GeoAI en Geodesie

Welke vraagstukken leer je oplossen binnen GeoAI en Geodesie?

• Waar kan kunstmatige intelligentie daadwerkelijk waarde toevoegen aan geodetische werkprocessen?
• Hoe maak je GNSS-, Total Station-, point-cloud-, drone- en andere geodetische data geschikt voor GeoAI?
• Hoe kunnen afwijkende of verdachte meetwaarden automatisch worden herkend?
• Hoe kan machine learning worden ingezet voor geodetische kwaliteitscontrole?
• Hoe kunnen point clouds automatisch worden geclassificeerd en gesegmenteerd?
• Hoe kunnen objecten en geometrische patronen automatisch worden herkend in 3D-data en dronebeelden?
• Hoe kunnen patronen en veranderingen in geodetische tijdreeksen worden ontdekt?
• Hoe kan GeoAI worden toegepast bij deformatiemeting en monitoring?
• Wanneer gebruik je traditionele geodetische berekeningen en wanneer machine learning?
• Welke rol spelen Python en R bij geodetische automatisering en GeoAI?
• Hoe controleer je of een AI-model geodetisch betrouwbare resultaten oplevert?
• Hoe voorkom je dat fouten, slechte trainingsdata of verkeerde referenties door een AI-model worden versterkt?
• Hoe documenteer je data, modellen en resultaten binnen de geodetische supply chain?

GeoAI combineert geografische informatie, kunstmatige intelligentie, machine learning en ruimtelijke analysetechnieken. Binnen de geodesie biedt dit nieuwe mogelijkheden om grote hoeveelheden meetgegevens automatisch te verwerken en patronen te herkennen die met traditionele methoden moeilijk of tijdrovend te vinden zijn. GeoAI vervangt daarbij de geodetische vakkennis niet. Een algoritme kan alleen verantwoord worden toegepast wanneer de kwaliteit, referentie, nauwkeurigheid en betekenis van de onderliggende meetgegevens worden begrepen.

Van geodetische berekening naar GeoAI

Veel geodetische processen zijn traditioneel gebaseerd op wiskundige modellen, statistiek en expliciete rekenregels. Coördinatentransformaties, vereffening, afstandsberekeningen en foutvoortplanting zijn voorbeelden waarbij de onderliggende relaties bekend zijn en rechtstreeks kunnen worden berekend.

GeoAI wordt vooral interessant wanneer:

• zeer grote hoeveelheden gegevens moeten worden verwerkt;
• patronen niet eenvoudig met vaste regels zijn te beschrijven;
• objecten automatisch moeten worden herkend;
• afwijkingen in complexe datasets moeten worden opgespoord;
• meerdere databronnen gezamenlijk moeten worden geanalyseerd;
• repeterende classificatie- of controlewerkzaamheden kunnen worden geautomatiseerd.

Je leert daarom eerst bepalen of een vraagstuk beter kan worden opgelost met een traditionele geodetische methode, statistische analyse, automatisering of machine learning.

De geodeet als kennisbasis voor GeoAI

Een AI-model kent niet vanzelf het verschil tussen een correcte geodetische waarneming en een foutieve meting. Ook begrijpt een model niet automatisch de betekenis van een coördinatenstelsel, geoïde, referentieframe, standaardafwijking of vereffeningsresultaat.

Daarom bouwt deze Blended Learning voort op kennis uit de eerdere onderdelen van de Geodesie-leerlijn, waaronder:

• coördinatenstelsels en transformaties;
• GNSS en satellietpositionering;
• hoogtemeting en de geoïde;
• geodetische vereffening;
• geodetische inwinning en veldwerk;
• 3D-scanning en point clouds;
• drone survey en fotogrammetrie;
• deformatiemeting.

GeoAI wordt daarmee niet los van de geodesie behandeld, maar als een nieuwe analysetool bovenop bestaande geodetische kennis.

Geodetische data voorbereiden voor GeoAI

De kwaliteit van een AI-model wordt sterk bepaald door de kwaliteit van de gebruikte data. Geodetische datasets kunnen meetfouten, ontbrekende waarden, verschillende referentiesystemen, ongelijke nauwkeurigheden en andere inconsistenties bevatten.

Je leert daarom gegevens controleren op onder andere:

• coördinaten- en hoogtereferentie;
• eenheden;
• ontbrekende waarden;
• uitschieters;
• duplicaten;
• tijdstempels;
• meetmethode en instrument;
• standaardafwijkingen en kwaliteitskenmerken;
• ruimtelijke en temporele dekking;
• metadata en herkomst.

