Remote sensing

Het door mensen laten karteren in het veld, is kostbaar, eist gespecialiseerde expertkennis en kost veel tijd. Onder andere door de hoge kosten worden de Nederlandse duinen nu eens per twaalf jaar gekarteerd, en de kwelders eens per zes jaar.

Hierdoor is nuttig inzicht in de ligging, omvang en kwaliteit van deze vegetaties en habitattypen niet op tijd en regelmatig genoeg beschikbaar. Door het gedecentraliseerd beheer van duinen en kwelders is gestandaardiseerde informatie een uitdaging. Het monitoren en beheren van de duinen en kwelders behoort tot één van de belangrijkste functies van de provincies Fryslân, Noord-Holland, Zeeland, Zuid-Holland, en Groningen, het ministerie van Landbouw, Visserij, Voedselzekerheid en Natuur (LVVN) en Rijkswaterstaat namens het ministerie van Infrastructuur & Waterstaat (IenW). Daarnaast zijn ook duinwaterleidingbedrijven en terreinbeherende organisaties zoals Staatsbosbeheer, Natuurmonumenten en verschillende provinciale landschappen betrokken. Monitoring is nodig voor het behoud van noodzakelijke vegetaties, fauna, milieu, klimaat, en leefomgeving.

Buiten deze partijen hebben ook burgers, ondernemingen en rechtspraak in het kader van een open en transparante overheid voordeel bij actuele en gestandaardiseerde informatie over de staat van het landschap en de effecten van genomen maatregelen.

De oplossing voor vaker en uniformer monitoren wordt in dit project onderzocht door middel van het begrijpen van satellietbeelden op basis van kunstmatige intelligentie. Daarmee kunnen kaarten van de habitattypen van de duinen en kwelders worden gemaakt.

Daarom is een classificatiemodel ontwikkeld dat werd getraind met historische vegetatiekarteringen en vervolgens is gebruikt om op basis van satellietdata een overzicht te geven van de ligging en omvang van de aanwezige habitattypen. Er is besloten om de scope voor dit project te beperken tot het direct classificeren van habitattypen (in tegenstelling tot het classificeren van vegetatietypen, om daaruit de habitattypen af te leiden). Hoewel het resultaat hiermee niet bruikbaar is voor alle toepassingen (KRW en TMAP vereisen bijvoorbeeld vegetatietypeclassificatie), wordt de kans op een juist resultaat en daarmee een succes van deze methodiek het grootst geschat.

Na een eerste verkenning is in het voorjaar van 2021 een diepgaande studie uitgevoerd met een habitattypekaart voor een proefgebied op Schiermonnikoog (kartering 2015) en één voor de Kop van Schouwen (2019). Dit project bevestigde dat deze aanpak consistent is en voor veldecologen herkenbaar beeld opleveren. We kunnen tot op zekere hoogte habitattypen herkennen in duin- en kweldergebied en daar betekenisvolle kaarten mee maken.

