Innovatieve methoden voor effectieve monitoring van invasieve exotische planten
Foto: Grote waternavel in het natuurgebied de Kettingdijk
De biodiversiteit wordt bedreigd door invasieve exotische plantensoorten die in Nederland voorkomen en schade veroorzaken aan ecosystemen. Daarnaast vormen ze een probleem omdat ze schade veroorzaken aan landbouwgewassen en infrastructuur. Voor de provincie Noord-Brabant onderzochten we daarom welke aanpak het meest geschikt is voor het monitoren van drie geduchte soorten: Japanse duizendknoop, Reuzenberenklauw en Grote waternavel.
Je leest hier over onze bevindingen en hoe deze inzichten de toekomst van exotenbeheer kunnen beïnvloeden.
Invasieve exotische plantensoorten
Invasieve soorten zoals de Japanse duizendknoop, Reuzenberenklauw en Grote waternavel verdringen inheemse flora en verspreiden zich snel. Binnen de kortste keren domineren ze de omgeving volledig en vormt dit een bedreiging voor de biodiversiteit. Daarnaast hebben deze soorten op diverse andere manieren een negatieve impact op onze leefomgeving. Lees hierover meer in de blog De strijd tegen invasieve exoten: een uitdaging voor natuurbeheer. Het is daarom van essentieel belang om deze planten te monitoren om hun impact te minimaliseren.
Bestrijding en beheersing
De bestrijding van invasieve exoten vereist een gecoördineerde aanpak op verschillende niveaus. De provincie Noord-Brabant richt zich op vroegtijdige, volledige en permanente eliminatie van deze exoten uit de natuurlijke omgeving, waar mogelijk. Als eliminatie niet langer haalbaar is, wordt er ingezet op beheersing op lokaal niveau via een gebiedsgerichte aanpak. Hierbij kan ook nog steeds worden geprobeerd om op lokaal niveau eliminatie te realiseren, indien dit praktisch uitvoerbaar en wenselijk is. Het hoofddoel van zowel eliminatie als beheersing is het beschermen van de biodiversiteit en het voorkomen van schade aan inheemse planten en dieren. De provincie Noord-Brabant wil graag een provinciaal breed beeld van de groeilocaties van deze exoten.
Monitoring
Handmatige natuurmonitoring op basis van veldwerk heeft enkele nadelen. Ten eerste heeft deze methode vaak een beperkt bereik, omdat inspecteurs alleen de gebieden kunnen bekijken waar ze fysiek toegang toe hebben. Daarnaast is deze vorm van monitoring tijds- en arbeidsintensief, wat het lastig maakt om grote gebieden regelmatig en grondig te controleren. Deze beperkingen kunnen leiden tot tekortkomingen in de monitoring en mogelijk gemiste detecties van exoten. Hierdoor kunnen groeihaarden ongemerkt toenemen en wordt de effectiviteit van het beheerproces verminderd. Dankzij technologische vooruitgang zoals kunstmatige intelligentie en remote sensing is monitoring nu eenvoudiger en effectiever geworden.
Innovatieve monitoring
Voordat we verder ingaan op het onderzoek dat wij voor de provincie Noord-Brabant hebben uitgevoerd, volgt eerst een inleidng. Een korte introductie over innovatieve monitoring en een beknopte uitleg over de technische fundamenten. Hierbij leggen we uit wat orthofoto's zijn, wat kunstmatige neurale netwerken zijn, en wat het trainen van een algoritme inhoudt.
Wat is innovatieve monitoring?
Met behulp van innovatieve monitoring kunnen gegevens efficiënter worden verzameld, geanalyseerd en geïnterpreteerd. Verschillende milieuaspecten zoals, veranderingen in vegetatie en bodemgezondheid kunnen nauwkeuriger gevolgd en beheerd worden. Deze methode is dan ook bij uitstek geschikt om de verspreiding van invasieve soorten te monitoren. Samen met ecologische experts zoeken we naar nieuwe methoden om effectiever of grootschaliger te kunnen monitoren. Bijvoorbeeld door het gebruik van luchtfoto's van drones of vliegtuigen. Bij het analyseren van deze beelden kunnen geavanceerdere technologieën zoals kunstmatige intelligentie (KI, ook wel AI) worden ingezet om soorten (w.o. exoten) te herkennen en monitoren. AI verwijst naar computersystemen die in staat zijn taken uit te voeren die normaal gesproken menselijke intelligentie vereisen. Een voorbeeld hiervan is een convolutional neural network (CNN), een type AI-algoritme dat specifiek geschikt is voor het herkennen van patronen in beeldmateriaal.
