Welke vraagstukken leer je oplossen binnen GeoAI en Beheer Openbare Ruimte?
- Welke beheerprocessen kunnen worden ondersteund met AI en GeoAI?
- Hoe kunnen grote hoeveelheden beheer- en inspectiegegevens efficiënter worden geanalyseerd?
- Hoe kan AI objecten en kenmerken in foto’s, luchtbeelden en andere geografische gegevens herkennen?
- Hoe kunnen afwijkingen, ontbrekende gegevens en mogelijke fouten in beheerdata automatisch worden opgespoord?
- Hoe kunnen historische beheer- en inspectiegegevens worden gebruikt om toekomstige onderhoudsbehoeften te onderzoeken?
- Hoe combineer je ruimtelijke gegevens met machine learning en andere AI-technieken?
- Hoe beoordeel je of een GeoAI-model voldoende betrouwbaar is voor toepassing binnen beheerprocessen?
- Hoe zet je GeoAI verantwoord in als ondersteuning van menselijke kennis en beheerbeslissingen?
GeoAI combineert geografische informatie met technieken uit kunstmatige intelligentie en machine learning. Hierdoor kunnen patronen, objecten en afwijkingen worden herkend die met traditionele analyses moeilijker of tijdrovender te vinden zijn. Tijdens deze Blended Learning onderzoek je hoe deze technieken praktisch kunnen worden toegepast binnen het beheer van de openbare ruimte.
De theorie achter GeoAI
GeoAI is het toepassen van kunstmatige intelligentie op geografische en ruimtelijke vraagstukken. Daarbij kunnen verschillende soorten gegevens worden gebruikt, zoals punten, lijnen, vlakken, tabellen, tijdreeksen, foto’s, luchtbeelden, satellietbeelden en hoogtegegevens.
Je maakt kennis met begrippen zoals:
- kunstmatige intelligentie;
- machine learning;
- supervised en unsupervised learning;
- classificatie en regressie;
- clustering;
- computer vision;
- objectdetectie;
- anomaliedetectie;
- voorspellende modellen.
De nadruk ligt niet op de wiskundige ontwikkeling van complexe AI-modellen, maar op het begrijpen van de principes, mogelijkheden en beperkingen en het praktisch toepassen ervan op Geo-ICT-vraagstukken.
Van beheerdata naar trainingsdata
Een GeoAI-model kan alleen goede resultaten leveren wanneer de gebruikte gegevens geschikt zijn voor het vraagstuk. Daarom begint GeoAI bij betrouwbare data.
Je onderzoekt hoe bestaande beheerdata, inspectiegegevens en historische waarnemingen kunnen worden voorbereid voor een AI-analyse. Daarbij besteed je aandacht aan volledigheid, actualiteit, consistente classificaties, ontbrekende waarden en geografische betrouwbaarheid.
Je leert ook het verschil tussen invoergegevens, kenmerken en doelvariabelen. Afhankelijk van het vraagstuk kunnen bijvoorbeeld objecttype, leeftijd, materiaal, conditie, inspectiehistorie, locatie en omgevingskenmerken als invoer voor een model worden gebruikt.
Daarmee bouwt deze Blended Learning rechtstreeks voort op Beheerdata en IMBOR en Inspectie en Conditiemeting.
GeoAI met Python en open-source technologie
Voor GeoAI werk je met open-source technologie. Python vormt daarbij een belangrijke omgeving voor het verwerken van gegevens en het toepassen van machine-learningtechnieken.
Je maakt kennis met relevante open-source bibliotheken voor data-analyse, geografische gegevens en machine learning. Afhankelijk van de toepassing kunnen bijvoorbeeld GeoPandas, Pandas, NumPy, scikit-learn, Rasterio en andere open-source bibliotheken worden gebruikt.
QGIS blijft belangrijk voor het bekijken, controleren, combineren en visualiseren van geografische gegevens. Python en GeoAI worden ingezet wanneer analyses met traditionele GIS-functionaliteit moeilijk, repetitief of zeer omvangrijk worden.
