HomeNieuws Selectie risicobomen via big data

Selectie risicobomen via big data

Actueel

Visual tree assessment (VTA) is een dure aangelegenheid. Wij kunnen dit met een door ons ontwikkelde nieuwe applicatie sneller, beter en goedkoper doen. De tools? Een drone, satellietdata of een rondrijdende auto, maar vooral een slim algoritme dat met behulp van big data risicobomen kan selecteren.

algoritme-bomen.jpg

Snel en nauwkeurig algoritme

Bomen zijn extreem lastig op te meten. Door het ongelijke oppervlak van blaadjes en takjes krijg je alleen al van één enkele boom een ongelofelijk grote hoeveelheid data. Algoritmes hebben daarnaast moeite om in die wirwar van data de binnenkant van de buitenkant te onderscheiden. Zo niet het slimme algoritme van onze data scientist Anahita Khosravipour, dat wel de buitenkant van de binnenkant en de hoofdzaken van de bijzaken kan onderscheiden. Haar algoritme is vele malen sneller én nauwkeuriger dan alle andere algoritmes tot nu toe.

boominformatie2.png

Bepaling positie en omvang kroon van bomen

Anahita Khosravipour is vorig jaar gepromoveerd aan de Universiteit Twente op haar algoritme. Na jarenlang schaven en perfectioneren heeft zij een algoritme geschreven waarmee de omvang, de vorm, de hoogte en de dichtheid van bomen kan worden gemeten. Zo kan bepaald worden wat de positie en omvang van de kroon zijn en de hoogte ten opzichte van de voet van een boom. Met dit algoritme heeft Khosravipour al twee Amerikaanse awards gewonnen. Khosravipour noemt haar tool het meest nauwkeurige algoritme voor boomdetectie tot nu toe.

vtabomen-inspectieresultaten.png

Waar staan mijn bomen?

Account manager van Asset.Insight. Cor van den Heuvel: 'Volgens de Nederlandse wetgeving heeft iedere boomeigenaar een zorgplicht. Deze zorgplicht kan zwaar drukken op gemeenten en waterschappen. Zij hebben vaak al gauw zo'n 100.000 bomen of meer in hun areaal. Het monitoren van deze bomen is een tijdrovende en dus dure klus. Wat veel speelt bij waterschappen en overheden, zijn de vragen: waar staan die bomen en van wie zijn ze precies? Historisch gezien werden bomen altijd ingemeten door landbouwkundigen; zij gingen langs iedere boom om de boomlocatie in te meten. Dat was een tijdrovende en prijzige klus. Wij hebben nu een eenvoudige en prijsvriendelijke methode om alle bomen te detecteren. Het ophalen van deze data kan met verschillende systemen, via satellietdata, airborne data via een drone of data die verzameld zijn door scanners op auto's. Het is aan de klant om te bepalen welke databron hij wil of kan gebruiken. Dat zal meestal afhangen van de vraag waartoe hij nu al toegang heeft.'

bomenbijfietspad-vta.png

Algoritme verwijdering ruis 30% accurater

Khosravipour vertelt: 'Tijdens mijn PhD heb ik gewerkt met een airborne laser. Ik heb bossen in de Alpen in kaart gebracht met een laser, in mijn geval via een vliegtuig, maar een drone zou ook kunnen. Maar het algoritme is zoals gezegd breder toepasbaar.' Khosravipour: 'Een boom is misschien wel het allerlastigste object om te meten. Omdat een laser door alle blaadjes en takken heen gaat en dat allemaal opmeet, krijg je veel meer data dan bij een object waarvan je alleen de buitenkant kunt scannen.' Dit verschijnsel noemt Khosravipour 'ruis'; al die blaadjes en takjes in het binnenste van een boom creëren ruis. Ze vervolgt: 'Eigenlijk wil je die informatie over alle binnenste blaadjes en takjes helemaal niet hebben. Je wilt alleen de omtrek van de boom opmeten. Mijn algoritme verwijdert de ruis en is daardoor gemiddeld 30 procent accurater dan alle bestaande algoritmes.'

pointscene.png

Complete database met bomen met uniek ID

Khosravipour: 'Omdat het algoritme de onnodige data verwijdert, werkt dit een stuk sneller. Minder data betekent minder opslagruimte. Het is makkelijker om grote aantallen objecten in één keer te scannen en in te voeren in een systeem.' Van den Heuvel: 'Wij winnen deze data in voor de klant, of we gebruiken bestaande data, maar net waartoe de klant toegang heeft. We kunnen bijvoorbeeld in een gemeente een paar dagen rondrijden met een auto met een laserscanner op het dak. Dan heb je alle data verzameld. Vervolgens geven wij al die bomen een uniek kenmerk. Zo weten we ook de afmetingen van de kroon van de boom én de hoogte. Wanneer we er nog een ander algoritme op loslaten, kunnen we ook de omvang van de boom meten. Al deze data zetten we op de kaart en daarmee heeft de klant een complete database.'

resultenkaart-veilig-onveilig.jpg

Virtueel kappen van bomen

Cor van den Heuvel vervolgt: 'Wat we vervolgens kunnen doen, zou je kunnen omschrijven als het virtuele kappen van een boom. Als de boom in zijn val iets beschadigt, kun je zeggen dat hij onder de VTA-inspecties valt. Dit proces berekenen we met GEO-data-analyse.' Gelukkig heeft Van den Heuvel een voorbeeld ter verduidelijking. 'Voor een klant hebben wij bij 145.000 bomen een VTA uitgevoerd. Deze 145.000 bomen hebben we virtueel gekapt. Daaruit kwam naar voren dat 11.000 bomen in aanmerking kwamen voor die inspectie, omdat zij een potentieel gevaar opleveren voor de omgeving bij omvallen. Dat scheelt ontzettend veel energie. In plaats van 145.000 bomen te controleren, hoef je er maar 11.000 te doen. Je hebt alle kenmerken van die boom en weet dus ook of hij een gevaar oplevert voor zijn omgeving.'

inspectierouteplannen.png

Landschapsinrichting

Van den Heuvel: 'Ons systeem kun je niet alleen gebruiken voor visual tree assessment, maar ook bij landschapsinrichting. Neem nu de herinrichting van een natuurgebied'. Je ziet de hoogteverschillen binnen het gebied precies, en ook de aanwezige wandel- en voetpaden; allemaal zaken waarmee je rekening houdt bij herinrichting. Het is dus een handige tool voor een landschapsarchitect. Daarbij wil Asset Insight in de toekomst een koppeling met boomsoorten mogelijk maken.'

 

Bron:

Boomzorg

+