Automatische Beeldherkenning voor Monitoring van Rietareaal
- Opdrachtgever
- Rijkswaterstaat
- Jaar
- 2021
- Locatie
- IJsselmeer & Randmeren
Rijkswaterstaat heeft een nieuw, flexibel, peilbesluit vastgesteld voor het IJsselmeer. Elke zes jaar wordt het effect van dit flexibele peil geëvalueerd op verschillende criteria zodat eventueel kan worden bijgestuurd. Eén van de criteria is de kwaliteit en het totaal areaal van de rietoevers langs het meer. Om beter inzicht in de rietovers te krijgen is een grootschalige meetcampagne opgezet waarbij jaarlijkse veldmetingen worden gecombineerd met hoge resolutie luchtfoto’s. Met slimme luchtfoto segmentatie en machine learning classificatie technieken is op hoog detailniveau, en automatisch, informatie over het rietareaal te bepalen. Deze informatie geeft samen met de veldmetingen, meteorologische gegevens en waterstandsmeetreeksen van Rijkswaterstaat inzicht in de condities van het riet.
De uitdaging
Het monitoren van de kwaliteit en de grootte van het rietareaal langs het IJsselmeer, Markermeer en de Randmeren is met traditionele methodes zeer arbeidsintensief. Het monitoren van riet gebeurt door raaien te lopen, vanaf de waterrand naar het einde van de rietzones en de rieteigenschappen te registreren. Doordat het riet op eenenzeventig locaties wordt gemonitord is het enorm duur om dit ieder jaar met de hand te doen. Aan de andere kant is het handmatige beoordelen van remote sensing beelden lastig om riet uit luchtfoto’s of satellietbeelden te herkennen doordat het spectraal gezien erg overeenkomt met bijvoorbeeld gras en bos. Daarnaast kan water tussen het riet de classificatie belemmeren.
Onze oplossing
Om het dataproces minder arbeidsintensief te maken is allereerst de verwerking van de meetdata geautomatiseerd. Elk jaar worden veldmeetpunten omgezet in rietkwaliteitsindicatoren. Deze rietkwaliteitsindicatoren worden gecombineerd met verklarende informatie van het weer en peilopzet.
Voor het classificeren van luchtfoto’s worden eerst de nabij-infrarood beelden samengevoegd met de kleurenfoto’s tot een RBGNIR-multiband afbeelding. Deze afbeelding wordt daarna, unsupervised, gesegmenteerd met behulp van een large-scale mean shift algoritme. Mean shift algoritmes worden veel gebruikt bij beeldherkenning en video-analyse. Het algoritme ligt ook aan de basis van Convolutional-neural networks (CNNs) die een toepassing kent in de automatische beeldherkenning van bijvoorbeeld auto’s. Het algoritme resulteert in segmenten of objecten die spectraal gezien op elkaar lijken. De resulterende segmenten zijn gecombineerd met de veldmeetpunten welke als “ground-truth” beeld dienen.
De segmenten met veldmeetpunten zijn gebruikt om een random-forest algoritme te trainen. Dit algoritme deelt de segmenten met ground-truth informatie op in een test en een train dataset. De train dataset wordt door het algoritme gebruikt om te leren welke segmenteigenschappen in de klasses riet, water, gras, bos, overige verharding, etc. horen. De validatie is over de test dataset uitgevoerd en geeft een betrouwbaarheid van de classificatie van 82%.
De veldmetingen en de luchtfoto classificatie worden gecombineerd tot prestatie-indicatoren en gebundeld in factsheets per locatie. Middels deze factsheets heeft Rijkswaterstaat per locatie snel inzicht in de ontwikkeling van het rietareaal en de invloed van de verklarende informatie.
Het resultaat
Het resultaat is een jaarlijkse rapportage met daarin het totaal rietareaal en een tiental prestatie-indicatoren uitgezet tegen verklarende informatie van het weer en peilmetingen. Deze jaarlijkse rapportage biedt de ecologen van Rijkswaterstaat inzicht in de trends in de ontwikkeling van het rietareaal en de bijbehorende kwaliteit. En daarmee is dit waardevolle informatie voor de evaluatie van het effect van het flexibele peilbeheer.
Alle cases