Doordat de schouw wordt uitgevoerd in het veld, op de grond en/of vanuit de lucht, vergt dit veel tijd en inspanning van onze medewerkers. De opkomst van machine-learning en deep-learning heeft ervoor gezorgd dat we beoordelingen van eerdere situaties kunnen vastleggen en deze kennis kunnen inzetten voor nieuwe opnamen. Dit proces van het ‘trainen’ van algoritmen zorgt ervoor dat een computer met steeds hogere nauwkeurigheid zelfstandig kan bepalen wat op een specifieke plek aan de hand is.
Leerproces voor applicatie
In dit project gebruiken we de initiële waarneming in het veld door schouwmeesters om een model te leren wanneer een watergang kan worden geclassificeerd als ‘schoon’ en wanneer als ‘niet schoon’. Door die ervaring vervolgens te gebruiken bij het beoordelen van een nieuwe situatie is de applicatie in staat daar zelfstandig een oordeel aan te geven. Dit levert een analyse op van het gehele gebied, waarmee wij kunnen zien welke watergangen met een hoge mate van waarschijnlijkheid schoon zijn en welke niet. De watergangen die geheel of grotendeels schoon zijn, hoeven dan meestal niet nader te worden geïnspecteerd, waardoor we ons kunnen richten op de watergangen die niet schoon zijn. Dit scheelt een aanzienlijke hoeveelheid werk en kan veel besparing in tijd en geld opleveren.
De Schouw M.App
Het gebruik van machine-learningtechnieken is een cyclisch proces. Vanuit de eerste analyse worden de te inspecteren watergangen gecontroleerd en hiervan wordt een definitief oordeel vastgelegd. Dit oordeel vormt ook weer een training voor het model, waardoor het meer ‘ervaring’ krijgt en latere beoordelingen steeds nauwkeuriger worden. Dit zijn dus twee vliegen in een klap! Een belangrijke succesfactor bij inzet van deze nieuwe technieken is het gemak waarmee ze kunnen worden geïmplementeerd en gebruikt. Het softwarebedrijf Imagem heeft voor dit proces een workflow-gestuurde oplossing ontwikkeld, de Schouw M.App, die de organisatie in alle stappen van het proces begeleidt en de resultaten en vervolgstappen eenvoudig inzichtelijk en bedienbaar maakt.
Proof of Concept
Met een Proof of Concept willen we onderzoeken of satellietdata en machine-learning kunnen worden ingezet voor de schouw. Om ons daarbij te begeleiden worden delen van de Schouw M.App gebruikt. In een gebied naar keuze van circa honderd vierkante kilometer moet een aantal watergangen liggen die met zekerheid schoon en niet schoon zullen zijn. De distributeur van de satellietdata maakt met een satelliet een multispectrale opname van het proefgebied met een resolutie van 50 centimeter. Kort daarop voeren wij in het betreffende gebied een schouw in het veld uit op een klein aantal standaardwatergangen met behulp van een app die Imagem ter beschikking stelt. Vervolgens wordt gekeken of de bevindingen in het veld overeenkomen met die van de satellietbeelden. Met de resultaten kunnen we beoordelen of deze wijze van schouwen voldoende toegevoegde waarde heeft voor ons schouwproces en of we deze in de toekomst kunnen gebruiken.