Wanneer is innovatieve monitoring zinvol?
Op het moment dat je als mens op basis van digitale beelden plantensoorten kan herkennen is dit een goede indicator dat je hiervoor ook een algoritme zou kunnen gebruiken. Kunstmatige intelligentie in de vorm van een CNN is een methode die dan erg geschikt is. Deze manier van monitoren biedt een groter bereik en kan helpen bij het vroegtijdig signaleren van besmettingshaarden op grotere schaal. Het inzetten van een algoritme kan een kostenreductie teweegbrengen bij terugkerende activiteiten. Voor taken die maar zelden uitgevoerd worden, weegt het creëren (trainen) van een algoritme soms niet op tegen de baten.
Wat zijn de voordelen van innovatieve monitoring?
Innovatieve monitoring van invasieve exoten via remote sensing, biedt aanzienlijke voordelen ten opzichte van traditioneel veldwerk. Het stelt ons bijvoorbeeld in staat om in ontoegankelijke gebieden groeihaarden van invasieve exoten in kaart te brengen, waardoor we effectievere beheersmaatregelen kunnen implementeren en tegelijkertijd tijd en geld besparen. Door gebruik te maken van geavanceerde technologieën kunnen we nauwkeurige en actuele gegevens verzamelen, waardoor beheerders snel en gericht kunnen ingrijpen. Deze innovatieve aanpak helpt ook bij het identificeren van trends in de verspreiding van invasieve exoten, waardoor we proactief schade aan de biodiversiteit kunnen voorkomen.
AI-gedreven plantensoort detectie
Orthofoto's
Bij het geautomatiseerd detecteren van plantensoorten wordt bijvoorbeeld gebruikgemaakt van dronebeelden. De drone maakt ongeveer 3 tot 4 duizend foto’s per vierkante kilometer. Deze worden vervolgens gecombineerd tot geogerefereerde orthofoto's, waarbij geometrische vervormingen zijn gecorrigeerd en de foto's correct overlappen. Georeferentie betekent dat het resulterende beeld wordt gekoppeld aan geografische coördinaten. Een orthofoto die is samengesteld uit dronefoto's biedt een gedetailleerd beeld van een gebied met een hoge resolutie.
Kunstmatig neuraal netwerk
Kunstmatige neurale netwerken maken gebruik van kunstmatige neuronen om informatie te verwerken. Deze neuronen zijn geïnspireerd op biologische neuronen in het menselijk brein, geoptimaliseerd voor computationele taken. De 'neuronen' in kunstmatige neurale netwerken zijn in wezen wiskundige functies die informatie ontvangen, verwerken en doorgeven binnen het netwerk om taken zoals patroonherkenning, classificatie en voorspelling uit te voeren.
Convolutional Neural Networks (CNNs) zijn een type kunstmatig neuraal netwerk dat specifiek is ontworpen voor het verwerken van structurele patronen in gegevens die rasterachtig van aard zijn, zoals afbeeldingen. Ze zijn geïnspireerd op het menselijke visuele systeem en bestaan uit meerdere lagen van verschillende typen neuronen die samenwerken om specifieke eigenschappen in de inputgegevens te detecteren en te classificeren. CNN's hebben zich bijzonder effectief bewezen in taken zoals objectherkenning en het classificeren van afbeeldingen, dankzij hun vermogen om specifieke patronen en complexe eigenschappen te leren herkennen.
Trainen van het algoritme
Automatische analyses en interpretaties die worden uitgevoerd met behulp van kunstmatige intelligentie, zoals CNN’s, worden remote sensing genoemd. Voordat een AI-model soorten kan herkennen, moet het getraind worden. Een AI-model wordt getraind met voorbeelden (annotaties) van de te detecteren plantensoorten. Dit zijn labels of markeringen die aan de beelden worden toegevoegd om specifieke kenmerken aan te geven om het computermodel te leren hoe de soort er uit ziet waarna het model deze zelf kan herkennen.
Het model wordt vervolgens verder verfijnd met behulp van veldwerk en aanvullende annotaties om verschillende stadia en omstandigheden van de plantensoort te herkennen. Deze combinatie van veldwerk en machine learning resulteert in succesvolle geautomatiseerde detecties.
Pilotonderzoek
Voor de provincie Noord-Brabant hebben we onderzocht welke methode het meest geschikt is voor monitoring van deze drie invasieve exoten:
- Japanse duizendknoop
- Reuzenberenklauw
- Grote waternavel
We onderzochten welke methode het meest geschikt is om een 'Brabant Breed Beeld' te verkrijgen van exotenverspreiding tegen zo laag mogelijke kosten.
