Ecologische gebiedsassessment met remote sensing en machine learning

Project

Ecologische gebiedsassessment met remote sensing en machine learning

In biodiversiteitsonderzoek zijn efficiënte meetmethoden essentieel om de effectiviteit van maatregelen objectief vast te stellen. Dit geldt vanaf microschaal (biodiversiteit in de bodem) tot macroschaal (grote zoogdieren op het land en in de zee). Pas als een nulmeting kan worden gedaan, kan worden vastgesteld wat de situatie voor een eventuele interventie was. Pas als tijdens en na de interventie een vergelijkbare meting kan worden gedaan, kan worden vastgesteld wat de effectiviteit van de interventie was.

Het identificeren en tellen van relevante soorten op gemaakte beelden is tot op dit moment mensenwerk en een tijdrovende klus. Als gevolg hiervan wordt vaak maar een beperkt (repressief) deel van de opnames daadwerkelijk geanalyseerd. Om de metingen van een specifieke biodiversiteit objectief, nauwkeurig en volledig uit te voeren, stelt dit project voor om deze metingen te automatiseren. Het beoogde resultaat van dit project is het opstellen van een protocol om het effect van een ecologische interventie te evalueren door een automatische soortentelling uit te voeren op een statistisch relevante dataset. Hierdoor kan beleid effectief worden ingezet om een natuur-inclusieve samenleving vorm te geven.

Vraagstelling

De vraagstelling die ten grondslag ligt aan dit project is of het mogelijk is om ecologische beleidsmaatregelen, zogenaamde interventies, te evalueren op hun effectiviteit en daarbij gebruik te maken van de nieuwste ontwikkelingen op beeldverwerkingsgebied om nauwkeurige, objectieve en volledige soortentellingen uit te voeren.

Protocol opstellen met deep learning

Om deze vraagstelling te beantwoorden, zal een protocol worden opgesteld, waarbij deep learning gebruikt wordt als methode voor het automatisch tellen van soorten op een dataset. Tot voor kort was het noodzakelijk om voor elke situatie een stuk software op maat te ontwerpen om de gewenste telling uit te voeren. Hierbij werd expliciet geprogrammeerd op wat in de beelden de computer moest letten. De diversiteit adequaat kunnen vangen in regels code bleek altijd een uitdaging. Met nieuwe ontwikkelingen op het gebied van kunstmatige intelligentie is het tijdperk van zelflerende modellen gearriveerd. Deze modellen berekenen of leren op basis van een set van voorbeelden waarop ze moeten letten om de soorten te tellen die in de voorbeelden zijn aangegeven. De te ontwikkelen methode voor automatische soortentelling zal in 2019 worden gevalideerd aan de hand van twee use cases: (i) de epifauna gemeenschap van de Nederlandse Noordzeebodem en (ii) de vogelstand op het IJsselmeer.

Onderzoeksgebied De Klaverbank

De Klaverbank valt binnen de Habitatrichtlijn onder H1170 riffen van open zee. Het gebied is hiermee voor Nederland uniek en kent een zeer specifieke biodiversiteit. Informatie over de aanwezige habitats en soorten is vereist om een beeld te krijgen van de toestand van de Nederlandse zeebodem en kan ook als input dienen in de discussie over het beperken van bodemberoerende visserij in delen van de Nederlandse Noordzee. De bodemfauna gemeenschap kan in kaart gebracht worden door het nemen van bodemmonsters, met boxcorers en bodemschaven en het slepen van netten, door het opnemen van transecten door duikers of door het nemen van onderwaterbeelden met drop-down cameras en drones. Door beeldopnamen te maken van de zeebodem kan de structuur en epifauna (op en of net onder het bodemoppervlak levende soorten) gemeenschap van relatief grote oppervlaktes in kaart gebracht worden, wat het in potentie een efficiënte bemonsteringstechniek maakt die bovendien de zeebodem en aanwezige organisme niet beschadigen. In deze case studie worden beelden van de zeebodem van de Klaverbank gebruikt die in 2018 opgenomen zijn en waarvan momenteel een selectie handmatige geanalyseerd wordt.

Trekvogels op het Ijsselmeer

Op het IJsselmeer rusten veel trekvogels. Vanwege allerlei externe factoren is het interessant om de trekvogelstand op verschillende momenten van het jaar over de jaren heen te monitoren. Hiervoor worden vanuit een vliegtuig fotos gemaakt van het IJsselmeer door Rijkswaterstaat. Deze data worden handmatig geanalyseerd, een tijdrovende klus, waardoor niet volledig gebruik gemaakt wordt van alle informatie die in de beelden aanwezig is. Door de automatisering toe te passen die in dit project wordt ontwikkeld, kan een effectiviteitsslag worden gemaakt in de analyse.

Doelen eerste jaar

In het eerste jaar van dit project worden de deep learning methodes beoordeeld op nauwkeurigheid (door te vergelijken met handmatige tellingen in een validatieset) en op kostenefficiëntie. De cost-benefit analyse wordt uitgevoerd om een objectief beeld te krijgen van de efficiëntie gemeten op indicatoren zoals geld, experttijd, uitvoeringstijd, grootte van het areaal dat geëvalueerd kan worden, aantal soorten die gedetecteerd kunnen worden, onderscheidend vermogen van de software, etc.

 

Publicaties