Habitatkaart (2015/2017) van Schiermonnikoog

Remote sensing voorspelling (2019) voor Schiermonnikoog

Habitatkaart (2019) van de Kop van Schouwen

Remote sensing voorspelling (2019) voor de Kop van Schouwen

• De methodiek stelt ons in staat om op één uniforme manier kaarten te maken. Los van de aandacht voor nauwkeurigheid, beoordeelt de methodiek alle natuur op precies dezelfde manier, ondanks jaar of plek.
• De methodiek is schaalbaar. Het kan gebruikt worden om jaarlijks inzichten uit karteringen voor selecte gebieden te gebruiken om andere soortgelijke gebieden te monitoren. Hoever dit proces zich laat opschalen, i.e.: hoeveel jaar in het verleden en in de toekomst we een kartering kunnen gebruiken om hetzelfde gebied te monitoren (temporele schaling) en voor hoeveel soortgelijke gebieden een trainkartering inzichten biedt (ruimtelijke schaling), is niet eenduidig te zeggen. In de praktijk zal het er op neer komen dat met het verschijnen van meer gevalideerde habitatkaarten, er meer relevante traindata beschikbaar is en de methodiek meer gebieden nauwkeurig kan beoordelen.
• Ook komt er met het groeien van de traindataset de mogelijkheid om iedere vegetatie veel selecter aan satellietdata rondom het jaar van kartering te koppelen. Hiermee krimpt de grootte van de dataset, maar gaat de kwaliteit omhoog. Hoe selectief vegetaties aan satellietdata van dezelfde periode gekoppeld kan worden, wordt slechts beperkt door het feit dat van ieder jaar aan satellietdata er van alle relevante natuur minstens één kartering wordt meegenomen, zodat het model voor ieder satellietjaar alle mogelijke vormen van natuur voorbij ziet komen in het trainproces.
• Deze studie heeft laten zien dat het instrument zich verbetert met groeiende traindata. Met ieder jaar meer karteringen die geschikt zijn om te koppelen aan moderne satellietdata, zal het model steeds robuuster worden. Sommige habitattypen zijn nu nog moeilijk herkend omdat er te weinig voorbeelden in de traindataset aanwezig zijn. We hopen hier op meer data.
• De methodiek is mogelijk exporteerbaar naar andere habitattypen / gebieden in Nederland. Hierbij ligt voor de hand dat open natuurtypen zoals heide zich gemakkelijker laten monitoren dan bosrijke natuur waarbij de grond niet of slecht zichtbaar is op satellietdata.

• Om goed te snappen hoe betrouwbaar de methodiek is op verschillende schaalniveaus, moet door gebiedskennis nog meer naar de kaarten gekeken worden. Deze betrouwbaarheid bepaalt in belangrijke mate waar de kaarten voor ingezet kunnen worden.
• Een belangrijke richting om te onderzoeken is hoe grondkaarten, dronebeelden, luchtfoto’s en satellietbeelden elkaar kunnen aanvullen om samen een schaalbaar en betrouwbaar totaalbeeld te vormen. Met name dronetechnieken ontwikkelen zich razendsnel, en kunnen een buitengewoon waardevolle aanvulling vormen op satellietbeelden. Een mogelijke symbiose is dat met satellietdata de grote vlakken worden ingevuld, en waar twijfels over zijn, selectief met drones in meer detail te monitoren.
• Tijdens de expertsessies voor dit project werd opgemerkt dat de methodiek voor beheer mogelijk waardevoller is, als het model structuren in plaats van habitattypen zou herkennen. In het belang van toepasbaarheid is dat een belangrijk punt om uit te zoeken.
• Er is opgemerkt dat de ontwikkelde methodiek een signaleringsfunctie kan hebben, voor veranderingen die niet anders onopgemerkt blijven bij veldkarteringen. Dit is een interessante toepassing, die verder besproken moet worden.
• Een belangrijke discussie is: hoe nauwkeurig willen we karteren? Wat zijn de tolerantiegrenzen? Welke nauwkeurigheid hebben we nodig voor welk doel?

Getrokken door: Provincie Fryslân, provincie Zeeland en BIJ12

Uitgevoerd door: <a title=”” href=”https://www.ilionx.com/” target=”_blank” rel=”noopener”>Ilionx</a>

Afgesloten: Juni 2021

Voor informatie: Neem contact op met <a href=”mailto:info@bij12.nl”>mailto:info@bij12.nl</a> of telefoonnummer 085-486 22 22.

Door hun uitgestrektheid is het voor een beheerder erg lastig om een compleet beeld te krijgen van de mate van vergrassing in het gebied. Elke beheerder heeft wel een globaal beeld – Elke beheerder heeft wel een globaal beeld – maar voor een effectief beheer is een vlakdekkend overzicht echt noodzakelijk. Veldwerk kost veel tijd en inspanning en ook zou het handig zijn om deze informatie jaarlijks te verversen. Dan zijn ook de resultaten van herstelmaatregelen beter te volgen. Verschillende beheerders hebben ook heideterreinen verspreid door het gehele land. Zij willen weten hoe het herstelbeheer verloopt in al hun terreinen. Remote Sensing is een manier om dit in beeld te brengen.

Idealiter is het model net zo goed als een vegetatiekartering op basis van veldwerk. Dit betekent dat het model voor minstens 80% overeenkomt met de veldvalidatie.

