Kunstmatige intelligentie in de berm voor optimaal bermbeheer

Weten welke planten er in bermen groeien is essentieel voor goed bermbeheer. Maar, met honderden kilometers berm is handmatige inventarisatie tijdrovend en kostbaar. Samen met de Provincie Drenthe en FLORON hebben we daarom getest of kunstmatige intelligentie (AI) de ecoloog kan helpen bij deze uitdaging.

Waarom bermtype bepalen?

Er zijn verschillende methoden om bermen in verschillende kwaliteitsniveaus in te delen en om daar passend bermbeheer aan te koppelen. Zoals bijvoorbeeld via het stappenplan van naturalis. Wij gebruiken een methode van FLORON waarbij de planten je iets vertellen over de bodem. Bij deze methode kunnen bermen worden geclassificeerd in vijf types, die variëren van arm en schraal (type 1) dan 2, 3a, 3b tot productief en vermest (type 4). Elk bermtype vraagt om een ander maairegime om de natuurwaarde zo hoog mogelijk te houden. Als we het bermtype kunnen grootschalig kunnen bepalen op een goedkope manier, kan het maaibeleid nog beter worden geoptimaliseerd: maaien op het juiste moment, maaisel afvoeren (duurder) waar nodig en zo gericht stappen nemen om de biodiversiteit te verbeteren.

Pilot: 80 kilometer berm in beeld

In overleg met Provincie Drenthe en FLORON hebben we een traject van ongeveer 80 kilometer geanalyseerd. Aan beide zijden van de weg werden vanaf een nieuw scanvoertuig beelden gemaakt met hoogwaardige camera's. We kunnen met deze camera's tot wel 100km/u rijden. Hierdoor kunnen in potentie snel een hele gemeente inwinnen en gewoon meerijden met het verkeer zonder begeleidingsvoertuigen. De verzamelde beelden werden bij dit project vervolgens geladen in een online annotatie-omgeving. Hierin zijn de individuele planten 'gelabeld' - dat wil zeggen: met een kader aangegeven waar een plant staat en welke soort het is. Deze gelabelde beelden vormen vervolgens het trainingsmateriaal voor ons AI-model: een neuraal netwerk dat leert om specifieke planten te herkennen.

Wat werkt goed?

Kenmerkende soorten zoals jacobskruiskruid, veldzuring en brandnetel blijken consequent goed te worden geclassificeerd. Daarbij is het, voor het bepalen van het bermtype, niet nodig om alle mogelijke plantensoorten foutloos te identificeren. Een selectie van tien tot twintig goed herkenbare soorten geeft al een betrouwbaar beeld van het bermtype. Zie je bijvoorbeeld veel brandnetel, ridderzuring en kleefkruid? Dan is de kans groot dat het gaat om een vermeste, productieve berm (type 4) . Wordt er veel Schapenzuring en Duizendblad herkent? Dan duidt dat op een schralere, ecologisch waardevolle berm (type 1).

De volgende stappen

Sommige plantensoorten zijn lastiger te onderscheiden: Kleine verschillen zijn lastig, bijvoorbeeld tussen verschillende klaversoorten. Ook jonge planten zonder bloem zijn moeilijker te herkennen.

Op basis van dit project zien we verschillende mogelijkheden om de nauwkeurigheid en toepasbaarheid verder te vergroten:

• Meer en betere trainingsdata: Hoe meer gelabelde beelden, hoe beter het model leert. Extra foto's van lastig te onderscheiden soorten zullen de herkenning verbeteren.
• Meermaals rijden door het seizoen: Door gebruik te maken van de specifieke bloeiperiode van een soort, is het mogelijk om gericht bepaalde soorten te identificeren.

Waar staan we nu

Hoe nauwkeurig is het? Voor de data science nerds hebben we deze matrix bijgevoegd. Voor de niet nerds, je wilt een donkerblauwe streep zien lopen van links boven naar rechts onder. Dit ziet er heel goed uit en we zien nog stappen die we kunnen zetten ter verbetering op korte termijn.

Na het vaststellen van het bermtype worden de resultaten toegevoegd aan een interactieve kaartlaag. Deze is te bekijken voor de klant in floralyze.nl of deze kan worden toegevoegd aan de eigen systemen. Hieronder een voorbeeld van de de verschillende bermtypen op kaart voor het 80 kilometer rondje.

Bredere toepasbaarheid: nectarindex

Door meer soorten correct te kunnen identificeren, vergroten we ook de toepasbaarheid. Idealiter willen we zo ook de benodigde data voor de nectarindex gaan verzamelen. De nectarindex is een maat die aangeeft hoeveel nectar er beschikbaar is voor bestuivende insecten zoals bijen, hommels en vlinders. De nectarindex loopt van 1 (weinig nectarbronnen) tot 5 (rijk aan nectarplanten). Momenteel lukt het bepalen van de nectarindex via AI nog niet voldoende betrouwbaar, maar de basis die we nu leggen met door met plantenherkenning bermtypen toe te wijzen is een belangrijke stap.

Van eenmalig project naar grootschalige inzet

Dit project met Provincie Drenthe en FLORON toont de potentie van AI-gestuurde bermmonitoring. We zetten nu de laatste stappen om dit seizoen klaar te zijn voor grootschalige inzetbaarheid. AI kan wegbeheerders in de toekomst helpen om:

• Efficiënter te inventariseren: kilometers berm in korte tijd in kaart brengen
• Data-gedreven te beheren: maaibeleid afstemmen op daadwerkelijke bermtypes
• Monitoring te structureren: jaarlijks objectief de ontwikkeling volgen

Een belangrijk bijkomend voordeel is dat het systeem ook invasieve exoten zoals duizendknoop gemakkelijk kan herkennen. Dit maakt het mogelijk om vroegtijdig te signaleren over de verspreiding van invasieve exoten, zodat bijvoorbeeld wegbeheerders hier gericht op kunnen handelen.

We blijven systeem verder doorontwikkelen, met als doel het bermbeheer te verbeteren. Niet om de ecoloog te vervangen, maar om deze te ondersteunen met objectieve, grootschalige data.

Geïnteresseerd in de ontwikkeling van AI voor bermbeheer? Neem contact met ons op voor een gesprek over de mogelijkheden en eventuele samenwerking.