Groenbedekking algoritme

Rijksdienst voor Ondernemend Nederland

Detecteren van groenbedekking op bouwland. 

Laatst gewijzigd op 18 juli 2025 om 11:49 | 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) verplicht voor het controleren van regelingen die met grond te maken hebben. Dit staat in artikel 7 van een Europese wet (EU 2022/1173). Het gebruik van satellietbeelden is de meest efficiënte manier om dit automatisch te doen. De aanvrager kan zelf ook bewijzen aanleveren en mag later bezwaar maken als hij het ergens niet mee eens is.

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 : https://eur-lex.europa.eu/legal-content/NL/TXT/PDF/?uri=OJ:L_202402202

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

De groenbedekking marker detecteert groenbedekking gedurende bepaalde perioden. De groenbedekking-marker maakt gebruik van de NDVI (Normalized Difference Vegetation Index), waarbij zowel de ruwe NDVI-data als een gesmoothte versie (via een Savitzky-Golay filter) worden geanalyseerd. Een perceel wordt als begroeid beschouwd wanneer het gesmoothte signaal tijdens de analyseperiode boven een drempelwaarde van 0,2 uitkomt. Er worden twee typen gebeurtenissen onderscheiden: Type-1 (hoge waarschijnlijkheid) waarbij zowel het ruwe als het gesmoothte signaal de drempel overschrijdt, en Type-2 (lage waarschijnlijkheid) waarbij alleen het gesmoothte signaal dit doet. Naburige observaties die aan deze criteria voldoen, worden gegroepeerd tot één gebeurtenis. Er is een mechanisme ingebouwd om Type-2-gebeurtenissen te verlengen als ze direct grenzen aan Type-1-gebeurtenissen, om zo realistische vegetatieperiodes beter vast te leggen. 

 

De betrouwbaarheid van een vegetatiegebeurtenis wordt bepaald op basis van het gemiddelde NDVI-signaal tijdens de gebeurtenis. Als het gemiddelde van de ruwe observaties boven de 0,2 ligt, is de basisbetrouwbaarheid 0,5 en wordt daar een extra component bij opgeteld afhankelijk van hoe sterk het gemiddelde signaal boven de drempel uitkomt. Als het gemiddelde niet boven de 0,2 ligt, geldt een lagere basisbetrouwbaarheid (0,25) en wordt de extra component bepaald op basis van het gesmoothte signaal. In een nieuwe variant van de marker, gebaseerd op PF-data, worden observaties die boven de drempel liggen gegroepeerd tot gebeurtenissen, met een minimumduur van twee dagen. Hierbij wordt lineaire interpolatie toegepast als er geen directe waarnemingen beschikbaar zijn, hoewel dit soms tot onnauwkeurigheden (artefacten) kan leiden.  

Het gaat hier niet om een zelflerend algoritme. 

Leverancier

NEO BV