3min

Ontbossing is een onderwerp dat ruim aan bod komt tijdens de klimaattop in Glasgow. Per dag wordt alleen al in de Amazone zo’n 800 km2 bos gekapt ten behoeve van landbouw, houtwinning en de aanleg van wegen. Het Amazonewoud herbergt de grootste verscheidenheid aan planten- en diersoorten ter wereld – en speelt een vitale rol bij de opname van miljarden tonnen CO2 uit onze atmosfeer elk jaar. SAS en de IIASA (International Institute of Applied Systems Analysis) werken samen aan de ontwikkeling van een nieuw computer vision systeem om ontbossing in het Amazonegebied in een vroegtijdig stadium te detecteren.

Ontbossing in kaart met computer vision

Krachtige, nauwkeurige en bruikbare AI-modellen ontstaan niet zomaar. De ontwikkeling van een AI-model begint met menselijke intelligentie. Daarom hebben IIASA en SAS de handen ineengeslagen en een crowd sourcing actie opgezet waarbij ze mensen oproepen om te helpen bij het trainen van het AI-model. Door de kracht van de milieuwetenschappelijke onderzoeksplatforms van IIASA, de AI- en computer vision-technologieën van SAS en de intellectuele kracht van betrokken burgers te combineren, kunnen we AI-modellen ontwikkelen die de waarde van menselijke inzichten exponentieel verhogen.

Omdat beeldanalyse een belangrijke eerste stap is voor de nauwkeurige beoordeling en voorspelling van ontbossing, vragen we mensen beelden te onderzoeken en erover te rapporteren. Het project is gestart met meer dan 44.000 satellietbeelden, waarvan er nu meer dan 100.000 zijn geclassificeerd door vrijwilligers uit 80 landen wereldwijd. De verkregen data – die tot nu toe meer dan 135.000 vierkante kilometer regenwoud bestrijken – worden gebruikt om AI-algoritmen te trainen, zodat ze beter begrijpen hoe ze deze kenmerken in satellietbeelden kunnen identificeren en van soortgelijke kenmerken kunnen onderscheiden (zoals wegen versus rivieren).

Computer vision is een krachtige manier om heel nauwgezet te monitoren hoeveel houtkap precies waar plaatsvindt. Het stelt je namelijk in staat om gedurende lange tijd op basis van honderdduizenden foto’s heel nauwgezet, stabiel en objectief ontbossing in kaart te brengen.

Modeltraining door crowd sourcing

Er is echter één grote maar: de kwaliteit van zo’n computer vision algoritme valt of staat met de hoeveelheid trainingsdata die het krijgt aangeboden. Hoe minder trainingsdata, hoe minder goed het algoritme in staat zal zijn tekenen van menselijke ontbossing te herkennen.

De crowdsourcing app die hiervoor is ontwikkeld, bevat honderdduizenden satellietfoto’s. Deze foto’s zijn allemaal opgedeeld in negen vierkanten. Het enige wat je als deelnemer aan deze actie hoeft te doen, is het aanklikken in welke vierkanten je signalen ziet van menselijke ontbossing. Op dezelfde manier als hoe je bij reCAPTCHA (een ‘ik ben geen robot’-melding) aanklikt op welke delen van een foto je stoplichten of zebrapaden ziet.

Dat ‘de crowd’ daarbij soms fouten maakt, is niet zo erg, zegt Gerhard Svolba, de solution architect van SAS die aan dit project meewerkt. “Het is vaak best lastig om te beoordelen of ontbossing een natuurlijke oorzaak heeft of niet. We geven deelnemers tips waar ze op moeten letten en laten voorbeelden zien, maar ondanks dat maken ze soms fouten. Ze klikken bijvoorbeeld een segment aan waar de mens niet de oorzaak van ontbossing is. Of ze zien wat groens en denken dat het bos is, maar het gaat om een landbouwgebied. Op de schaal waarop we nu het model trainen, vallen die fouten echter weg. Inmiddels zijn namelijk al bijna 100.000 satellietbeelden geclassificeerd door mensen uit meer dan honderd landen. We laten beelden bovendien beoordelen door meerdere mensen, dus de twijfelgevallen filteren we er makkelijk uit.”

Help mee het AI-model te verbeteren

Je kunt als burger wachten tot de overheid iets doet. Maar je kunt ook zelf een bijdrage leveren door te helpen bij het trainen van een AI-model op basis van satellietfoto’s. Het AI-platform van SAS analyseert nu al duizenden satellietbeelden die de omvang van de schade in de regenwouden laten zien. Maar kunstmatige intelligentie kan het niet alleen. We hebben jouw hulp nodig om tekenen van ontbossing te identificeren, die het model nog niet heeft leren detecteren. Jouw deelname stelt SAS in staat om AI-modellen te verfijnen die veranderingen in het Amazonegebied detecteren. Hierdoor kunnen natuurbeschermings- en overheidsorganisaties worden gewaarschuwd die verantwoordelijk zijn voor de bescherming ervan. Zo kun jij een rol spelen om AI slimmer te maken én het Amazonegebied helpen beschermen.

Wil je ook je bijdrage leveren, ga dan naar https://www.sas.com/nl_nl/data-for-good/rainforest.html en doneer je tijd. In slechts 5 minuten kun je al een stuk of tien foto’s classificeren.

Dit bericht is tot stand gekomen in samenwerking met SAS.