GeoAI voor Civiele Techniek

Artificial Intelligence (AI) en geo-informatie bieden nieuwe mogelijkheden voor het ontwerpen, aanleggen, monitoren en beheren van infrastructuur. Tijdens deze Blended Learning ontdek je hoe GeoAI wordt toegepast bij civieltechnische projecten, zoals wegen, bruggen, tunnels, dijken en andere infrastructurele werken.

Je maakt kennis met machine learning, satellietbeelden, sensordata en voorspellende modellen. Je leert hoe geografische gegevens en AI kunnen worden gecombineerd om veranderingen te herkennen, risico's te analyseren en onderhoud beter te plannen. Daarbij besteden we aandacht aan GIS, QGIS, Python en open-source technologie.

Aan de hand van praktijkgerichte opdrachten ontdek je hoe GeoAI kan bijdragen aan efficiënter assetmanagement, betere besluitvorming en duurzame, toekomstbestendige infrastructuur.

Welke vraagstukken leer je oplossen binnen GeoAI voor Civiele Techniek?

Tijdens deze Blended Learning leer je hoe je de volgende civieltechnische vraagstukken met GeoAI, geografische gegevens en open-source technologie kunt onderzoeken:

Hoe kun je Artificial Intelligence (AI) en geografische informatie combineren om infrastructuur slimmer te ontwerpen, monitoren en beheren?
Hoe gebruik je satellietbeelden, luchtfoto’s, LiDAR, sensordata en andere geobronnen om infrastructurele objecten en veranderingen automatisch te herkennen?
Hoe kunnen machine learning en GeoAI helpen om schade, slijtage, verzakkingen en andere risico’s bij wegen, bruggen, tunnels en dijken vroegtijdig te signaleren?
Hoe combineer je geografische en technische gegevens om de conditie van infrastructurele objecten te beoordelen en onderhoud te voorspellen?
Hoe kun je met QGIS, Python en open-source AI-technologie grote hoeveelheden geografische gegevens analyseren en terugkerende werkzaamheden automatiseren?
Hoe gebruik je GeoAI om ruimtelijke knelpunten, klimaatrisico’s en mogelijke gevolgen van infrastructurele ingrepen inzichtelijk te maken?
Hoe beoordeel je de kwaliteit, betrouwbaarheid en beperkingen van AI-modellen en de geografische gegevens waarop deze zijn gebaseerd?
Hoe vertaal je de resultaten van GeoAI-analyses naar onderbouwde adviezen voor ontwerp, onderhoud, assetmanagement en toekomstbestendige infrastructuur?

Tijdens deze opleiding ontdek je hoe GeoAI geografische analyses kan ondersteunen en versnellen. Je leert hoe data, algoritmen en civieltechnische kennis samenkomen en hoe je AI-resultaten kritisch beoordeelt voordat je ze gebruikt voor technische of ruimtelijke beslissingen.

De theorie achter GeoAI in de civiele techniek

GeoAI combineert geografische informatie met Artificial Intelligence en machine learning. Je maakt kennis met de belangrijkste principes van deze technieken en ontdekt hoe computers patronen kunnen herkennen in geografische en technische gegevens.

Je leert het verschil tussen traditionele GIS-analyses, machine learning en deep learning. Daarbij ontdek je hoe AI-modellen worden getraind, getest en toegepast en welke rol representatieve trainingsgegevens, nauwkeurigheid en validatie spelen.

Ook maak je kennis met verschillende toepassingen binnen de civiele techniek. Denk aan automatische objectherkenning in luchtfoto’s, het signaleren van veranderingen in infrastructuur, het analyseren van wegschade en het voorspellen van onderhoudsbehoeften.

Daarnaast leer je hoe GeoAI kan worden ingezet bij klimaatadaptatie, risicobeoordeling en de ontwikkeling van duurzame infrastructuur. Je onderzoekt welke mogelijkheden AI biedt en waar menselijke expertise, technische normen en aanvullende metingen noodzakelijk blijven.

Werken met geodata, sensoren en AI-modellen

Betrouwbare gegevens vormen de basis voor bruikbare GeoAI-toepassingen. Je leert welke geografische en technische databronnen geschikt zijn voor het analyseren van infrastructuur, zoals satellietbeelden, luchtfoto’s, LiDAR-puntenwolken, digitale hoogtebestanden, inspectiegegevens en sensormetingen.

Je maakt kennis met relevante basisregistraties en open geodatabronnen, waaronder de Basisregistratie Grootschalige Topografie (BGT), de Basisregistratie Ondergrond (BRO) en het Actueel Hoogtebestand Nederland (AHN). Je ontdekt hoe deze gegevens kunnen worden gecombineerd met informatie over wegen, bruggen, tunnels, dijken en andere infrastructurele objecten.

