Aanleiding
Invasieve exoten (planten die van nature niet in Nederland voorkomen en zich na introductie snel kunnen verspreiden) vormen een groeiende uitdaging voor het beheer van spoorbermen. Soorten zoals de Aziatische duizendknoop en de reuzenberenklauw verspreiden zich snel en verdringen andere vegetatie. Daarnaast kunnen zij schade veroorzaken aan spoorinfrastructuur, het zicht langs het spoor beperken en de bereikbaarheid van onderhoudslocaties beïnvloeden.
Voor ProRail leidt dit tot hogere beheer en onderhoudskosten. Bestrijding begint in dit geval met inzicht: waar bevinden deze planten zich, hoe groot zijn de groeiplaatsen en hoe ontwikkelen zij zich in de tijd? Die informatie is nu vaak versnipperd beschikbaar of vraagt veel handmatig werk.
Binnen dit project wordt onderzocht hoe bestaande beelddata, ecologische kennis en kunstmatige intelligentie kunnen bijdragen aan een snellere en betrouwbaardere inventarisatie van invasieve exoten langs het spoor.
Doel
Het project richt zich op het automatisch herkennen van invasieve exoten in spoorbermen. Daarbij staat de vraag centraal of beschikbare beelddata en andere databronnen voldoende informatie bevatten om groeiplaatsen met hoge(re) betrouwbaarheid in kaart te brengen.
Het onderzoek richt zich vooral op de Aziatische duizendknoop en de reuzenberenklauw. Door deze soorten automatisch te detecteren ontstaat beter inzicht in locaties, omvang en verspreiding. Dat helpt bij het plannen van onderhoud, het beoordelen van risico’s en het kiezen van passende beheermaatregelen.
Aanpak
Het project brengt expertise samen uit spoorbeheer, ecologie, geo informatie en kunstmatige intelligentie.
Onderzoekers werken met bestaande datasets van ProRail, waaronder beeldmateriaal en puntenwolken. Deze gegevens combineren zij met kennis over plantensoorten en hun groeipatronen. Vervolgens ontwikkelen en testen zij AI modellen die invasieve exoten kunnen herkennen.
Naast de ontwikkeling van herkenningsmodellen richt het project zich op de volledige dataketen. De onderzoekers werken aan een verwerkbare dataomgeving, ontwikkelen een kaartlaag waarmee resultaten zichtbaar worden en onderzoeken hoe analyses kunnen ondersteunen bij beheerbeslissingen.
Vanuit GROUNDED draagt Saxion kennis bij over remote sensing, dataverwerking, ruimtelijke analyse en het combineren van verschillende databronnen. Daarmee sluit het project aan bij de ambitie om verborgen informatie in de leefomgeving zichtbaar en toepasbaar te maken.
Verwachte resultaten
Het project levert:
- Model voor detectie van invasieve exoten op basis van beelddata en puntenwolken (model)
- MLOps pipeline hoe dit model te operationaliseren (softwareprototype)
- Een interactieve kaartlaag dat de resultaten visualiseert (demonstrator)
- Implementatieadviezen hoe analyses te vertalen naar actieplan
Met deze resultaten ontstaat een basis voor gerichter beheer van invasieve exoten, lagere inspectielasten en beter onderbouwde keuzes in onderhoud en bestrijding.
Partners
- Hogeschool Saxion
- Hogeschool Windesheim
- ProRail
- TechForFuture
- Lectoraat Ambient Intelligence
- Lectoraat Sustainable Areas and Soil Transitions
Contact
Meer weten over dit project of verkennen hoe data en AI kunnen bijdragen aan vraagstukken in de leefomgeving? Neem dan contact op met Wouter Teeuw (w.b.teeuw@saxion.nl).
