Het verschil tussen een zwartkopmeeuw en een kokmeeuw is, van bovenaf gezien, subtiel. Een iets andere kopkap en zwarte of witte vleugelpunten. Met het blote oog heel lastig waar te nemen. Bureau Waardenburg heeft onlangs een pilot gedaan met objectdetectie in ArcGIS Image Analyst for ArcGIS Pro. Hiermee worden de vogelsoorten automatisch van elkaar onderscheiden. Zo worden vogelkolonies van duizenden vogels met Deep Learning veel sneller geteld en geclassificeerd.

De Waterdunen in Zeeuws-Vlaanderen is een nieuw natuurgebied met enkele broedeilanden: speciaal aangelegde eilanden waar kustbroedvogels in alle rust kunnen nestelen. Om te zien hoe het gaat met de vogelkolonies worden de aantallen vogels en nesten nauwkeurig bijgehouden. Tot voor kort gebeurde dit met een telescoop en handmatig tellen. Sinds vorig jaar maakt Bureau Waardenburg, in opdracht van Rijkswaterstaat en Stichting Het Zeeuwse Landschap dronebeelden van de eilanden. Hierop werden de vogels door het handmatig zetten van stippen geteld en geclassificeerd. In de pilot kwam daar het tellen met behulp van Deep Learning bij. Dankzij deze technologie worden de vogels automatisch geteld en onderscheiden, wat vele malen sneller is dan handmatig tellen.

Kolonietellingen met dronebeelden

Job de Jong is GIS- en Remote Sensing-specialist bij Bureau Waardenburg en betrokken bij de pilot met ArcGIS Image Analyst in Waterdunen. Hij vertelt hoe de kolonietelling met Deep Learning in zijn werk gaat. “Het begint met het maken van dronebeelden. Eerst vliegen we hoog over de broedeilanden heen om te zien waar de nesten precies zitten. Aan de hand daarvan maken we een vliegplan en vliegen we op een hoogte van 20 meter over het gebied met de nesten, zodat er een dekkende foto van het gebied gemaakt kan worden.” De luchtfoto’s hebben een erg hoge resolutie, zodat details goed zichtbaar zijn. Volgens de Jong worden de vogels niet verstoord door de drones. “Het is op de videobeelden heel mooi te zien dat de vogels totaal niet reageren op de overvliegende drones, dus het is ook een diervriendelijke methode.”

Links: dronefoto van de vogelkolonie. Rechts: de classificatie door het Deep Learning-model

Van handmatig tellen naar Deep Learning

Bij het tellen moet op verschillende vlakken onderscheid gemaakt worden tussen de vogels. Ten eerste zitten er verschillende soorten vogels op de eilanden, waarvan de grote stern, de zwartkopmeeuw, de kokmeeuw en de visdief de grootste groepen vormen. Dat onderscheid is op de foto’s te zien aan subtiele details. Zo heeft de kokmeeuw zwarte vleugelpunten en de zwartkopmeeuw niet. Daarnaast moet ook bijgehouden worden welke vogels op een nest zitten en welke niet. De kolonie in Waterdunen werd eerst handmatig geteld. Daarbij kreeg iedere vogel een stip met kleurcode. Die dataset bleek het perfecte hulpmiddel om de Deep Learning-modellen te trainen en testen. De Jong: “Aan de hand van die data hebben we een subset gemaakt van een deel van de kolonie. Vervolgens is het een kwestie van op een paar knoppen drukken, en dan classificeert het algoritme de rest van de vogels zelf.”

Links: getelde grote sterns in kolonie (rood) en rustend buiten kolonie (geel). Rechts: getelde zwartkopmeeuwen broedend (rood) en niet-broedend.

Testen van het model

In eerste instantie wilde De Jong alle acht klassen laten classificeren, gebaseerd op de verschillende soorten en wel of niet op een nest. Maar daar kwam het algoritme niet goed uit. De verschillen tussen de klassen waren vaak te klein voor een betrouwbaar onderscheid. “Toen hebben we de klassen geclusterd tot alleen de grote sterns, zwartkopmeeuwen en kokmeeuwen, de meest voorkomende soorten. Dat ging eigenlijk heel goed. Zo’n 90% van de soorten werd juist geclassificeerd,” vertelt De Jong.

Nauwkeurigheid neemt toe

Hoewel de resultaten positief zijn, is het classificeren met het algoritme nu niet zo nauwkeurig als met de hand, aldus De Jong. “De verschillen tussen het gedrag en de soorten zijn op de dronefoto's zo minimaal dat er enorm veel trainingsdata nodig is om een algoritme dat goed aan te leren. Maar wanneer we de trainingsdataset aanvullen met nieuwe beelden wordt het algoritme steeds beter. Dus de komende jaren neemt de nauwkeurigheid toe.”

"Zo'n 90% van de soorten werd juist geclassificeerd"

Job de Jong

GIS- en Remote Sensing-specialist, Bureau Waardenburg

Tijdswinst

Het grootste voordeel van de kolonietelling door Deep Learning is volgens De Jong tijdwinst. “Met een paar drukken op de knop heb je een resultaat. Dat scheelt enorm veel tijd vergeleken met op iedere vogel handmatig een stip zetten. In een kolonie als de Waterdunen zitten bij elkaar wel meer dan 13.000 vogels. Het handmatig nalopen van al deze vogels kost al snel enkele dagen. Door slechts een deel van de kolonie te hoeven tellen voor een trainingsset, en de rest automatisch te laten classificeren met de Deep Learning-modellen, kan in een halve dag al een heel goed resultaat worden behaald. Ook wanneer we het resultaat nog met de hand corrigeren is het aanzienlijk sneller. Dat is een kwestie van de afwijkingen nalopen.” Met deze bevindingen is de pilot van Bureau Waardenburg een succes bevonden. De komende jaren blijft het bureau vogelkolonies tellen met drones en ArcGIS Image Analyst for ArcGIS Pro.

Eenvoudig beginnen is cruciaal

Willem Vlot, analytics consultant bij Esri Nederland, begeleidde de pilot van Bureau Waardenburg. “Wij hadden zelf nog nooit eerder een project gedaan waarbij we Deep Learning inzetten om vogels te tellen. Samen met Bureau Waardenburg hebben we het proces doorlopen in ArcGIS Pro, met als doel dat ze aan het einde van de dag er zelf mee verder konden. Met het ontwikkelen van een Deep Learning-model is het zaak om eenvoudig te beginnen. De eerste vraag die we onderzocht hebben is of we überhaupt een vogel konden detecteren. Dat doet de technologie aan de hand van kleur, vorm en het contrast met de achtergrond, zoals we dat met het menselijk brein ook doen. Van daaruit zijn we het model gaan uitbreiden tot het detecteren van verschillende soorten. Dat is uiteindelijk dus goed gelukt. Een paar weken na de start van de pilot waren de resultaten al zodanig goed dat er besloten werd om ermee te blijven werken.”

Enthousiast geworden?

Meer weten over Deep Learning? Bekijk de pagina over GeoAI.

Willemijn Ruissen

Bureau Waardenburg

Deel dit artikel: