Boomzorg Scholar: Satellieten herkennen boomsoorten steeds beter, maar niet elke boom laat zich even makkelijk lezen |
|
|
|
|
 |
| 92 sec |
Een combinatie van satellietbeelden en kunstmatige intelligentie kan stedelijke boomsoorten steeds nauwkeuriger herkennen. Dat blijkt uit een Frans onderzoek waarin ruim 26.000 bomen in Straatsburg werden geanalyseerd. De onderzoekers ontdekten ook waarom sommige bomen vaker verkeerd worden ingedeeld dan andere.
Voor gemeenten en boombeheerders zijn actuele boomgegevens belangrijk, maar het inventariseren van boomsoorten kost veel tijd en geld. Bovendien blijven bomen op particulier terrein vaak buiten beeld. Onderzoekers van de universiteiten van Straatsburg en Mulhouse onderzochten daarom of satellietbeelden een alternatief kunnen bieden.
Combinatie van satellieten werkt het best
De onderzoekers testten modellen voor tien, vijftien en twintig boomsoorten. De hoogste nauwkeurigheid werd bereikt wanneer gegevens van beide satellietsystemen werden gecombineerd. Bij een indeling van tien boomsoorten werd een nauwkeurigheid van ruim 72 procent gehaald. Bij twintig soorten lag dat percentage rond de 66 procent.
Volgens de onderzoekers levert de combinatie van beide systemen voordeel op. Sentinel-2 biedt veel spectrale informatie, terwijl PlanetScope gedetailleerdere beelden levert. Samen zorgen zij voor een beter onderscheid tussen soorten.
Waarom sommige bomen vaker verkeerd worden herkend
Opvallend is dat de onderzoekers niet alleen keken naar de prestaties van het model, maar ook naar de oorzaken van fouten. Daarbij bleek dat individuele boomkenmerken een belangrijke rol spelen.
Bomen die qua bladontwikkeling sterk afweken van soortgenoten werden vaker verkeerd geclassificeerd. Ook bomen waarvan de kroon gedurende het jaar sterk veranderde, bijvoorbeeld door snoei, leverden meer fouten op. Daarnaast zorgden boomsoorten met een vergelijkbaar groeipatroon vaker voor verwarring bij het model.
Bomen in de binnenstad makkelijker te herkennen
Een onverwachte uitkomst was dat bomen in dichtbebouwde stedelijke gebieden juist vaker correct werden herkend dan bomen aan de stadsrand. Volgens de onderzoekers komt dat waarschijnlijk doordat stadsbomen vaak uniformer zijn aangeplant en beheerd. Daardoor ontstaan herkenbare patronen binnen een soort.
Bomen in buitenwijken en overgangsgebieden groeien juist onder meer uiteenlopende omstandigheden, waardoor ze sterker van elkaar verschillen en moeilijker te classificeren zijn.
Praktische waarde voor boombeheer
De onderzoekers zien mogelijkheden om satellietbeelden in de toekomst te gebruiken voor grootschalige boominventarisaties. Daarmee kunnen ook particuliere bomen beter in beeld worden gebracht. Wel blijft het volgens hen belangrijk om rekening te houden met factoren zoals snoei, groeiplaats en afwijkende ontwikkeling van individuele bomen.
De studie laat zien dat niet alleen de gebruikte techniek, maar ook de eigenschappen van de boom zelf bepalend zijn voor een betrouwbare soortherkenning. Dat inzicht kan helpen bij het verder verbeteren van digitale boomkaarten en stedelijk boombeheer.
Boomzorg Scholar
Boomzorg Scholar is een initiatief van vakblad Boomzorg waarbij wetenschappelijke artikelen worden vertaald naar de praktijk. Dit keer een artikel van Clément Bressant, Romain Wenger, Anne Puissant en Pierre-Alexis Herrault: Data-driven interpretability of urban tree species classification from deep learning models and Satellite Image Time Series, gepubliceerd in Urban Forestry & Urban Greening (2026, Volume 120).
|
| LOGIN
met je e-mailadres om te reageren.
|
|
|
| Er zijn nog geen reacties. |
|
