’s met voldoende gegevens (boven een bepaalde drempel) meegenomen in de training en validatie. 

 

Het gaat hier niet om een zelflerend algoritme. 

Leverancier

NEO BV

Link naar broncode

N.V.T.