Waarom een AI model inzetten om vegetatie te herkennen
Onze opdrachtgevers hebben verschillende redenen om een vegetatieanalyse uit te laten voeren door middel van beeldanalyse door een AI algoritme. In deze blog lees je waarom ze algoritme verkiezen boven een ecoloog.
Definities
Om helder te hebben waar we het over hebben is het goed om een definitie in het leven te roepen. Waar hebben we het nou eigenlijk over als we het hebben over het uitvoeren van een vegetatieanalyse met AI? In dit artikel hanteren we de volgende definities:
Hoge resolutie opnames: Minimaal 2cm Ground Sampling Distance (GSD)
Individuele verschijningen: Een enkel exemplaar van de soort. Bijvoorbeeld een Rimpelroos struik met een diameter van 20 x 20 cm.
Vegetatieanalyse met AI: Het analyseren van hoge resolutie opnamen van een gebied met AI waarbij het resultaat een geogerefereerde kaart is met locaties van individuele verschijningen van de doelsoorten.
Geen vegetatiekartering
Het maken van een vegetatiekartering is iets heel anders, daarbij kijken ecologen naar vegetatietypen. Dit zijn verzamelingen van planten in bepaalde samenstellingen. Als vegetatie-karteerder definieer je vlakken waarbinnen specifieke verzamelingen van soorten voorkomen en deze zet je op de kaart. Dit begint met het intekenen van vlakken op basis van luchtfoto’s die daarna worden bezocht om dit te valideren. Op de site van BIJ12 vindt je meer informatie over vegetatiekarteringen.
Voor het maken van een vegetatiekartering is specialistische kennis nodig die je verkrijgt door het volgen van een gedegen opleiding. Het aantal soorten dat je moet kunnen herkennen is groot.
Onze opdrachtgevers huren ons in voor het karteren van maar één tot vijftien soorten per gebied. Deze kleine selectie van soorten zijn vaak de dominante soorten in een gebied en kunnen wel tot 50% van de oppervlakte van het gebied bedekken. Soms zijn dit juist moeilijk te vinden soorten en is de bedekkingsgraad lager. Bijvoorbeeld bij het opsporen van alle haarden van invasieve exoten.
Vier redenen om een vegetatiemonitoring met AI uit te voeren:
1). Geen mensenwerk
Het maken van een vegetatiekartering is mensenwerk. Het op de kaart zetten van alle locaties van een bepaalde soort daarentegen is verschrikkelijk veel werk. Hoe je dat als mens zou kunnen doen voor een oppervlakte vanaf enkele vierkante kilometers weten we niet. Daarnaast is het waarschijnlijk ook heel saai. Dit soort dingen laten we liever over aan een algoritme.
De gegevens die voortkomen uit een analyse kunnen worden gebruikt om bijvoorbeeld de volgende vragen te beantwoorden (met een heidegebied als voorbeeld):
• Wat is het oppervlakte percentage van de verschillende structuurelementen van natuurtype Droge heide?
• Waar worden goed ontwikkelde korstmossen teruggedrongen door het Grijs Kronkelsteeltje?
• Hoeveel vierkante meter Pijpenstrooitje staat er in het gebied?
• Waar richt het Heidehaantje veel schade aan onder Struikheide en ontstaat er gras voor in de plaats?
2). Onbereikbare, Gevaarlijke en Vervelende gebieden
In sommige gebieden wil of kun je als ecoloog niet (goed) komen. Het gebruik van drones voor kleine gebieden of vliegtuigen voor grotere gebieden kan dan een uitkomst zijn. Voor de provioncie Zuid-Hollands brachten we Reuzenbalsemien in kaart in de Biesbosch, omdat ecologen zich door de kenmerkende rietruigten niet kunnen verplaatsen. In 2024 staat het Brabantse deel op de planning.
Het opnemen van de vegetatie langs wegen is gevaarlijk voor de mensen langs de weg en het leidt af voor de weggebruikers. Voor Boskalis konden we veilig vegetatie-opnamen maken langs verschillende tracés.
In het duingebied is veel struweel aanwezig dat voor 50% uit duindoorn moet bestaan om te voldoen aan een bepaalde kwaliteit. De doornen zijn bij ecologen niet heel geliefd.
3). Efficiëntie / Geen mankracht beschikbaar / Objectiviteit / Kwantificatie
De toegenomen vraag naar monitoring en ook de behoefte aan een hogere frequentie van deze monitoring zorgen er regelmatig voor dat de markt overvraagd is. Het inzetten van remote sensing kan dan uitkomst bieden omdat dit minder en anders geschoolde mankracht vereist.
De toegenomen vraag komt vanuit de samenleving waar de politiek en organisaties die zich inzetten voor natuurbehoud vragen om objectieve metingen. De resultaten uit de metingen zijn per soort vlakdekkend. Hierdoor kunnen trends beter gevolgd worden dan wanneer de oppervlaktebedekking geschat wordt vanaf de grond.
4). De data is al beschikbaar
Remote sensing vindt plaats op basis van beelden van het aardoppervlak. Deze data wordt ingewonnen met een vliegtuig of een drone. Sommige van onze opdrachtgevers winnen deze beelden al in voor andere doeleinden dan vegetatie herkenning. Het is voor hen dan een kleine stap om deze voor een check op Japanse duizendknoop en Reuzenberenklauw naar ons te uploaden. Ze ontvangen dan van ons een kaart met groeihaarden zodat deze op de juiste manier behandeld kunnen worden.
Hoe maak je een AI model om vegetatie te herkennen?
Wil je weten hoe we met ecologen en data scientists algoritmen ontwikkelen om vegetatie te herkennen? Lees dan: "Het geheim van een goed AI model om vegetatie te herkennen".