Monitoring van heel Nederland op BGT-niveau mogelijk

In april maakte NEO bekend dat de ontwikkeling van haar product SignalEyes dusdanig ver was gevorderd dat hiermee een landsdekkende monitoring kan plaatsvinden van alle gebouwen, bomen, waterlopen, wegen, spoorwegen, landbouwpercelen en andere terreinen in Nederland. Jan Erik Wien, chief operating officer bij NEO, vertelt over de artificial intelligence (AI-) en deep learning-techniek die wordt gebruikt voor de monitoring en de mogelijkheden die SignalEyes biedt.

Door Lambert-Jan Koops

“We hebben afgelopen jaar fors geïnvesteerd in een AI-systeem voor het verwerken van aard-observatiedata”, zo begint Wien zijn uitleg over de totstandkoming van SignalEyes. “Hier hebben we voor gekozen omdat we merkten dat zowel de kwantiteit als de kwaliteit van deze data exponentieel toegenomen is. Niet alleen worden lucht- en satellietfoto´s steeds frequenter ingewonnen, ze worden ook met een steeds hogere resolutie vastgelegd. Daarmee vormen ze een enorme bron aan informatie, die echter wel ontgonnen moet worden. Traditioneel is de analyse van deze beelden een handmatig proces, waarbij een specialist de verschillende opnames met elkaar vergelijkt, maar met de huidige datastroom is dat onbegonnen werk en daarmee is er dus direct ook de behoefte aan een systeem dat automatisch de nieuwe foto´s downloadt als deze beschikbaar zijn, deze analyseert volgens de gewenste richtlijnen en vervolgens de call to action formuleert die past bij de geconstateerde wijziging. Dit is dan ook samengevat de functionaliteit die SignalEyes bevat.”

Continue monitoring
Belangrijk voor SignalEyes is de toevoer van lucht- en satellietfoto’s. Sinds april dit jaar is de achterliggende infrastructuur van de dienst van NEO op een niveau waarmee het hele land kan worden bediend. Met vijf landsdekkende Open Data Superview 50-centimeterbeelden per jaar, waaronder de Open Copernicus-satellietbeelden, open luchtfoto’s en AHN-data is in eerste instantie de monitoring opgezet van alle landbouwpercelen met betrekking tot hun geometrie en gewasontwikkeling. Vervolgens waren in mei de 150 miljoen bomen in de database aan de beurt – zie het kader Bomen in Nederland in kaart – en gedurende de rest van het jaar zal de monitoring van waterlopen, wegen, spoorwegen, gebouwen en andere terreinelementen worden toegevoegd, net als die van kleinere objecten zoals zonnepanelen en asbestdaken.

“Voor continue monitoring is de combinatie van satellietbeelden en luchtfoto’s heel nuttig”, zo legt Wien uit. “Luchtfoto’s hebben een hele hoge resolutie, maar die komen slechts één of twee keer per jaar beschikbaar. De satellietbeelden hebben een lagere resolutie, maar worden om de twee maanden gemaakt en zijn binnen een dag geschikt voor analyse. Wanneer de ligging van een object eenmaal is vastgesteld met luchtfoto’s, is het mogelijk om de satellietbeelden te gebruiken voor het monitoren van veranderingen.”

Context
Naast de constante toevoer van beeldmateriaal steunt SignalEyes voor een belangrijk deel op de inzet van AI (onder andere deep learning). Er zijn meer organisaties die gebruikmaken van deze technieken, maar Wien legt graag uit waarin de aanpak van NEO verschilt met die van anderen. “Een specifiek probleem van het gebruik van deep learning bij de analyse van aardobservatiedata is dat kwaliteit van de output van dergelijke systemen niet hoog genoeg is en de modellen vaak als een black-box werken. Om dit te ondervangen hebben we een methode ontwikkeld met zogenaamde object based signal generators. Dit is een eigen, inmiddels gepatenteerd idee waarbij gebouwen, bomen, enzovoort eigen signal generators hebben. Zo’n signal generator kijkt bij ieder nieuw beeld of de objecten waar het algoritme ‘over waakt’ veranderd zijn of niet en wat de aard van de verandering is. Dat is erg belangrijk omdat niet elke verandering ook automatisch betekent dat een klant daar actie op wil ondernemen. De kunst is om alleen die veranderingen aan een klant te melden die deze echt wil weten. Het signaal dat het object veranderd is, is ook niet voldoende voor de meeste afnemers, die een heldere werk-instructie of anderszins een call to action willen ontvangen. Met SignalEyes monitoren we echt: we nemen veranderingen waar, we geven ze een duiding en ‘melden die in de taal van de klant’. Dat betekent dat de handmatige controle en interpretatie van de resultaten nu vooral gebruikt wordt om de algoritmen te trainen en valideren; vervolgens kan het worden geminimaliseerd, zodat het hele monitoringsproces dus echt volautomatisch kan verlopen.”