Daarbij staat datakwaliteit centraal. Je leert waarom ruimtelijke nauwkeurigheid, actualiteit, resolutie, volledigheid en representativiteit belangrijk zijn voor het trainen en toepassen van AI-modellen.

Je maakt kennis met het voorbereiden van datasets voor GeoAI, zoals het controleren van coördinatenstelsels, combineren van gegevensbronnen, selecteren van relevante kenmerken en samenstellen van trainings- en testgegevens.

Ook onderzoek je hoe onzekerheden, vertekeningen en fouten in brongegevens kunnen doorwerken in AI-resultaten. Je leert waarom onafhankelijke validatie en een kritische interpretatie noodzakelijk zijn voordat resultaten worden gebruikt binnen civieltechnische werkprocessen.

GeoAI toepassen met QGIS en Python

Na de theoretische basis ga je praktisch aan de slag met QGIS, Python en beschikbare open-source AI-technologie. Je ontdekt hoe geografische gegevens kunnen worden voorbereid, geanalyseerd en gevisualiseerd en hoe machine learning kan worden geïntegreerd in een GIS-werkomgeving.

Je maakt kennis met toepassingen zoals automatische classificatie van satellietbeelden, objectherkenning, veranderingsdetectie en het analyseren van patronen in geografische gegevens.

Daarbij leer je hoe Python en relevante bibliotheken kunnen worden gebruikt om gegevens te verwerken, eenvoudige voorspellende modellen toe te passen en terugkerende analyses te automatiseren. Je onderzoekt hoe de resultaten vervolgens in QGIS kunnen worden gecontroleerd en op kaarten weergegeven.

Ook maak je kennis met de mogelijkheden van GeoAI voor het combineren van geografische gegevens, inspectieresultaten en tijdreeksen. Zo ontdek je hoe veranderingen in infrastructuur zichtbaar kunnen worden gemaakt en hoe analyses kunnen bijdragen aan monitoring en onderhoudsplanning.

De nadruk ligt op het begrijpen en praktisch toepassen van bestaande methoden en modellen, zonder dat uitgebreide programmeerervaring of het zelfstandig ontwikkelen van complexe AI-systemen noodzakelijk is.

Van GeoAI-analyse naar onderbouwd civieltechnisch advies

Tijdens deze Blended Learning werk je met realistische praktijkvoorbeelden uit de civiele techniek. Je kruipt in de rol van een Geo-ICT-specialist, civieltechnisch adviseur of assetmanager en onderzoekt hoe GeoAI kan ondersteunen bij ontwerp, inspectie, monitoring en beheer.

Je verzamelt geografische en technische gegevens, onderzoekt welke AI-methoden geschikt zijn voor een vraagstuk en beoordeelt de betrouwbaarheid van de resultaten. Daarbij kijk je niet alleen naar de technische mogelijkheden, maar ook naar de praktische toepasbaarheid, onzekerheden en toegevoegde waarde voor de organisatie.

Je werkt onder andere aan de volgende praktijkopdrachten:

Verzamel en combineer geografische gegevens over wegen, bruggen, tunnels, dijken en andere infrastructurele objecten.
Onderzoek de kwaliteit en geschiktheid van satellietbeelden, luchtfoto’s, hoogtegegevens en sensordata voor een GeoAI-toepassing.
Gebruik QGIS om infrastructurele objecten en relevante omgevingsgegevens in kaart te brengen.
Pas een bestaande classificatie- of objectherkenningsmethode toe op geografische gegevens en beoordeel de resultaten.
Onderzoek met beelden of hoogtegegevens uit verschillende perioden welke veranderingen in een infrastructureel gebied zichtbaar zijn.
Maak kennis met een eenvoudig machinelearningmodel om patronen in inspectiegegevens of infrastructurele kenmerken te onderzoeken.
Gebruik Python of beschikbare open-source hulpmiddelen om een eenvoudige geografische analyse te automatiseren.
Onderzoek hoe GeoAI kan bijdragen aan het herkennen van onderhoudsbehoeften, ruimtelijke knelpunten of klimaatgerelateerde risico’s.
Controleer AI-resultaten op nauwkeurigheid, onzekerheden en mogelijke fouten en bepaal welke aanvullende gegevens of controles nodig zijn.
Vertaal de uitkomsten van een GeoAI-analyse naar kaarten, conclusies en een onderbouwd advies voor een civieltechnische toepassing.

