Zelfregulerend watersysteem haalbaar met Machine Learning?

9 augustus 2019

WDO Delta gaat over op datagedreven monitoringsysteem

Meer doen met minder middelen en geld is een uitdaging die geldt voor vrijwel alle overheidsorganisaties vandaag de dag. De 22 waterschappen in Nederland zijn daarop geen uitzondering. Het beheer van grote arealen met een beperkt aantal medewerkers dwingt de waterschappen om prioritering aan te brengen in het veldwerk. Dit betekent niet dat de gestelde doelen niet kunnen worden gehaald. Het betekent wel dat deze organisaties slimme oplossingen moeten inzetten in hun dagelijkse processen om een hogere efficiëntie te bereiken. 

Door Yashita Arora

Waterschappen beheren infrastructuur zoals dijken en keringen en zorgen ervoor dat het watersysteem schoon blijft en doorstroming gegarandeerd is.

De hoofddoelstellingen van waterschappen zijn eenvoudig – beheren van infrastructuur zoals dijken en keringen, ervoor zorgen dat het watersysteem schoon blijft en doorstroming gegarandeerd is, en een goede balans bewaken tussen nat en droog bij wisselende omstandigheden. Aangezien alles zich buiten afspeelt, is het vrij logisch voor een waterschap om te vertrouwen op beeldmateriaal voor het monitoren en voor besluitvorming. Locatie-intelligentie vormt daarmee de hoeksteen van al het veldwerk. 
We staan aan het begin van de vierde industriële revolutie, die fundamenteel anders is dan de voorgaande drie. Het fundament voor de vierde industriële revolutie is gelegen in de snel ontwikkelende communicatie en verbindingen. Doorbraken in (onder andere) kunstmatige intelligentie, internet-of-things en robotisering beïnvloeden ons dagelijks leven, maar dit potentieel is nog niet volledig duidelijk. 

Inzichten ontgrendeld
De toepassing van Machine Learning in de dagelijkse werkprocessen bij waterschappen kan eindeloze mogelijkheden bieden. De integratie van het concept van Machine Learning in beeldverwerkingsprocessen, vormt de sleutel om een breed scala aan direct bruikbare inzichten te ontgrendelen. Of het nu gaat om het identificeren van locaties en de soort obstructies, het opsporen van illegale afgravingen of het monitoren van begroeiing in watergangen, ‘smart’ satellietbeelden kunnen de nauwkeurigheid en efficiëntie van deze detecties enorm vergroten.

Tjip van Dale, senior geospatial solutions specialist bij IMAGEM: “Integratie van analytische tools met smart Machine Learning-algoritmes biedt nieuwe mogelijkheden om gebruikmakend van remote sensing data, eigenschappen van het aardoppervlak te onderscheiden en te classificeren. Gebruikers hoeven niet zelf analysecriteria te definiëren maar specificeren eenvoudig waar naar gezocht moet worden en relateren dit aan locaties in de (satelliet)data waar het te zoeken verschijnsel zich voordoet. Het machine intellect leert te onderscheiden wat te zoeken en wat niet en genereert de analysecriteria zelf. Dit machine intellect kan vervolgens worden ingezet om specifieke verschijnselen in toekomstige analyses te kunnen classificeren.”

WDO Delta
Een recent voorbeeld in Nederland van deze futuristische oplossing is gerealiseerd bij Waterschap Drents Overijssel Delta (WDO Delta). Laten we dit nader bekijken. Iedere herfst gaan circa zestig medewerkers van WDO Delta er een volle week op uit om waterwegen te controleren op doorstromingsproblemen als gevolg van ingroei en andere vervuiling. Meestal zijn hiervoor meerdere iteraties nodig – het begint met de initiële Schouw, en een opvolgende bij complexe situaties. Uiteindelijk is dit proces pijnlijk arbeids- en tijdsintensief, wat ervoor zorgt dat de betrokken medewerkers geen andere taken kunnen uitvoeren. 

De reusachtige omvang van deze jaarlijkse inspanning trok de aandacht van Jeroen Waanders, innovatieadviseur bij WDO Delta, in 2018. Zijn wens was om het aantal veldbezoeken drastisch te verminderen door accuraat inzicht vanuit satellietbeelden. Hier kwam de noodzaak voor het introduceren van kunstmatige intelligentie om de hoek kijken. 
Nadat hij al eerder met IMAGEM had gewerkt aan innovatieve oplossingen voor locatie-intelligentie, zette hij een living lab op voor het integreren van Machine Learning met de reeds aanwezige technologie voor beeldverwerking. In samenwerking met CGI heeft IMAGEM een schouwmodel ontwikkeld gebaseerd op Machine Learning, dat kan worden toegepast op satellietbeelden. 
Waanders: “IMAGEM is al jaren een partner voor ons, die met ons meedenkt bij het vinden van oplossingen die voor ons toegevoegde waarde genereren. Dit project laat zien dat technologische ontwikkelingen echt kansen bieden om op een andere manier invulling te geven aan organisatiedoelen, maar ook zeker om de gevolgen van het personeelsverloop op te vangen.”

Het gebruik van Machine Learning helpt bij een breed scala aan doelen, zoals het identificeren van locaties en de soort obstructies, het opsporen van illegale afgravingen of het monitoren van begroeiing in watergangen.

Doorbraak
Met een traditionele fotovergelijking werd slechts veertig procent van de aanwezige obstructies in watergangen correct geïdentificeerd. De toepassing van Machine Learning, waarbij het model werd getraind om specifieke situaties te herkennen, zorgde ervoor dat in slechts een paar maanden tijd een herkenningspercentage van ongeveer 98 procent werd gehaald. WDO Delta heeft daarmee een doorbraak geforceerd. De medewerkers hoeven niet langer iedere watergang op vegetatie of vervuiling te controleren. In plaats daarvan geeft dit ‘smart’ systeem aan welke gebieden fysiek gecontroleerd dienen te worden. In een gecontroleerde testomgeving heeft Waanders hiermee, met de hulp van IMAGEM en CGI, een zelfregulerend watersysteem ontwikkeld – het eerste in zijn soort in Nederland. 
Patrick de Groot, sales director bij IMAGEM: “De toepassing van Machine Learning biedt waterschappen de mogelijkheid om datagedreven te gaan werken en risicogestuurd beheer te gaan voeren. Niet langer alles controleren, maar gericht beheren en handhaven op basis van een probleemindicatie. Dat zorgt voor een veel effectievere inzet van mensen en middelen, betere verantwoording en snellere reactietijden. De datagedreven schouw is hier een mooi voorbeeld van.”

Continu systeem
De volgende uitdaging voor het waterschap is om dit concept vanuit het ‘living lab’ naar de praktijk te brengen. Wanneer near real-time data (hogere frequentie satellietbeelden) worden toegevoegd, kan een continu monitoringsysteem ontstaan met datagedreven sturing. WDO Delta wil dit proces de komende herfst al in productie brengen. 

Het volle effect van deze disruptieve oplossing moet zich nog openbaren, maar het laat slechts een klein deel van de mogelijkheden van Machine Learning zien, wanneer deze worden ingebed in locatie-intelligente oplossingen. Je bent nu onderdeel geworden van de vierde industriële revolutie, waarbij je niet langer voor je data werkt, maar de data voor jou werken. 
Samengevat, Machine Learning verlaagt de drempel om remote sensing data in ruimtelijke analyses toe te passen. Machine Learning is niet beperkt tot ruimtelijke analyses voor de waterschappen maar kan in een breed scala van domeinen worden ingezet.

Website Imagem | Machine Learning

Comments are closed.