Zo leer je QGIS, Python en GeoAI als aanvullende gereedschappen binnen één Geo-ICT-werkwijze gebruiken.
Objecten herkennen in foto’s en luchtbeelden
Een belangrijke toepassing van GeoAI is computer vision: het automatisch herkennen en classificeren van objecten in beeldmateriaal.
Binnen het beheer van de openbare ruimte kan beeldmateriaal bijvoorbeeld informatie bevatten over:
- bomen en boomkronen;
- groen en vegetatie;
- wegen en verhardingen;
- straatmeubilair;
- andere zichtbare objecten in de openbare ruimte.
Je onderzoekt hoe foto’s, luchtbeelden en andere beeldgegevens kunnen worden gebruikt om objecten te herkennen of gebieden automatisch te classificeren.
Daarbij leer je dat automatische herkenning nooit zonder kwaliteitscontrole kan worden toegepast. Verschillen in resolutie, opnameomstandigheden, trainingsdata en objectkenmerken kunnen invloed hebben op de betrouwbaarheid van het resultaat.
Remote sensing en GeoAI
Remote-sensinggegevens vormen een belangrijke informatiebron voor GeoAI. Satellietbeelden, luchtfoto’s en hoogtegegevens maken het mogelijk om grotere gebieden systematisch te analyseren.
Je onderzoekt hoe GeoAI kan worden gebruikt voor bijvoorbeeld het classificeren van vegetatie en verharding, het herkennen van boomkronen of het signaleren van veranderingen in de openbare ruimte.
Door analyses op verschillende momenten te vergelijken kunnen veranderingen worden opgespoord. Dit kan helpen bij het actualiseren van beheerdata of het herkennen van locaties waar nader onderzoek nodig is.
Hiermee worden vaardigheden uit remote sensing toegepast binnen een concreet beheervraagstuk.
Afwijkingen en fouten in beheerdata herkennen
GeoAI kan ook worden ingezet zonder beeldmateriaal. Grote beheerbestanden kunnen patronen en afwijkingen bevatten die moeilijk handmatig te controleren zijn.
Je onderzoekt hoe anomaliedetectie en datagedreven controles kunnen helpen bij het herkennen van bijvoorbeeld:
- ontbrekende of afwijkende objectkenmerken;
- onwaarschijnlijke combinaties van attributen;
- afwijkende inspectieresultaten;
- objecten waarvan de gegevens sterk verschillen van vergelijkbare objecten;
- mogelijke inconsistenties tussen beheerdata en andere geografische bronnen.
GeoAI kan daarmee bijdragen aan datakwaliteit, maar een gevonden afwijking is niet automatisch een fout. De beheerder of dataspecialist moet beoordelen wat de afwijking betekent.
Van reactief naar voorspellend beheer
Veel onderhoud wordt uitgevoerd nadat een gebrek tijdens een inspectie is vastgesteld. Historische gegevens kunnen echter informatie bevatten over de snelheid waarmee objecten achteruitgaan.
Je onderzoekt hoe gegevens over leeftijd, materiaal, gebruik, locatie, onderhoudshistorie en eerdere inspecties kunnen worden gebruikt om patronen in achteruitgang te herkennen.
Met eenvoudige machine-learningmodellen kun je bijvoorbeeld onderzoeken welke factoren samenhangen met een verhoogde onderhoudsbehoefte of welke groepen objecten mogelijk eerder aandacht nodig hebben.
Daarmee maak je kennis met de principes van voorspellend beheer. Het doel is niet om menselijke inspecties volledig te vervangen, maar om beheerorganisaties te helpen gerichter te bepalen waar inspectie of onderhoud gewenst kan zijn.
GeoAI voor prioritering en gebiedsgericht beheer
GeoAI-resultaten krijgen pas waarde wanneer ze kunnen worden gekoppeld aan de ruimtelijke beheeropgave.