Finetuning
Nu SignalEyes operationeel is, werkt NEO samen met enkele eindgebruikers aan de uitbreiding en verbetering van het systeem, zie het kader Gemeente Schagen. “Wat de uitbreiding betreft, denk ik dat we het meeste werk zelf kunnen verrichten door extra code te schrijven”, licht Wien toe. “Omdat we vlakdekkend werken, kunnen we in principe voor alle relevante objecten de wijzigingen signaleren. Naast kleinere objecten gaat het dan vooral ook over wat meer complexe constructies zoals wegen, waarvan de behandeling technisch iets lastiger is. Voor de finetuning van het systeem geldt dat we graag met eindgebruikers samenwerken. We voeren nu dan ook met een aantal klanten pilots uit om de mutatiesignalering te verbeteren en verder te ontwikkelen.

De focus van het finetunen verschilt daarbij per eindgebruiker. In het ene geval gaat het om het verbeteren van de call to action, omdat de eindgebruiker bijvoorbeeld graag meer informatie wil ontvangen bij de werkinstructie. Het kan echter ook zo zijn dat de focus ligt op de mate waarin meldingen doorkomen. Voor de ene eindgebruiker is het heel belangrijk dat hij een zo compleet mogelijk beeld heeft en voor de ander is het essentieel dat er absoluut geen vals positieve meldingen doorkomen. Om een voorbeeld te geven: er zijn organisaties die op basis van een mutatiesignalering en de bijbehorende call to action een helikopter de lucht in sturen. Dat is een kostbare aangelegenheid en het is in die gevallen dus absoluut niet gewenst dat een vals positieve melding tot een zinloze werkorder leidt. Voor die klant zullen we dus het systeem anders moeten inrichten dan voor de klanten die alle meldingen zo compleet mogelijk willen verwerken en daarbij vals positieve meldingen voor lief nemen.”

Met de compleetheid noemt Wien een aspect dat door het regelmatig updaten het beeldmateriaal wordt bevorderd en wat ook een extra overweging kan zijn om zoveel mogelijk vals positieve meldingen uit te sluiten. “Bij elke update vindt een nieuwe analyse plaats en dus wordt een wijziging die bij een eerste gelegenheid is genegeerd, een volgende keer weer geconstateerd en dan kan de software alsnog de call to action genereren. Wanneer bij de tweede ronde blijkt dat de mutatie van de eerste keer weer verdwenen is, heb je mooi een vals positieve melding weten te vermijden.”

Europese monitoring
Nederland is volgens Wien het eerste land dat volledig op deze schaal kan worden gemonitord en NEO is daarmee ook het eerste bedrijf op de wereld dat dat kan. “Daar zijn we best trots op”, zo merkt de chief operating officer op. “Het zijn echter de diensten aan klanten die we op deze techniek baseren die het belangrijkst zijn en we communiceren dan ook graag de specifieke toepassingen die mogelijk zijn. Daarbij kijken we niet alleen naar Nederland, maar ook buiten de grenzen. Momenteel komt nog 75 procent van de omzet uit Nederland, maar dat zal zeker veranderen.

We zien bijvoorbeeld een concrete kans binnen de EU dankzij de komende regelgeving. Vanaf 2022 zullen alle EU-landen namelijk met satellietbeelden fraude met landbouwsubsidies moeten tegengaan en dat kan natuurlijk heel goed met SignalEyes. Nederland en Denemarken hebben we al als klant, voor deze twee landen monitoren we alle landbouwpercelen al op geometrie en gewasontwikkeling. Door de groei in Nederland en de toename van exportmogelijkheden verwachten we dan ook zeker een forse groei te kunnen doormaken.”