Voor dit experiment is gekeken naar pijpenstrootje, gewoon struisgras en bochtige smele, andere grassoorten tellen we niet als vergrassing. Wanneer een gebied voor meer dan 50% bedekt is met de genoemde grassoorten, noemen we dit gebied vergrasd. Als deze bedekking minder is dan 50%, noemen we dit niet-vergrasd.

Resultaten

• Als we de werking van het model vergelijken met de veldvalidaties, komt deze dicht in de buurt van de gestelde eisen voor een aantal gebieden. Deze techniek biedt dus goede potenties om een vlakdekkend beeld te krijgen – niet alleen over één gebied – maar alle heidegebieden in geheel Nederland.
• Voordeel is ook dat de manier van beoordelen uniform en transparant is. De beoordeling wordt niet beïnvloed door omstandigheden in het veld.
• De methodiek is wel afhankelijk van kalibratievlakken die in het veld worden opgenomen door experts. Wellicht dat drone-technologie hier behulpzaam kan zijn. Daarmee kunnen grotere vlakken sneller worden gekalibreerd om te kunnen worden ingezet in het model.
• Beheermaatregelen zoals maaien en chopperen worden door het model opgemerkt. Nu hoeft het maaien of chopperen van een vlak niet noodzakelijk te betekenen dat het vlak ook niet meer vergrasd is. Het gras kan terug groeien. Dit is gezamenlijk besproken en vastgesteld dat, als het gras op dit moment dood is, het model het terecht kan classificeren als niet vergrasd. Wanneer het wel terug groeit, zal het model het vlak weer als vergrasd aanmerken.
• Een verbeterpunt is dat op dit moment het model vormen van opslag als niet vergrasd ziet. Vergrassing in gebieden met opslag wordt door het huidige model dus niet herkend.
• Het model is minder goed in het herkennen van de tussenvorm tussen totaal niet vergrasd, en volledig vergrasd.
• Het model ziet bijvoorbeeld een vlak met veel schapengras aan voor “vergrasd”. Hoewel schapengras inderdaad een grassoort is, behoort deze niet tot onze definitie van vergrassing. Het model meer trainen om de verschillende grassoorten en tussenvormen te leren herkennen.

Getrokken door: Provincie Fryslân, provincie Drenthe, provincie Noord-Brabant en BIJ12.

Uitgevoerd door: Ilionx

Afgesloten: Juni 2021

Voor informatie: Neem contact op met BIJ12 via info@bij12.nl of telefoonnummer 085 – 486 22 22. Lees ook meer informatie op Ellipsis Drive

De natuur in Nederland staat onder grote druk. Nederland heeft de wettelijke plicht om onze natuur niet verder te laten verslechteren. We moeten daarom monitoren hoe de natuur zich ontwikkelt.
Ecologen brengen in het veld de natuur en biodiversiteit in kaart. Dergelijke veldwaarnemingen zijn accuraat maar ook zeer tijdrovend en kostbaar. Daarom worden vlakdekkende vegetatiekarteringen maar eens per 12 jaar uitgevoerd.

Het aardoppervlak wordt vanuit de lucht gemeten door vliegtuigen en satellieten. In ons onderzoek vertalen we ruwe satellietfoto’s met behulp van artificial intelligence (A.I.) naar begrijpelijke en leesbare vegetatiestructuur- kaarten. Omdat satellietbeelden meerdere keren per jaar beschikbaar komen, kunnen we hiermee volgen hoe vegetatiestructuren (zoals zand, grasland, struiken en bos) zich jaarlijks ontwikkelen.

Remote sensing (vanuit satellieten, vliegtuigen en drones) zal in de toekomst een steeds grotere rol spelen bij natuurmonitoring. Het biedt grote kansen om tegen beperkte kosten vlakdekkende, objectieve en actuele informatie te verzamelen over de natuur. Daar- naast zal het deskundige oog van een ecoloog nodig blijven: om de remote sensing resultaten te duiden en om details in het veld te her- kennen die niet door de techniek kunnen worden opgepikt.

Het verzamelen en ecologisch interpreteren van luchtfoto’s en satellietbeelden kent nog diverse uitdagingen. Door te doen, te leren en ervaringen met elkaar te delen kan monitoring vanuit de lucht een waardevolle bijdragen gaan leveren aan natuurbescherming.