Satellietbeelden en AI ondersteunen onze Vlaamse beleidsmakers

By Lisa Landuyt 22 oktober 2024

De Copernicus Sentinel-satellieten monitoren onze aarde met hoge ruimtelijke en temporele resolutie. Ondanks dat de beelden gratis beschikbaar zijn, kan het gebruik en het vertalen van deze gegevens naar objectieve inzichten een uitdaging zijn. Binnen het Geo.Informed-project ontwikkelden we daarom machine learning-methoden en een online viewer om satellietbeelden om te zetten naar objectieve informatie voor diverse omgevingsmonitoringstaken.

Lisa Landuyt vertelt meer over de machine learning-methoden die zijn ontwikkeld voor de monitoring van oppervlaktewater en waterkwaliteit, hoe gebruikers via de online viewer aan de slag kunnen met de eindresultaten en actief kunnen bijdragen aan het verbeteren van toekomstige modellen.

Deep learning ter ondersteuning van milieubeleid

Het monitoren en beschermen van ons milieu is van cruciaal belang voor de gezondheid van zowel de planeet als van de mens. Satellietgegevens en beeldverwerkingstechnieken hebben een enorm potentieel om omgevingsbeleidsmakers te ondersteunen, maar ze worden helaas nog niet optimaal benut.
Het Geo.Informed-project, gefinancierd door het Fonds voor Wetenschappelijk Onderzoek (FWO), streeft ernaar deze kloof te overbruggen door middel van machine learning en deep learning, om zo het gebruik en de waarde van satellietbeelden te verhogen ter ondersteuning van onze Vlaamse beleidsmakers. Samen met KU Leuven, het Instituut voor Natuur- en Bosonderzoek (INBO) en Digitaal Vlaanderen (team EODaS) hebben onze experten AI en omgevingsmonitoring workflows ontwikkeld die zijn afgestemd op de behoeften van beleidsmakers.

Op basis van de behoeften die naar voren kwamen tijdens een interactieve workshop met overheidsinstanties, werden acht gebruiksscenario’s geselecteerd waarin satellietbeelden en remote sensing technologie de beleidsbeslissingen kunnen ondersteunen.

Oppervlaktewater monitoren met behulp van AI en satellietbeelden

INBO is verantwoordelijk voor het monitoren van de biodiversiteit in Vlaanderen. Ze beheren een dataset van de permanente stilstaande wateren in Vlaanderen. Hierdoor kunnen ze de verspreiding ervan in kaart brengen, een belangrijke indicator voor aquatische biodiversiteit. Dit gebeurt door middel van visuele interpretatie van luchtfoto's die jaarlijks over Vlaanderen worden genomen, een zeer arbeidsintensieve taak. Bovendien maakt een enkele waarneming geen conclusies mogelijk over de seizoenaliteit. Om dit proces te verbeteren, hebben we als doel satellietbeelden te gebruiken om (i) het onderhoud van de dataset te vergemakkelijken en (ii) inzicht te bieden in de seizoensgebondenheid van oppervlaktewater.

De resultaten van het Geo.Informed-project laten zien dat we efficiënter kunnen werken bij het updaten van de dataset van permanente stilstaande wateren in Vlaanderen. Door gebruik te maken van satellietbeelden en remote sensing technologie kunnen we niet alleen het onderhoudsproces stroomlijnen, maar ook waardevolle inzichten verkrijgen in de seizoensgebondenheid van oppervlaktewater.”

An Leyssen - Instituut voor Natuur- en Bosonderzoek (INBO)

De Copernicus Sentinel-1- en Sentinel-2-satellieten hebben complementaire sterktes voor het monitoren van oppervlaktewater. De optische beelden van Sentinel-2 bieden een duidelijk watersignaal en ruimtelijke details, maar er zijn geen waarnemingen mogelijk als het bewolkt is. Sentinel-1 daarentegen levert consistente, weersonafhankelijke radargegevens, maar bevat meer ruis waardoor het moeilijker is watervlakken correct te classificeren. Door beelden van beide satellieten te combineren in een modulair kader, kunnen we wateraflijningen maken voor de individuele beelden, die vervolgens worden geaggregeerd tot maandelijkse producten. Dit beperkt de datavolumes wanneer de focus ligt op permanente watervlakken, terwijl via het tussenresultaat tijdelijke wateren toch kunnen worden gedetecteerd.