Hiermee leer je voorkomen dat een AI-model patronen leert uit fouten of inconsistenties in de meetgegevens.

Python voor GeoAI en geodesie

Python vormt een belangrijk gereedschap voor het automatiseren van geodetische analyses en het toepassen van machine learning. De bestaande kennis uit Python Geodesie en Coördinaten kan hierbij worden uitgebreid naar dataverwerking en GeoAI.

Afhankelijk van het vraagstuk kun je bijvoorbeeld werken met:

• NumPy en Pandas voor numerieke data en tabellen;
• GeoPandas en Shapely voor geografische vectorgegevens;
• PyProj voor coördinaten en transformaties;
• scikit-learn voor machine learning;
• PDAL voor verwerking van point clouds;
• Matplotlib voor analyse en visualisatie.

Python wordt daarbij niet als doel op zichzelf behandeld, maar als gereedschap om geodetische processen reproduceerbaar, schaalbaar en automatiseerbaar te maken.

R voor statistische geodetische analyse

R biedt sterke mogelijkheden voor statistische analyse, tijdreeksen, onzekerheidsanalyse en reproduceerbaar onderzoek. Daarmee vormt R een waardevolle aanvulling op Python binnen GeoAI en geodesie.

Je leert hoe bestaande kennis uit R Geodesie kan worden gebruikt voor bijvoorbeeld:

• statistische analyse van meetreeksen;
• onderzoek naar verdelingen en uitschieters;
• analyse van onzekerheden;
• tijdreeksanalyse;
• visualisatie van geodetische resultaten;
• controle en vergelijking van modeluitkomsten.

Je leert daarbij Python en R niet als concurrerende oplossingen te zien, maar het gereedschap te kiezen dat het beste past bij het geodetische vraagstuk.

Machine learning binnen de geodesie

Machine learning maakt het mogelijk om modellen patronen te laten leren uit voorbeelden. Je maakt kennis met belangrijke vormen van machine learning en hun mogelijke toepassing binnen geodetische vraagstukken.

Je onderzoekt onder andere:

• supervised learning;
• unsupervised learning;
• classificatie;
• regressie;
• clustering;
• anomaliedetectie.

De nadruk ligt niet op het bouwen van zo complex mogelijke modellen, maar op het begrijpen van de relatie tussen het geodetische probleem, de beschikbare data en de gekozen analysemethode.

Automatische kwaliteitscontrole van geodetische metingen

Geodetische datasets bevatten vaak kwaliteitsinformatie zoals standaardafwijkingen, residuen, aantallen waarnemingen en andere controlewaarden. Bij grote datasets kan automatische analyse helpen om verdachte metingen sneller te identificeren.

GeoAI kan bijvoorbeeld ondersteunen bij het herkennen van:

• onverwachte coördinaatverschillen;
• afwijkende residuen;
• ongebruikelijke GNSS-resultaten;
• plotselinge veranderingen in meetreeksen;
• afwijkende meetpatronen;
• mogelijke fouten in grote datasets.

Je leert dat automatische detectie een signaal oplevert dat vervolgens geodetisch moet worden beoordeeld. Een afwijkende waarde is niet automatisch een meetfout.

Anomaliedetectie in geodetische data

Anomaliedetectie richt zich op het herkennen van waarnemingen die duidelijk afwijken van het normale patroon. Dit kan waardevol zijn bij grote meetreeksen waarbij handmatige controle niet efficiënt is.

Je leert eenvoudige statistische methoden vergelijken met machine-learningtechnieken voor anomaliedetectie en onderzoekt hoe context bepalend is voor de interpretatie. Een plotselinge verandering kan bijvoorbeeld een meetfout zijn, maar ook een werkelijke beweging van een object.

GeoAI en GNSS

GNSS-systemen produceren grote hoeveelheden positie- en kwaliteitsgegevens. GeoAI kan worden gebruikt om patronen in deze gegevens te onderzoeken en afwijkende meetomstandigheden sneller te herkennen.

Mogelijke toepassingen zijn:

• herkennen van afwijkende positieresultaten;
• analyseren van kwaliteitsindicatoren;
• onderzoeken van temporele patronen;
• classificeren van meetomstandigheden;
• ondersteunen van automatische kwaliteitscontrole.

