Samenvatting van de innovatie

Wat is het en wat doet het? 

NL Veranderdetectie is een innovatieve toepassing binnen de watersector die kunstmatige intelligentie (AI) en geo-technologie combineert om veranderingen in de Basisregistratie Grootschalige Topografie (BGT) automatisch te detecteren. Dit geavanceerde systeem stelt waterschappen in staat om mutaties in waterlopen, infrastructuur en andere landschapselementen sneller en nauwkeuriger op te sporen dan traditionele handmatige inspecties. Het project is ontworpen om de nauwkeurigheid van geografische informatie te verbeteren, waardoor besluitvorming op het gebied van waterbeheer en ruimtelijke ordening effectiever wordt ondersteund. Door AI in te zetten, wordt het mogelijk om veranderingen te herkennen zonder dat er handmatige tussenkomst nodig is, wat resulteert in aanzienlijke tijds- en kostenbesparingen. 

De implementatie van AI binnen de watersector opent nieuwe mogelijkheden voor real-time monitoring en proactief beheer van waterbronnen. Dit zorgt ervoor dat beleidsmakers en beheerders sneller en beter geïnformeerde beslissingen kunnen nemen. Naast een efficiënter beheer draagt deze innovatie bij aan een duurzamer waterbeleid, doordat ongeoorloofde veranderingen, zoals illegale dempingen of infrastructuurwijzigingen, eerder worden opgemerkt en aangepakt. Dit maakt NL Veranderdetectie niet alleen een krachtig hulpmiddel voor waterbeheerders, maar ook een belangrijk instrument voor overheden en andere belanghebbenden die verantwoordelijk zijn voor het duurzaam beheren van de leefomgeving. 

Werkveld binnen de watersector 

De toepassing van NL Veranderdetectie bevindt zich op het snijvlak van waterbeheer, ruimtelijke ordening en technologische innovatie. Waterschappen dragen de verantwoordelijkheid voor het onderhoud van waterwegen en infrastructuur en hebben behoefte aan actuele en nauwkeurige geografische data. Deze gegevens vormen de basis voor beleidsvorming, onderhoudsplanning en crisismanagement. Door het implementeren van AI-technologie wordt het proces van veranderingendetectie verbeterd, waardoor waterschappen proactief kunnen inspelen op veranderingen in het landschap. Dit helpt niet alleen bij het vroegtijdig signaleren van risico’s, zoals verzakkingen of erosie, maar biedt ook mogelijkheden om beter te anticiperen op toekomstige ruimtelijke ontwikkelingen. 

Daarnaast draagt NL Veranderdetectie bij aan het verbeteren van samenwerking tussen verschillende overheidsinstanties. Rijkswaterstaat, provincies en gemeenten kunnen profiteren van de gegenereerde data, waardoor besluitvorming beter kan worden afgestemd en beleid consistenter wordt uitgevoerd. Dit versterkt de integratie tussen verschillende overheidslagen en bevordert een meer uniforme en efficiënte benadering van ruimtelijke ordening en milieubeheer. 

Techniek en visualisatie 

Het model maakt gebruik van deep learning-algoritmen die zijn getraind op luchtfoto’s en later ook op satellietbeelden. Dit proces wordt ondersteund door cloud computing via het Azure-platform, waar grote hoeveelheden beelddata worden geanalyseerd en geclassificeerd. De AI herkent patronen en mutaties in geografische structuren en categoriseert deze op basis van waarschijnlijkheid en impact. GIS-specialisten valideren de door het model voorgestelde veranderingen om de nauwkeurigheid verder te verhogen. Er zijn technische presentaties beschikbaar via het Waterschapshuis, waarmee geïnteresseerden inzicht krijgen in de werking en prestaties van het model. 

NL Veranderdetectie integreert verschillende technologieën, zoals beeldherkenning, machine learning en geo- analyse, om veranderingen in de BGT te identificeren. Door gebruik te maken van cloudgebaseerde rekenkracht kan het systeem grote datasets verwerken en patronen herkennen die voor het menselijk oog moeilijk waarneembaar zijn. Dit stelt waterschappen in staat om snel en accuraat beslissingen te nemen over het onderhoud en de ontwikkeling van waterinfrastructuur. Visualisaties van de resultaten kunnen worden weergegeven in GIS-systemen, waarmee beheerders eenvoudig kunnen navigeren door de geïdentificeerde veranderingen en prioriteiten kunnen stellen voor verdere inspectie en actie. 

Het Ontstaan van de Innovatie 

Uitdagingen en problemen 

Waterschappen worden al geruime tijd geconfronteerd met verouderde en soms onnauwkeurige geografische data. Dit leidt tot inefficiënt beheer en kan risico’s opleveren voor waterveiligheid. Traditionele methoden voor het bijwerken van de BGT zijn arbeidsintensief, kostbaar en tijdrovend. Regelmatige fysieke inspecties vereisen veel mankracht en kunnen slechts een beperkte hoeveelheid veranderingen vastleggen. Met de opkomst van AI ontstond de behoefte om een geautomatiseerd proces te ontwikkelen dat veranderingen sneller en nauwkeuriger kan detecteren. 