Modular_framework_transparent

Overzicht van het modulaire kader, bestaande uit een U-Net-architectuur toegepast op gecombineerde Sentinel-1- en Sentinel-2-beelden en een CatBoost-model om de beeld-gebaseerde aflijningen samen te voegen tot maandelijkse producten.

Een U-Net-architectuur wordt gebruikt om een aflijning van het wateroppervlak te bieden op basis van afzonderlijke Sentinel-1- en Sentinel-2-beelden. Door beide te combineren en bewolkte beelden op te nemen in de trainingsdataset, leert het model zich te richten op de Sentinel-1 informatie wanneer het Sentinel-2-beeld (gedeeltelijk) bewolkt is. Meer details zijn te vinden in deze paper.


Vervolgens worden de op beeld-gebaseerde aflijningen geaggregeerd tot maandelijkse producten met behulp van een CatBoost-model. Deze aanpak vermindert zowel de onzekerheid van het resultaat als het volume aan gegevens dat eindgebruikers moeten verwerken.

WaterDetection_AOI-Schulensmeer_2023_transparent

Wateraflijning op basis van individuele beelden voor het gebied rond het Schulensmeer gedurende 2023, een regio en jaar die niet in het modeltrainingsproces waren opgenomen.

Ondersteuning van waterkwaliteitsmonitoring in Vlaanderen

Een ander gebruiksscenario waarin satellietgegevens en remote sensing-technologie nog meer/beter ingezet kunnen worden, is waterkwaliteitsmonitoring. Algen vormen een cruciaal onderdeel van de aquatische voedselketen. Ze kunnen echter schadelijk zijn wanneer ze te overvloedig aanwezig zijn, en er bestaan ook giftige soorten zoals cyanobacteriën of blauwalgen. Samen met de Vlaamse Milieumaatschappij (VMM), verantwoordelijk voor het monitoren van biologische kwaliteitselementen zoals fytoplankton en het rapporteren over de oppervlaktewaterkwaliteit in het kader van de Kaderrichtlijn Water, onderzochten we hoe satellietgegevens hun monitoringproces voor fytoplankton kunnen ondersteunen. Op dit moment voeren ze maandelijkse veldcampagnes uit in een selectie van waterlichamen. Door gebruik te maken van remote sensing, is er beter inzicht in frequentie, duurtijd en ruimtelijke dekking van bloeien wat extra mogelijkheden biedt voor de waterkwaliteitsbeoordeling.

Door een gebrek aan referentiegegevens hebben we ons gericht op de validatie van bestaande algoritmen voor het bepalen van chl-a concentraties. Meer dan 1,5 miljoen metingen van verschillende instituten werden verwerkt en gefilterd op basis van het tijdsverschil met het dichtstbijzijnde Sentinel-2 beeld, wat resulteerde in 1.150 match-ups. We beoordeelden algoritmen die gebruik maken van de blauwe en groene banden, de rode en nabij-infrarood (NIR) banden, alsook algoritmen die een groter deel van het Sentinel-2-spectrum in overweging nemen. Van deze algoritmen presteerden het Blend switching algoritme en het Mixed Density Network (MDN) algoritme best. Meer details zijn te vinden in deze paper. Het MDN-algoritme wordt al gebruikt om in near-real time chl-a-producten te genereren over België. Deze producten zijn beschikbaar via het Terrascope-platform.

Terrascope_screenshot

Screenshot van het chl-a product, beschikbaar in near-real time via de Terrascope viewer.

