Mutatiesignalering op alle landbouwpercelen in Nederland

Mutatiesignalering op alle landbouwpercelen in Nederland

Half miljoen percelen gemonitord

Vanaf 2019 signaleert NEO voor de Rijksdienst voor Ondernemend Nederland (RVO.nl) veranderingen op alle percelen in Nederland, ruim 500 duizend landbouwpercelen. Het monitoren, op basis van satellietbeelden in combinatie met kunstmatige intelligentie, heeft als doel om veranderingen in de begrenzingen van de landbouwpercelen op te sporen.

Door Steven Braakman

Veranderingen in een landbouwperceel afgeleid uit meerdere satellietbeelden. In blauw de begrenzing van het perceel in de registratie van RVO. In het rechter beeld van 2019 is duidelijk dat er veranderingen zijn opgetreden die effect hebben op het oppervlak van het landbouwperceel. In rood de grenzen van het mutatiesignaal dat door de automatische herkenning is gegenereerd.

De actuele staat van landbouwpercelen (hierna: percelen) is van belang voor de bepaling of uitbetaling van landbouwsubsidies rechtmatig is. Tot nu toe voerde RVO.nl deze controle handmatig uit op luchtfoto’s, wat veel capaciteit en geld kostte. Het is voor het eerst dat er op automatische wijze mutatiesignalering op basis van aardobservatie wordt uitgevoerd op deze schaal: meer dan de helft van het landoppervlak van Nederland wordt gecontroleerd.
RVO.nl is onderdeel van het ministerie van Economische Zaken en Klimaat (EZK) en is het betaalorgaan van Europese subsidies voor het Gemeenschappelijk Landbouwbeleid (GLB). Een van de

taken van het betaalorgaan is het onderhouden van een Land Parcel Identification System (LPIS); in Nederland is dit de referentielaag, voorheen het Agrarisch Areaal Nederland (AAN). De referentiepercelen in de referentielaag vormen het uitgangspunt bij de bepaling of uitbetaling van landbouwsubsidies rechtmatig is. Het actueel houden van de registratie van de percelen is daarom van groot belang. Dat is een uitdaging, want de grenzen van de 500 duizend Nederlandse percelen kunnen ieder moment veranderen, bijvoorbeeld als gevolg van de aanleg van een stal, een weg of een sloot. Jaarlijks wijzigt hierdoor de geometrie van zo’n vijf tot tien procent van de percelen.

De probabilities van de klassen landbouwperceel (links) en gebouw (rechts), voorspeld door de DL-algoritmen. Zwart: dat de pixel tot de klasse behoort is zeer onwaarschijnlijk, wit: zeer waarschijnlijk wel de klasse. In rood omlijnd de afgeleide mutatie.

Visuele controle
RVO.nl controleerde tot nu toe handmatig op luchtfoto’s of de percelen veranderd zijn, elk jaar een derde van de percelen, zodat een perceel elke drie jaar werd gecontroleerd. Deze controle vond visueel plaats. Na deze visuele controle wordt, voor de percelen waarvan is vastgesteld dat deze veranderd zijn, in een volgende ronde de nieuwe geometrie ingetekend op basis van luchtfoto’s. Met de nieuwe dienst die NEO levert kan RVO.nl dit werkproces efficiënter uitvoeren, doordat de eerste signaleringsronde wordt ondersteund door gebruik te maken van satellietbeelden en automatische verwerking en analyse van deze beelden.
Hoe werkt dit? De dienst maakt als grondstof gebruik van de open (en gratis) data van het nationaal satellietdataportaal van de Nederlandse overheid. Verspreid over 2019 zijn er voor elke plek in Nederland rond de zes satellietopnames beschikbaar met een ruimtelijke resolutie van 50 centimeter. Het grote datavolume (~40 TeraByte) is een uitdaging, het analyseren en interpreteren van zoveel beelden en pixels kan eigenlijk alleen geautomatiseerd uitgevoerd worden.

