Satellietbeelden welkome aanvulling voor natuurbeheer

De Groningse startup Spheer bouwde een AI-model op basis van satellietbeelden van het Nederlandse aardoppervlak. Met wat training kan het model worden ingezet voor specifieke monitoringstaken van overheden, bijvoorbeeld om structuren in het landschap in kaart te brengen voor natuurbeheer. Verschillende provincies, waaronder Groningen, experimenteren inmiddels met deze webapplicatie.

Voeten in de klei

De eerste reactie die ondernemer Jakko de Jong tot een paar jaar geleden kreeg als hij vertelde wat hij van plan was met zijn startup Spheer, was hoongelach. Of nou ja, de meeste ecologen zijn te beleefd om daadwerkelijk in lachen uit te barsten, maar ze vertelden hem wel vriendelijk dat zijn bedrijf geen meerwaarde biedt voor hun werk. Ecologen staan namelijk graag met hun voeten in de klei. Ze bestuderen soorten begroeiing tot op de vierkante meter nauwkeurig. Als De Jong vertelde dat iedere pixel op zijn webapplicatie Carto een gebied van tien bij tien meter voorstelt, dan was de reactie voorspelbaar: ‘Daar hebben we niets aan’.

Maar dat was eens, geredeneerd vanuit een mens. Dat een AI-model iets heel anders ‘ziet’, is inmiddels breed doorgedrongen. Geef het model een gerichte onderzoeksvraag en een paar voorbeelden, en de schaal werkt niet langer tégen je, maar juist voor je. Neem het Lauwersmeer en het Zuidlaardermeer in het noorden van het land. Het zijn moeilijk begaanbare gebieden waar het riet de natuurbeheerders letterlijk boven het hoofd groeit. ‘In deze grote laagveenmoerassen leven vogelsoorten die afhankelijk zijn van bepaalde soorten riet, zoals de roerdomp,’ vertelt Diederik van Dullemen, beleidsadviseur strategische projecten bij de provincie Groningen. ‘Wij hebben een inspannings­verplichting om te zorgen dat de habitat voor die vogelsoorten op orde is. Waar nodig nemen we herstelmaatregelen, waarover we rapporteren richting rijk en Brussel. Daarvoor zouden we graag beter inzicht krijgen in de effecten van die maatregelen.’

Sneller inzicht in effecten van herstelmaatregelen 

Het kost een aantal jaren voordat de effecten van een herstelmaatregel zichtbaar worden. De middelen om veranderingen in de gebieden te onderzoeken zijn bovendien beperkt. In de praktijk wordt eens in de twaalf jaar in het veld gecontroleerd of de beheersmaatregelen doen wat ze moeten doen. Dat veldwerk kost veel tijd, want het gaat om grote gebieden met hoge vegetatie.
Daarom experimenteert Groningen met Carto. In de webapplicatie geven medewerkers van de provincie op een luchtfoto aan in welke gebieden sowieso wel en sowieso geen verruigd riet groeit. Het AI-model maakt op basis van deze voorbeelden een analyse van beschikbare data van het grotere gebied. Daarna is het een kwestie van foutjes corrigeren, een nieuwe selectie van gebieden maken en finetunen totdat het model goed begrijpt wat de opdracht is. De uitkomsten van Carto worden nog wel ter plaatse gecontroleerd.

‘Voor onze relatief simpele vraag hoef je geen vegetatiedeskundige te zijn, die allerlei verschillende plantjes kan determineren,’ zegt Van Dullemen. ‘We willen weten of er riet groeit, of het gaat om verruigd riet of dat het gebied al verbost is. Als we dat zelf kunnen analyseren op kantoor met onze eigen mensen, dan scheelt dat ons veel tijd en geld. Daarnaast is het leuk om innovatief bezig te zijn en te werken met de tools van de toekomst.’

Self supervised learning

Het AI-model dat onder Carto ligt, werkt op basis van self supervised learning, een vorm van machine learing waarbij een neuraal netwerk zelf kennis opdoet uit ruwe data, zonder dat een mens daar sturing aan geeft. Een voorbeeld is GPT-4o, het meest recente AI-model achter ChatGPT. Dit model heeft geleerd om onder meer tekst, berekeningen, beeld en spraak te genereren door grote hoeveelheden bronnen te bestuderen. Het door Spheer ontwikkelde basismodel is geen voorbeeld van generatieve AI, maar het herkent patronen in satellietbeelden. Doordat het enorme hoeveelheden satellietdata heeft bestudeerd, heeft het basismode een groot begrip van het aardoppervlak gekregen.

‘Met behulp van video’s van satelliet-tijdreeksen lieten we het model zelfstandig leren wat er zoal gebeurt op het aardoppervlak,’ vertelt De Jong. ‘Het model heeft uit de satellietdata geleerd hoe seizoenen werken, hoe bewolking werkt, wanneer data betrouwbaar zijn en wanneer niet, bijvoorbeeld omdat er een schaduw of bewolking het beeld onbruikbaar maakt.’ De basis voor het model zijn data die de EU gratis ter beschikking stelt via het Copernicus-programma. Tot nu toe gebruikt de startup alle satellietdata van Nederland. De volgende stap is om beelden van heel Europa te gaan betrekken.

Waarnemerseffect

Als de provincie de resultaten van Carto heeft gevalideerd en betrouwbaar acht, dan scheelt dat allereerst tijd. Omdat er geen extern bureau op pad hoeft om het riet in kaart te brengen, is er geen aanbesteding meer nodig. Daarnaast wordt het zogeheten waarnemerseffect vermeden. Van Dullemen legt uit: ‘Mensen hebben altijd een eigen perspectief op hoe ze de dingen zien. Ieder mens maakt een iets andere inschatting bij het intekenen op een tablet of veldkaart.’ Een computerprogramma kan er ook naast zitten, maar is daarin door de jaren heen wel consequent.

Maar de grootste winst zit volgens hem in het ontdekken van trends met behulp van het AI-model. ‘Het Natura 2000-beheerplan voor het Zuidlaardermeer en het Lauwersmeer is voor zes jaar. Binnen die zes jaar willen we een uitspraak kunnen doen over de verschillende vraagstukken. Als we maar geld hebben om eens in de twaalf jaar een structuurkartering uit te voeren, dan wordt het lastig om een lijntje te trekken. Maar met de satellietdata kunnen we jaar nul, jaar drie en jaar zes vergelijken. Dan hebben inzicht in hoe het gaat en kunnen we sneller bijsturen.’

Lees het volledige artikel in Binnenlands Bestuur nr. 12