Een gebruiksvriendelijke webviewer

Het ontwikkelen van geavanceerde machine learning-methoden is essentieel, maar we willen ook de toegankelijkheid van gegevens en de integratie in de workflows van gebruikers verbeteren. Dit doen we via een gebruiksvriendelijke online viewer waarmee beleidsmakers eenvoudig objectieve inzichten kunnen verkrijgen en deze naadloos kunnen opnemen in hun dagelijkse besluitvormingsprocessen. De resultaten voor de monitoring van oppervlaktewater, alsook drie andere primaire gebruiksscenario’s, zijn beschikbaar via deze interactieve viewer. De viewer toont niet alleen de modelresultaten, maar integreert ook aanvullende datasets zoals referentiegegevens, topografie, luchtfoto’s en Sentinel-beelden, om de interpretatie van de modelresultaten te vergemakkelijken.

Demonstratie van de interactieve webviewer.

Geen enkel model is perfect, dus het is cruciaal om rekening te houden met de onzekerheid bij het gebruik van modelresultaten voor besluitvorming. Om dit mogelijk te maken, kunnen gebruikers schakelen tussen de overzichtsweergave, waarin elke pixel de kleur krijgt van de meest waarschijnlijke klasse, en de weergave van een specifieke klasse. Bij het selecteren van een enkele klasse wordt een slider geactiveerd waarmee gebruikers de drempelwaarde kunnen aanpassen. Alleen pixels die voor de geselecteerde klasse een modelwaarschijnlijkheid boven deze drempelwaarde hebben worden nu weergegeven. Gebruikers kunnen zo interactief het modelresultaat conservatiever maken, door de drempelwaarde te verhogen, of ook minder zekere detecties opnemen, door de drempelwaarde te verlagen.

Tot slot moedigt de viewer gebruikers ook aan om bij te dragen aan toekomstige modelontwikkeling. De gebruikers kennen hun gebruiksscenario's het beste en zijn dus het meest geschikt om verbeterpunten of fouten te detecteren. Ze kunnen feedback geven door annotaties te tekenen. Deze worden automatisch opgeslagen en kunnen gebruikt worden om via active learning de modellen in de toekomst continu te blijven verbeteren. Digitaal Vlaanderen (EODaS) wil samen met de betrokken partners bekijken hoe de projectresultaten, zowel data, modellen als de viewer, in de toekomst verder benut kunnen worden.

Interesse de Geo.Informed viewer, het monitoren van oppervlaktewater of waterkwaliteit? Aarzel dan niet om contact met ons op te nemen!

Like this article? Share it on
Lisa Landuyt
An article by
Lisa Landuyt
Remote Sensing Scientist
More info about Lisa Landuyt
Share

Related posts

Leveraging satellite data and AI for environmental policy support
  • Remote Sensing ,
  • Satellite ,
  • deep learning ,
  • AI ,
  • water quality monitoring ,
  • Flanders

Leveraging satellite data and AI for environmental policy support

By Lisa Landuyt 22.10.2024

The Copernicus Sentinel satellites monitor the Earth’s surface with high spatial and temporal resolution. The images are openly available, but translating..

Lees meer
AI4FOOD FuseTS: a toolbox for Sentinel Data Fusion and Analytics
  • Sentinel ,
  • AI ,
  • AI4FOOD ,
  • FuseTS ,
  • data fusion

AI4FOOD FuseTS: a toolbox for Sentinel Data Fusion and Analytics

By Bram Janssen 27.03.2024

Satellites gather an extensive amount of Earth Observation (EO) data. Despite this data's availability, there are still challenges in extracting relevant..

Lees meer
Waste Watchers enables citizens to detect and map litter with drones and AI
  • drones ,
  • AI ,
  • plastic pollution ,
  • , citizen science ,
  • Waste Watchers

Waste Watchers enables citizens to detect and map litter with drones and AI

By Klaas Pauly 19.10.2023
Worldwide, rivers transport 1 million kg of plastic waste into the ocean, every day! The best way to prevent this is to clean up litter while it is still..
Lees meer