Hiervoor wordt dan ook deep learning (DL) toegepast, een specifieke vorm van kunstmatige intelligentie waarbij gebruik wordt gemaakt van gelaagde neurale netwerken. De algoritmen, door NEO ontwikkeld en ingericht, signaleren veranderingen in grondgebruik.

Dit gebeurt door allereerst onderscheid te maken in de klassen gebouw, weg, water, landbouwperceel en bomen. Daarnaast is het noodzakelijk om ook andere verschijnselen die op satellietbeelden zichtbaar zijn en die voor ruis en fouten zorgen te identificeren, zoals wolken, wolkenschaduw en gebouw- en vegetatieschaduwen. Zo voorkomen we dat we deze per ongeluk als verandering interpreteren. De classificatie wordt per beeld en per (groep van) pixels uitgevoerd met DL, waarbij niet alleen pixelwaarden maar ook geometrieën en texturen een rol spelen in objectgerichte classificatie. Vervolgens wordt in een tweede DL-stap over de classificaties van de beelden in de tijdserie heen beoordeeld of er een verandering is opgetreden binnen de percelen. Als laatste worden – op basis van een beslisboom – de gedetecteerde veranderingen gefilterd op hun relevantie voor deze toepassing (het onderhoud van de referentielaag).

Gewijzigd, ongewijzigd en onduidelijk
De uitkomst van de signalering is uiteindelijk een classificatie per perceel van de status in de klassen gewijzigd, ongewijzigd en onduidelijk. Aanvullend wordt voor de als gewijzigd beoordeelde percelen per gesignaleerde mutatie aangegeven wat de aard van de mutatie is, wat het tijdstip is van de opgetreden mutatie (op basis van de satellietopname) en de omvang (geometrie).
De dienst bespaart RVO.nl tijd en geld omdat op basis van de classificatie gerichter naar percelen kan worden gekeken. De percelen met de indicatie ‘ongewijzigd’ hoeven namelijk niet visueel beoordeeld te worden. De resultaten van de signalering worden met elke nieuwe cyclus verder verbeterd door aanvullende en meer specifieke training van de DL-algoritmen, een lerend principe dat ook voor de klant steeds meer besparing oplevert.

Overzicht percelen met classificatie: ongewijzigd in groen, onduidelijk in geel en gewijzigd in rood. 

Patentaanvraag
De dienst die NEO levert is uniek: het is voor het eerst dat er op deze schaal (meer dan de helft van het landoppervlak van Nederland wordt gecontroleerd) automatisch mutatiesignalering op basis van aardobservatie wordt uitgevoerd. Voor deze innovatie op het gebied van automatische mutatiesignalering op basis van kunstmatige intelligentie loopt een patentaanvraag.
Deze dienst past in de trend van monitoringsdiensten die gebruikmaken van de steeds hogere en continu verbeterende beschikbaarheid van beeldmateriaal (met een hoge herhalingsfrequentie) en de mogelijkheden die kunstmatige intelligentie, in combinatie met eigen intelligentie, biedt. Zo is het mogelijk om objecten structureel te monitoren en het gehele bijhoudingsproces van signalering tot aan actualisatie van de data, dus inclusief de opvolging van de signalering, te vereenvoudigen en goedkoper te maken.

Het cyclische werkproces. Satellietopnames worden doorlopend gemaakt. Er is door RVO voor gekozen om op vaste momenten, éénmaal per jaar een signalering uit te laten voeren. De feedback op de signalering leidt tot nieuwe input voor een verdere verbetering van de DL-signaleringsalgoritmen.

Steven Braakman is senior advisor, business developer bij NEO. Voor meer informatie over de in dit artikel besproken onderwerpen, zie 

Website Satellietdataportaal

Website RVO

Website NEO

Share on facebook
Facebook
Share on google
Google+
Share on twitter
Twitter
Scroll naar top