Er zijn experimenten uitgevoerd met verschillende soorten beelddata en verschillende modellen. We hebben onderzocht welke methode voor welke casus het meest geschikt is, welke manier van data-inwinning het beoogde resultaat geeft en welke resolutie van het beeldmateriaal nodig is. Het resultaat is een kosten-batenanalyse voor het gedetailleerd in kaart brengen van de verspreiding van de drie exoten met een hoge nauwkeurigheid.
Beelddata bron
Voor het beeldmateriaal zijn verschillende bronnen te kiezen:
- Satellietbeelden
- Luchtfoto's
- Dronebeelden
- Beelden van scanautos- en scanboten De bronnen bieden verschillende perspectieven en resoluties. Het effect van het verschil in opnamemiddelen is duidelijk zichtbaar op de onderstaande afbeelding. Welke bron het meest geschikt is, hangt af van het type gebied en de plantensoort die gedetecteerd moet worden.
Dichtbevolkt stedelijk gebied
Waarnemingen die in dichtbevolkt stedelijk gebied over de jaren heen zijn verzameld blijken voor 80-90% op locaties onder bomen te zijn. Hierdoor zijn de invasieve exoten niet goed waar te nemen met satelliet, lucht of dronebeelden omdat de zichtlijn van bovenaf belemmerd is. In dichtbevolkt stedelijk zijn daarom scanautobeelden het meest geschikt. In deze gebieden zijn zo goed als alle delen van de openbare ruimte te zien zijn door de scanauto.
Buitengebieden
Voor het onderzoek zijn er locaties in het buitengebied en in natuurgebieden gekozen, waar de structuur meer open is, om technieken met beeld van bovenaf te testen.
Satellietbeeld en luchtfoto's worden door de Nederlandse overheid ingekocht, zijn landelijk dekkend en voor iedereen openbaar toegankelijk. Het aspect dat deze “gratis” beschikbaar zijn is een groot voordeel. Het nadeel is dat je daardoor zelf geen invloed kan uitoefenen op de resolutie, de banden die gebruikt worden of het moment waarop de inwinning plaatsvindt. Zo vliegt men op hoge resolutie alleen in de winter wanneer er ecologisch gezien minder te beleven is.
Dronebeelden bieden het voordeel dat ze een hoge resolutie kunnen hebben, die naar behoefte kan worden ingesteld, en dat het moment van gegevensverzameling naar eigen inzicht kan worden bepaald.
Resolutie
Voor de herkenning van plantensoorten is de resolutie van de beelden een cruciale factor. Resolutie wordt gemeten aan de hand van de grootte van de kleinste eenheid in een afbeelding, oftewel een pixel, in relatie tot de echte wereld.
Ground Sampling Distance
Bij remote sensing, zoals met drones en satellieten, wordt vaak gesproken over GSD, wat staat voor Ground Sampling Distance. Dit wordt ook gebruikt in diverse andere toepassingen, waaronder cartografie en GIS, waarbij nauwkeurige metingen op het aardoppervlak van belang zijn. GSD verwijst naar de grootte van het oppervlak dat elke pixel van een afbeelding in de werkelijke wereld vertegenwoordigt. Met andere woorden, het is de afstand op de grond die overeenkomt met de grootte van één pixel in de afbeelding.
Satellietbeelden hebben een GSD van 30 cm, terwijl luchtfoto's een GSD van 7,5 cm hebben. Dit betekent dat luchtfoto's een 16 keer hogere resolutie hebben dan satellietbeelden. Dronebeelden kunnen zelfs een GSD van 1 cm hebben, wat 900 keer scherper is dan satellietbeelden. Een hogere resolutie maakt het mogelijk om kleinere elementen te herkennen, maar vergt ook meer middelen en hogere kosten voor gegevensinwinning. Meestal wordt de laagst mogelijke resolutie gekozen die voldoende is voor het specifieke doel.
Detectie op hoge resolutie luchtfoto's
Op dronebeelden en luchtfoto's met een resolutie van 2 cm zijn Japanse duizendknoop en Reuzenberenklauw uitstekend te detecteren. Dit komt doordat dit algoritme in staat is om de uiterlijke kenmerken van bladeren en takken te herkennen. Bij lagere resoluties kunnen algoritmen deze factoren niet bij elke soort adequaat detecteren. Bij Grote waternavel is vanwege het kleine oppervlak van een enkel blad een dubbel zo hoge resolutie nodig (1 cm GSD) in vergelijking met de andere soorten. Op locaties waarvan bekend is dat er Grote waternavel aanwezig is, is een resolutie van 2 cm wel afdoende om bijvoorbeeld trends in kaart te brengen.
