partnermenu

zoeken binnen de website

Partnerpagina Imagem

Waterschap efficiënter met datagedreven schouw

artikelen | 24 oktober 2019

Meer doen met minder middelen is een uitdaging voor vrijwel alle overheidsorganisaties. Het beheer van grote arealen met een beperkt aantal medewerkers dwingt waterschappen om prioritering aan te brengen in het veldwerk. Dit betekent niet dat gestelde doelen niet gehaald kunnen worden. Het betekent wel dat je slimme oplossingen moet inzetten om een hogere efficiëntie te bereiken. Zo verdubbelde Waterschap Drents Overijssel Delta met de inzet van machine learning de accuratesse van het veldwerk.

waterbeheer

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 en die is fundamenteel anders dan de voorgaande drie. Het fundament voor de vierde industriële revolutie ligt in de snel ontwikkelende communicatiemogelijkheden en verbindingen. Doorbraken in (onder andere) kunstmatige intelligentie, internet of things, robotisering en machine learning beïnvloeden ons dagelijks leven, hoewel het potentieel nog niet volledig duidelijk is. [1]

Machine learning is een onderzoeksveld waarbij computers kunnen leren zonder daarvoor expliciet te zijn geprogrammeerd. De integratie 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 soorten obstructies in watersystemen, 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 legt uit: “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. Het machine intellect leert te onderscheiden wat te zoeken en wat niet en genereert de analysecriteria zelf. Machine learning is overigens niet beperkt tot ruimtelijke analyses voor de waterschappen, maar kan in een breed scala van domeinen worden ingezet.”

Getraind model

Iedere herfst gaan zo’n 60 medewerkers van Waterschap Drents Overijssel Delta er een volle week op uit om waterwegen te controleren op doorstromingsproblemen als gevolg van ingroei en andere vervuiling. Dit proces is enorm arbeids- en tijdsintensief, wat ervoor zorgt dat de betrokken medewerkers geen andere taken kunnen uitvoeren. De reusachtige omvang van deze jaarlijkse inspanning trok in 2018 de aandacht van Jeroen Waanders, innovatieadviseur bij WDO Delta. Zijn wens was om het aantal veldbezoeken drastisch te verminderen door middel van accuraat inzicht vanuit satellietbeelden. Hier kwam de noodzaak voor het introduceren van kunstmatige intelligentie om de hoek kijken.

Als vervolg op een eerdere samenwerking met IMAGEM op het gebied van innovatieve oplossingen voor locatie intelligentie, zette Waanders 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 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.”

Met een traditionele fotovergelijking werd slechts 40 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 circa 98 procent werd gehaald. WDO Delta heeft met deze datagedreven schouw 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 moeten worden. In een gecontroleerde testomgeving heeft Jeroen 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 werken en risicogestuurd beheer te 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.”

De volgende uitdaging voor het waterschap is om dit concept vanuit het living lab naar de praktijk te brengen. Het volle effect van deze disruptieve oplossing moet zich nog openbaren; het laat nog slechts een klein deel van de mogelijkheden van machine learning zien wanneer die mogelijkheden worden ingebed in locatie-intelligente oplossingen.

Yashita Arora, Marketing Director bij IMAGEM.

Weten wat IMAGEM nog meer voor waterschappen kan betekenen? Kijk dan op onze themapagina

[1] Bron: The Fourth Industrial Revolution by Klaus Schwab

tags:

Reactieformulier

De met een * gemarkeerde velden zijn verplicht. U ziet eerst een voorbeeld en daarna kunt u uw bijdrage definitief plaatsen. Uw e-mailadres wordt niet op de site getoond. Reacties zonder achternaam worden verwijderd. Anoniem reageren alleen in uitzonderlijke gevallen in overleg met de redactie. U kunt bij de vormgeving van uw reactie gebruik maken van textile en er is beperkt gebruik van html mogelijk.