Techniek: data
20
Geo-Info I 2018-4
Maart - TripleSat
April - RapidEye
Mei - TripleSat
Juni - PlanetScope
Juli - PlanetScope
Augustus - PlanetScope
Figuur 2 - Reeks van open databeelden opgenomen in 2017. Het groeiseizoen is goed te volgen.
ondersteunt NEO RVO.nl bij de controles op
landbouwsubsidies van de GLB. De subsidie
controles worden uitgevoerd met behulp van
onder andere satellietdata. Op verschillende
tijdstippen gedurende het groeiseizoen stelt
de EU hiervoor satellietbeelden beschikbaar.
Daarnaast wordt ook veel gebruik gemaakt
van de beelden uit het Satellietdataportaal.
De grote hoeveelheid beeldmateriaal maakt
het mogelijk om verschillende subsidievoor
waarden te controleren. Drie voorbeelden zijn:
(1) subsidiabele perceeloppervlakte wordt met
behulp van hoge resolutie satellietbeelden
(0,5m resolutie) visueel door beeldanalisten
vastgesteld;
(2) gewasbepaling wordt gedaan door het
toepassen van automatische classificatie
algoritmes, die gebruik maken van tijdreek
sen van beelden die zijn opgenomen gedu
rende het groeiseizoen (zie ook figuur 2);
(3) vanggewasmonitoring (vanggewassen wordt
na de oogst ingezaaid om uitspoeling van
meststoffen te voorkomen) met biomassa
indices, waarmee kan worden vastgesteld of
een vanggewas is ingezaaid, wanneer dat is
gebeurd en hoe lang het er staat.
Ten opzichte van andere databronnen hebben
satellietbeelden een aantal grote voordelen.
Ten eerste maken zij het mogelijk om snel grote
oppervlaktes landbouwgronden te controleren.
Immers, een foto vanuit de ruimte bedekt al snel
een groot deel van Nederland. Het is mogelijk om
met 10 beelden heel Nederland 'bedekt' te heb
ben. Daarnaast zijn de sensoren waarmee satel
lieten zijn uitgerust in staat om in verschillende
golflengtes beelden op te nemen. Dat wil zeggen
dat naast het zichtbare licht, ook bijvoorbeeld
infrarood informatie kan worden opgenomen.
Dit biedt een groot aantal extra mogelijkheden.
Volledig geautomatiseerde gewasclassificatie is
hier een mooi voorbeeld van.
De beschikbaarheid van satellietbeelden
is de afgelopen jaren sterk toegenomen.
De enorme hoeveelheid data, in combina
tie met nieuwe automatische detectie en
classificatie algoritmes, vormen een goede
basis voor de ontwikkeling van continue
en landsdekkende monitoring. Ook zijn er
nieuwe uitdagingen. De vele data moet
immers ook betekenisvol geanalyseerd
kunnen worden. Het is dus noodzakelijk om
perceeleigenschappen geautomatiseerd vast
te stellen. Zoals in veel branches kunnen hier
ook nieuwe technieken zoals deep learning
en machine learning voor worden gebruikt.
Door computers te 'leren' wat subsidiabel
landgebruik is, moeten handmatige perceel
beoordelingen overbodig worden.
Daarnaast komen er ook steeds meer andere
typen data beschikbaar, zoals radarbeelden,
dagelijks vrij beschikbaar. Hoewel de analyse
van radardata minder intuïtief is dan van
optische data, heeft radar als groot voordeel
dat het signaal niet wordt belemmerd door
bewolking (zie figuur 3). Omdat radar niet naar
kleur kijkt (zoals optische satellieten), maar
naar structuur, heeft het andere toepassingen.
De structuur van een gewas is afhankelijk
van de variatie in hoogte en dichtheid van
Figuur 3 - Optisch en Radarbeeld van dezelfde locatie, opgenomen op dezelfde dag. Hoewel het een
bewolkte dag was, zijn op het radarbeeld geen wolken zichtbaar.