De provincie Zuid-Holland streeft naar een goede balans tussen natuur en economie. 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.
We kunnen planten- en diersoorten herkennen. Dit is zeer gedetailleerd. Op deze manier kunnen we de verspreiding van exoten en indicatorsoorten in kaart brengen. Bepaalde natuurgebieden zijn gevoelig voor stikstof. Bij teveel stikstof kunnen planten en dieren in kwetsbare natura2000 gebieden verdwijnen. Door het gebied te monitoren kunnen we maatregelen nemen, zodat we de kwaliteit van de natuur kunnen waarborgen.
Voor vragen en opmerkingen kan je terecht bij: digitaalzuidholland@pzh.nl
Algoritme Remote sensing gebiedsclassificatie op basis van AI beeldherkenning
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 helicopters. 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 voor de provincie.
Type, domein, status algoritme
Type Algoritme
Diagnostisch (vaststellen van aanwezigheid van plantsoorten)
Domein
Natuur, monitoren van vegetatieverandering, onder andere voor maatregelen tegen stikstof en CO2 uitstoot.
Status
Drie natuurgebieden worden momenteel gebruikt: Nieuwe Koopse Plassen, Coepelduynen en Voornesduinen (pilot). Het algoritme is ontwikkeld, maar is tot nu toe slechts toegepast voor eenmalige analyses.
Doel, Impact
Doel
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.
Impact
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 privacy check NSO).
Hoogtedata van Nederland. Actueel Hoogtebestand Nederland (AHN) radarsysteem door de Nederlandse Overheid met Lidar
Proportionaliteit, besluitvorming
Proportionaliteit
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.
Besluitvorming
Het besluitvormingsproces richt zich op het stikstofbeleid, veranderingen in de vegetatie in Natura 2000-gebieden en het gebruik van deze inzichten door ecologen binnen de provincie.
Datasets
Brondata
Deze dataset bevat momentopnames van geautomatiseerd gegenereerde vegetatiestructuur-classificaties 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 vegetatiestructuur-klassen. De geanalyseerde beelden gaan terug tot 2019.
De data worden gevisualiseerd in een ArcGIS Operations Dashboard waarmee alle gesegmenteerde momentopnames onderling kunnen worden vergeleken.
Applicatie Bronregistratie
NSO , Scikit, Natura 2000 vegetatiemonitor.
Documentatie
Methoden en modellen
Scikit learn: pakket modellen open source binnen Python.
Model: Pixel Based Random forest voor het herkennen van vegetatie structuren.
Monitoring
Nog niet in gebruik, dus wordt nog niet gemonitord.
Menselijke tussenkomst
Ja, door de ecologen
Risico’s
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.