De resultaten blijven gekoppeld aan kennis over satellietgeometrie, referentiesystemen, correcties en meetonzekerheid.

GeoAI en point clouds

3D-scanning, LiDAR en fotogrammetrie kunnen miljoenen tot miljarden meetpunten opleveren. Handmatige classificatie van zulke datasets is vaak niet praktisch.

GeoAI kan worden gebruikt voor:

• classificatie van terrein en objecten;
• onderscheiden van gebouwen, vegetatie en infrastructuur;
• segmentatie van afzonderlijke objecten;
• detectie van geometrische patronen;
• herkennen van veranderingen tussen meettijdstippen;
• automatische selectie van relevante punten.

Je leert hoe geometrische eigenschappen zoals hoogte, lokale vorm, puntdichtheid en ruimtelijke relaties als kenmerken voor classificatie kunnen worden gebruikt.

Objectherkenning in 3D-data en dronebeelden

Naast classificatie van individuele punten kunnen AI-technieken worden gebruikt om complete objecten te herkennen. Denk bijvoorbeeld aan gebouwen, bomen, wegobjecten, constructiedelen of andere elementen in de fysieke omgeving.

Je maakt kennis met het principe van objectdetectie en segmentatie en onderzoekt hoe geodetische positie en geometrie kunnen worden gecombineerd met beeld- en puntkenmerken.

Hiermee ontstaat een verbinding tussen geodesie, fotogrammetrie, Remote Sensing, computer vision en GeoAI.

GeoAI en deformatiemeting

Deformatiemetingen leveren tijdreeksen van posities, hoogtes en andere geometrische kenmerken. GeoAI kan helpen om patronen en veranderingen in deze meetreeksen te herkennen.

Je onderzoekt toepassingen zoals:

• automatisch herkennen van trends;
• detecteren van plotselinge veranderingen;
• herkennen van periodieke patronen;
• onderscheiden van mogelijke meetfouten en structurele veranderingen;
• combineren van geodetische metingen met omgevingsvariabelen.

Daarbij blijft het onderscheid tussen correlatie, voorspelling en een geodetisch aantoonbare verandering essentieel.

Tijdreeksen en voorspellende analyse

Wanneer voldoende historische meetgegevens beschikbaar zijn kunnen modellen worden onderzocht die toekomstige ontwikkelingen proberen te voorspellen. Bijvoorbeeld de voortzetting van een gemeten zetting of beweging.

Je leert kritisch omgaan met dergelijke voorspellingen. Een model extrapoleert patronen uit beschikbare data en kent niet automatisch de fysische oorzaak van een verandering. Voorspellende analyse moet daarom worden gecombineerd met geodetische, statistische en waar nodig domeinspecifieke kennis.

GeoAI combineren met andere geografische informatie

Een geodetische verandering kan soms beter worden begrepen wanneer meetgegevens worden gecombineerd met andere geografische datasets.

Denk bijvoorbeeld aan:

• bodem- en ondergrondinformatie;
• grondwatergegevens;
• weer- en klimaatgegevens;
• satellietbeelden;
• hoogtemodellen;
• bouw- en infrastructuurgegevens;
• historische meetreeksen.

GeoAI kan helpen om relaties tussen verschillende ruimtelijke en temporele datasets te onderzoeken. Daarbij leer je onderscheid maken tussen gevonden samenhang en aantoonbare causaliteit.

Trainingsdata en referentiedata

Bij supervised machine learning zijn voorbeelden nodig waarvan de juiste classificatie of waarde bekend is. De kwaliteit en representativiteit van deze trainingsdata hebben grote invloed op het uiteindelijke model.

Je leert kritisch kijken naar:

• herkomst van trainingsdata;
• kwaliteit van labels;
• ruimtelijke spreiding;
• representativiteit;
• onbalans tussen categorieën;
• onafhankelijke validatiedata;
• mogelijke bias in datasets.

Hiermee wordt duidelijk dat een technisch goed werkend model nog niet automatisch geschikt is voor een andere locatie, sensor, meetmethode of toepassing.

Training, validatie en testen

Een AI-model moet niet worden beoordeeld met dezelfde gegevens waarmee het is ontwikkeld. Daarom leer je onderscheid maken tussen trainingsdata, validatiedata en onafhankelijke testdata.

Je maakt kennis met prestatie-indicatoren voor classificatie en regressie en leert deze interpreteren vanuit de geodetische toepassing. Een hoge modelscores alleen zijn onvoldoende wanneer de fouten ruimtelijk verkeerd verdeeld zijn of groter zijn dan de toegestane geodetische tolerantie.