Je combineert daarom modelresultaten met beheerdata en andere geografische informatie in QGIS. Daarmee kun je onderzoeken waar voorspelde onderhoudsbehoeften, klimaatopgaven, geplande werkzaamheden of andere beheerproblemen samenkomen.
GeoAI kan zo ondersteuning bieden bij het prioriteren van inspecties, onderhoud en nader onderzoek.
Hiermee sluit de Blended Learning aan op Integraal Beheer en Klimaatbestendig Beheer.
Betrouwbaarheid en validatie van GeoAI
Een AI-model geeft niet automatisch het juiste antwoord. Daarom leer je kritisch beoordelen hoe betrouwbaar een model en de resultaten zijn.
Je maakt kennis met principes zoals trainingsdata, testdata, validatie, nauwkeurigheid, foutpositieven en foutnegatieven. Je onderzoekt wat de gevolgen kunnen zijn wanneer bepaalde objecttypen, gebieden of situaties onvoldoende in de trainingsdata voorkomen.
Ook leer je modelresultaten vergelijken met bekende beheerdata, veldwaarnemingen en andere informatiebronnen.
Een belangrijk uitgangspunt is dat de gebruiker moet begrijpen wat een model doet, welke gegevens zijn gebruikt en welke onzekerheden in de resultaten aanwezig zijn.
Verantwoord gebruik van AI binnen beheer
GeoAI ondersteunt de beheerder, maar neemt niet automatisch de beheerbeslissing over. Een algoritme kan patronen herkennen of een voorspelling doen, maar de betekenis daarvan moet binnen de context van de openbare ruimte worden beoordeeld.
Je besteedt daarom aandacht aan:
- transparantie van gebruikte gegevens en modellen;
- kwaliteit en representativiteit van trainingsdata;
- privacy bij het gebruik van foto’s en andere gegevens;
- herleidbaarheid van analyses en resultaten;
- menselijke controle op modeluitkomsten;
- het verantwoord toepassen van AI binnen beheerprocessen.
Hiermee leer je GeoAI niet alleen technisch, maar ook verantwoord en kritisch toe te passen.
Van beheerprobleem naar GeoAI-toepassing
Tijdens deze Blended Learning werk je vanuit een concreet beheerprobleem. Je bepaalt eerst of GeoAI daadwerkelijk toegevoegde waarde heeft en kiest vervolgens een passende aanpak.
Je werkt onder andere aan opdrachten zoals:
- Selecteer een beheerprobleem waarbij GeoAI mogelijk ondersteuning kan bieden.
- Verzamel en controleer geschikte beheer-, inspectie-, beeld- of remote-sensinggegevens.
- Bereid geografische gegevens met QGIS en Python voor op analyse.
- Onderzoek patronen en relaties in beheerdata met een machine-learningtechniek.
- Pas een eenvoudige classificatie, clustering, anomaliedetectie of voorspellende analyse toe.
- Onderzoek hoe beeldmateriaal kan worden gebruikt voor automatische herkenning of classificatie.
- Visualiseer GeoAI-resultaten geografisch in QGIS.
- Vergelijk modelresultaten met bestaande beheerdata of bekende waarnemingen.
- Beoordeel de betrouwbaarheid, beperkingen en mogelijke fouten van de analyse.
- Vertaal de resultaten naar een praktisch advies voor inspectie, onderhoud, datakwaliteit of beheer.
Na afloop begrijp je hoe GeoAI kan worden toegepast binnen het beheer van de openbare ruimte. Je kunt beheerdata en geografische informatie voorbereiden voor AI-analyses, eenvoudige GeoAI-technieken toepassen en resultaten geografisch analyseren en visualiseren. Daarbij kun je beoordelen wanneer GeoAI toegevoegde waarde heeft en hoe AI op een betrouwbare en verantwoorde manier kan worden ingezet ter ondersteuning van beheerbeslissingen.