De dynamiek van waterbeheer vereist dat veranderingen in het landschap zo snel mogelijk worden opgemerkt. Wanneer mutaties te laat worden ontdekt, kan dit leiden tot problematische situaties zoals wateroverlast, bodemdaling en ecologische verstoringen. Handmatige inspectiemethoden kunnen deze snelle veranderingen niet altijd bijbenen, wat de noodzaak benadrukt voor een datagedreven en geautomatiseerde oplossing zoals NL Veranderdetectie. Door de combinatie van AI en GIS-technologie wordt een snellere en nauwkeurigere identificatie van veranderingen mogelijk, wat bijdraagt aan een veiliger en duurzamer waterbeheer. 

Ontwikkelingsproces en betrokken partijen 

Het traject begon in januari 2024 met een pilot waarin tien waterschappen, het Waterschapshuis en Rijkswaterstaat als kernpartners samenwerkten. Het doel was een Proof of Concept (PoC) te ontwikkelen die aantoonde dat AI bruikbaar is voor mutatiesignalering binnen de BGT.  Gedurende de pilot werd een iteratieve ontwikkelstrategie gehanteerd op basis van Agile en Scrum-methodologieën. Dit maakte het mogelijk om de modellen stap voor stap te verfijnen en praktijkervaringen direct te verwerken in de ontwikkeling. 

Door de samenwerking tussen verschillende belanghebbenden konden de technische en praktische eisen van het systeem goed op elkaar worden afgestemd. Datawetenschappers, GIS-specialisten en beleidsmakers werkten samen om de algoritmes te trainen en te verfijnen, terwijl praktijkervaringen uit de veldinspecties werden meegenomen in de validatie van de AI-resultaten. De dynamische aanpak zorgde ervoor dat het project kon inspelen op nieuwe inzichten en technische uitdagingen kon overwinnen. 

Naast het doel een PoC te ontwikkelen, is er ook als doel gesteld om een CoP (Community of Practices) te vormen over de Waterschappen heen (deze projectgroep). Het opbouwen van een Community of Practice (CoP) biedt grote voordelen voor de ontwikkeling en implementatie van innovatieve oplossingen, zoals het gebruik van AI binnen waterschappen. Door samenwerking tussen datawetenschappers, GIS-specialisten, beleidsmakers en veldexperts ontstaat een integrale aanpak waarin technische en praktijkgerichte kennis samenkomen. De CoP maakt het mogelijk om wendbaar te blijven, snel in te spelen op nieuwe inzichten en ontwikkelingen te volgen, en tegelijkertijd kennis duurzaam te borgen en te delen. Dit versterkt niet alleen de inhoudelijke kwaliteit van het project, maar vergroot ook het vermogen om marktconsultaties effectief voor te bereiden, afhankelijkheden te overzien en strategische keuzes te maken over eigenaarschap en licentievormen. Bovendien is het een waardevolle bijkomstigheid dat een waterschap zich met uitdagende opdrachten als deze en een sterk leerklimaat positioneert als een aantrekkelijke werkgever voor (jonge) data scientists. 

Cruciale technologieën en methoden 

De innovatie combineert geavanceerde technologieën en methoden. AI en deep learning worden ingezet voor patroonherkenning en detectie van geografische mutaties. GIS-filtering speelt een rol in het verfijnen van de detectieresultaten en het elimineren van foutpositieven. Cloud computing via Azure stelt het model in staat om op grote schaal beelddata te verwerken en te analyseren. Deze combinatie van technologieën stelt waterschappen in staat om sneller en efficiënter geografische veranderingen vast te leggen en te valideren. 

Een ander belangrijk element in de technologische opzet van NL Veranderdetectie is het gebruik van multispectrale en hyperspectrale beeldverwerking, waarmee verschillende materiaaleigenschappen van het landschap kunnen worden geanalyseerd. Dit maakt het mogelijk om onderscheid te maken tussen natuurlijke en door de mens veroorzaakte veranderingen. Verder speelt automatisering van de workflows een essentiële rol, waardoor het systeem zelfstandig wijzigingen kan identificeren en signaleren zonder dat er constant menselijke tussenkomst nodig is. 

Doorslaggevend moment en een kijkje naar de toekomst

Een cruciaal moment in de ontwikkeling van NL Veranderdetectie was de live demonstratie van het AI-model in juni 2024. Tijdens deze demonstratie werd aangetoond dat de AI tool succesvol mutaties in de BGT kon identificeren, hoewel extra optimalisatie nodig en mogelijk is om het aantal false positives te verlagen. Dit leidde tot brede steun onder de deelnemende waterschappen om door te gaan met fase 2 van het project en verdere verbeteringen door te voeren. Deze fase 2 is momenteel in volle gang, ook RWS heeft aangegeven te willen aansluiten in dit project en bij verdere doorontwikkeling betrokken te willen zijn.

Het enthousiasme na de demonstratie bevestigde de waarde van AI voor veranderingsdetectie en gaf het project een sterkere basis voor opschaling. Dit betekende een bredere acceptatie binnen de sector en een duidelijke route voor verdere ontwikkeling en implementatie binnen de waterbeheerstructuren van Nederland. 

Na afronding van fase 2 zal er opnieuw een learning paper volgen met de inzichten en learnings én de ambitites voor de toekomstige fase(s).