Explainable GeoAI

Bij geodetische toepassingen kan het belangrijk zijn te begrijpen waarom een model een bepaalde uitkomst geeft. Een classificatie of voorspelling zonder inzicht in de gebruikte informatie kan moeilijk verantwoord worden toegepast in een kwaliteitskritisch proces.

Je maakt daarom kennis met het principe van explainable AI en leert onderzoeken welke variabelen en kenmerken belangrijk zijn voor een modeluitkomst. Dit ondersteunt de inhoudelijke controle door de geodeet.

AI-resultaten geodetisch valideren

Een GeoAI-model wordt niet alleen beoordeeld op technische modelprestaties. De resultaten moeten ook voldoen aan de eisen van het geodetische proces waarin ze worden gebruikt.

Je leert daarom vragen stellen zoals:

• Welke nauwkeurigheid is vereist?
• Welke fouten kan het model maken?
• Zijn de resultaten ruimtelijk consistent?
• Zijn referentiesystemen en eenheden correct?
• Zijn onafhankelijke controledata gebruikt?
• Is de uitkomst reproduceerbaar?
• Kan worden verklaard hoe het resultaat tot stand is gekomen?
• Wanneer is menselijke controle noodzakelijk?

Mens en AI in het geodetische proces

GeoAI kan grote hoeveelheden gegevens verwerken, patronen herkennen en repetitieve analyses automatiseren. De geodeet blijft echter verantwoordelijk voor het formuleren van de meetvraag, het beoordelen van de kwaliteit van de brongegevens en het interpreteren van de resultaten.

Een belangrijk uitgangspunt binnen deze Blended Learning is daarom:

AI kan geodetische analyse ondersteunen en automatiseren, maar maakt slechte of onvoldoende gecontroleerde meetgegevens niet betrouwbaar.

GeoAI binnen de geodetische supply chain

Wanneer AI onderdeel wordt van een geodetisch proces moet ook het AI-model zelf onderdeel worden van de kwaliteits- en herleidbaarheidsketen.

Naast de gebruikelijke geodetische informatie moet daarom worden vastgelegd:

• herkomst en kwaliteit van de brondata;
• gebruikte coördinaten- en hoogtereferenties;
• voorbewerkingen en selecties;
• gebruikte kenmerken en variabelen;
• trainings-, validatie- en testdata;
• gekozen algoritme en modelinstellingen;
• versie van het gebruikte model;
• prestatie- en kwaliteitsindicatoren;
• onafhankelijke controles;
• menselijke beoordelingen en correcties;
• uiteindelijke toepassing van de modelresultaten.

Hierdoor blijft herleidbaar hoe een geodetisch resultaat tot stand is gekomen, ook wanneer een deel van de analyse door een AI-model is uitgevoerd.

Van geodetische dataset naar GeoAI-toepassing

In de afsluitende praktijkopdracht werk je een geodetisch vraagstuk uit waarbij automatisering of GeoAI aantoonbare meerwaarde kan bieden.

• een concreet geodetisch probleem formuleren;
• de beschikbare meetgegevens en kwaliteitsinformatie onderzoeken;
• data controleren, opschonen en voorbereiden;
• bepalen of een traditionele methode, statistische analyse of machine learning geschikt is;
• relevante kenmerken en variabelen selecteren;
• een passende analysemethode of machine-learningmodel toepassen;
• resultaten vergelijken met bekende of onafhankelijke referentiedata;
• modelprestaties én geodetische kwaliteit beoordelen;
• afwijkingen en onzekerheden onderzoeken;
• resultaten ruimtelijk en grafisch visualiseren;
• bepalen waar menselijke/geodetische controle noodzakelijk blijft;
• data, methode, model en resultaten documenteren binnen de geodetische supply chain.

Na afloop kun je beoordelen waar GeoAI binnen de geodesie daadwerkelijk meerwaarde biedt en waar traditionele geodetische methoden de betere keuze blijven. Je kunt geodetische datasets voorbereiden voor automatische analyse, machine-learningtechnieken toepassen op meetgegevens, point clouds en tijdreeksen en de resultaten kritisch valideren op nauwkeurigheid, betrouwbaarheid en herleidbaarheid. Daarmee kun je Python, R, GeoAI en open-source Geo-ICT verantwoord verbinden met de fundamentele kwaliteitsprincipes van moderne geodesie.