Na afloop beschik je over een praktische basis om GeoAI-toepassingen binnen de civiele techniek te herkennen, geografische en technische gegevens voor AI-analyses te gebruiken en de resultaten kritisch te beoordelen. Je kunt met QGIS, Python en open-source technologie eenvoudige GeoAI-werkprocessen verkennen en bijdragen aan beter onderbouwde keuzes voor infrastructuur, monitoring en assetmanagement.

Inschrijven voor blended learning

€495,-

Start: 1 uur online sessie
Zelfstudie: Cursusmateriaal bekijken
Einde: 1 uur online sessie

Inschrijven voor deze blended learning

Je ontvangt persoonlijke begeleiding. Na je aanmelding neemt onze cursuscoördinator contact met je op om je eerste sessie in te plannen.

Leerdoelen

Uitleggen wat GeoAI is en hoe Artificial Intelligence, machine learning en geografische informatie worden gecombineerd binnen civieltechnische projecten.
De belangrijkste toepassingen van GeoAI herkennen bij het ontwerpen, inspecteren, monitoren, onderhouden en beheren van infrastructuur.
Satellietbeelden, luchtfoto’s, LiDAR, digitale hoogtebestanden, sensordata en inspectiegegevens verzamelen en beoordelen op geschiktheid voor GeoAI-analyses.
Relevante basisregistraties en open geodatabronnen, zoals BGT, BRO en AHN, combineren met gegevens over infrastructurele objecten.
Geografische en technische gegevens voorbereiden voor AI-toepassingen en daarbij rekening houden met coördinatenstelsels, resolutie, actualiteit, nauwkeurigheid en datakwaliteit.
De basisprincipes van classificatie, objectherkenning, veranderingsdetectie en voorspellende modellen uitleggen en toepassen op eenvoudige civieltechnische vraagstukken.
QGIS, Python en beschikbare open-source AI-hulpmiddelen gebruiken om geografische gegevens te analyseren, resultaten te visualiseren en eenvoudige werkprocessen te automatiseren.
Onderzoeken hoe GeoAI kan bijdragen aan het signaleren van schade, slijtage, verzakkingen en andere mogelijke risico’s bij infrastructurele objecten.
Uitleggen hoe GeoAI kan worden ingezet bij onderhoudsplanning, assetmanagement, klimaatadaptatie en toekomstbestendige infrastructuur.
AI-resultaten beoordelen op nauwkeurigheid, betrouwbaarheid, onzekerheden en mogelijke vertekeningen en bepalen wanneer aanvullende controles noodzakelijk zijn.
Aan de hand van een praktijkcasus een eenvoudige GeoAI-analyse uitvoeren en de resultaten vertalen naar kaarten, conclusies en een onderbouwd civieltechnisch advies.

Meer informatie?

Heb je vragen over de inhoud van de cursus? Of twijfel je of de cursus aansluit bij jouw leerdoelen of wensen? Liever incompany of een privé cursus? We helpen je graag verder.

FAQ's Blended Learning GeoAI voor Civiele Techniek

Nee, uitgebreide programmeerkennis is niet noodzakelijk. Je maakt stap voor stap kennis met GeoAI, machine learning en de toepassing van QGIS en Python. De nadruk ligt op het begrijpen en toepassen van bestaande AI-methoden en open-source hulpmiddelen bij civieltechnische vraagstukken.

Met GIS kun je geografische gegevens beheren, combineren, analyseren en visualiseren. GeoAI voegt daar technieken zoals machine learning en automatische patroonherkenning aan toe. Hierdoor kun je bijvoorbeeld veranderingen in infrastructuur opsporen, objecten herkennen in luchtfoto’s en mogelijke onderhoudsbehoeften analyseren.

GeoAI kan worden gebruikt voor het herkennen van schade aan wegen, het analyseren van veranderingen in dijken en terreinen, het verwerken van inspectiegegevens en het ondersteunen van onderhoudsplanning. Ook kan GeoAI helpen om klimaatrisico’s en mogelijke knelpunten in infrastructuur inzichtelijk te maken. De resultaten blijven afhankelijk van de kwaliteit van de gegevens en de gebruikte modellen.

Je maakt kennis met QGIS, Python en beschikbare open-source AI-hulpmiddelen. Daarbij gebruik je geografische gegevens zoals satellietbeelden, luchtfoto’s, LiDAR, digitale hoogtebestanden en inspectiegegevens. Ook leer je hoe open geodatabronnen, zoals BGT, BRO en AHN, kunnen worden gecombineerd voor eenvoudige GeoAI-analyses.