Ecogoggle heeft succesvol Japanse duizendknoop en Reuzenberenklauw in kaart gebracht voor diverse organisaties met behulp van drones, wat een bewezen effectieve methode is gebleken.
Detectie op lage resolutie luchtfoto's
Het gebruik van lage resolutie luchtfoto's, zoals satellietbeelden, vereist een andere aanpak. Deze beelden bieden niet genoeg details om soorten te identificeren op basis van hun uiterlijke kenmerken. We hebben onderzocht of de drie soorten toch op deze beelden kunnen worden opgespoord aan de hand van andere indicatoren. Het is belangrijk op te merken dat deze methode alleen grotere groeihaarden detecteert en kleinere niet, waardoor de nauwkeurigheid afneemt. Daarnaast wordt het AI-model bij lage resolutiebeelden getraind op andere eigenschappen van een soort, zoals het effect (bijvoorbeeld het dichtgroeien van een kanaal). Dit maakt de detecties minder specifiek dan bij gebruik van hoge resolutiebeelden waarbij de soort zelf wordt gedetecteerd. Dit vermindert de betrouwbaarheid van de detecties.
Op satellietbeelden is zijn Japanse duizendknoop en Reuzenberenklauw moeilijk te herkennen. Hierbij is niet alleen gekeken naar het RGB-spectrum, maar ook naar het infraroodspectrum, dat wordt vastgelegd op de landelijke luchtfoto's en satellietbeelden. Op deze band is Grote waternavel beter te onderscheiden dan op de RGB-banden. Ook op landelijk beschikbare luchtfoto's bleken zowel Reuzenberenklauw als Japanse duizendknoop niet optimaal detecteerbaar, ondanks een hogere resolutie. Verbeteringen in de resolutie en een grotere dataset kunnen in de toekomst mogelijk een nauwkeurigere detectie mogelijk maken. Grote waternavel en andere watersoorten zijn goed detecteerbaar op satellietbeelden, vooral in vijvers, meertjes en watergangen met een diameter van enkele tientallen meters. Niettemin blijkt uit handmatige analyse dat bepaalde gebieden aan de aandacht van de beheerders ontsnappen.
Conclusie
Voor de detectie van Japanse duizendknoop en Reuzenberenklauw in dichtbevolkte stedelijke gebieden zijn hoge resolutie scanautobeelden het meest geschikt. Dit resulteert in nauwkeurige detecties en combineert kostenefficiëntie met uitgebreide dekking.
Voor de detectie van Grote waternavel zijn beelden van scanboten of luchtfoto's met een hoge resolutie (1-2 cm GSD) het meest geschikt.
Voor gecombineerde detectie van Japanse duizendknoop, Reuzenberenklauw en Grote waternavel in buitengebieden blijkt het gebruik van hoge resolutie dronebeelden verreweg de meest geschikte methode. Op dronebeelden en luchtfoto's met een resolutie van 1 cm zijn alle drie de soorten uitstekend herkenbaar. Omdat de beelden van bovenaf worden verzameld, is de dekkingsgraad aanzienlijk hoger dan die van beelden die alleen langs (vaar)wegen worden verzameld door scanauto's en scanboten. De hogere resolutie draagt bij aan de betrouwbare detectie van alle drie de soorten.
kostenefficiënte provinciaal brede monitoring
Voor provinciaal brede monitoring is het gebruik van satellietbeelden momenteel de meest kosteneffectieve optie. Echter, vanwege het gebrek aan beschikbare data biedt deze methode nog geen nauwkeurige detecties. Verdere training van het model is vereist, waarvoor meer data-inwinning nodig is. Ecogoggle adviseert om te starten met monitoring op scanautobeelden en dronebeelden. De verzamelde data kan tegelijkertijd worden gebruikt om het model op satellietbeelden te trainen, waardoor het in de toekomst wel geschikt zal zijn voor provinciaal brede monitoring.
Samenwerking
Ecogoggle is gespecialiseerd in drone mapping en remote sensing. Door samen te werken met diverse stakeholders, zoals overheidsinstanties, natuurorganisaties, bedrijven en burgers, kunnen we effectief invasieve exoten bestrijden en de biodiversiteit beschermen. Voor meer informatie, om een samenwerking aan te gaan of voor professionele ondersteuning, nodigen wij geïnteresseerden uit om contact met ons op te nemen.