Selecteer "Alle cookies accepteren" als u akkoord gaat met het opslaan van essentiële cookies, analytische cookies, marketingcookies en social media cookies. Door op "Cookie-voorkeuren aanpassen" te klikken kan u uw voorkeuren beheren. Cookiebeleid

Essentiële cookies
zijn noodzakelijk voor een normaal bezoek aan de website om puur technische redenen. Aangezien dit een technische noodzaak is, hoeven we u alleen op de hoogte te stellen van deze cookies, en worden ze geïnstalleerd bij het bezoeken van de website.
Analytische cookies
houden bij hoe onze website wordt gebruikt, bijvoorbeeld om het verkeer op de website te meten of hoe vaak een pagina wordt geraadpleegd. We gebruiken deze informatie om de gebruikerservaring en prestaties van onze website en diensten te analyseren. Voor het plaatsen van deze cookies zullen wij uw toestemming vragen.
Marketingcookies
verzamelen informatie om relevante gesponsorde inhoud over onze producten en producten die door derden worden aangeboden te leveren. Ze volgen gebruikers op onze website om op basis van hun voorkeuren advertenties te tonen die relevant en interessant zijn voor onze bezoekers. Deze cookies worden alleen geplaatst met uw toestemming.
Social media cookies
worden gebruikt wanneer u informatie deelt via een deel knop voor social media op onze website, of wanneer u social media content raadpleegt via onze website, bijvoorbeeld bij het bekijken van een Vimeo-filmpje. Voor het plaatsen van deze cookies is uw toestemming vereist.
Cookie-voorkeuren aanpassen

Smart Greenery Management: Integratie van AI en dronebeelden voor efficiëntere boominventarisaties

Hoewel recente evoluties de praktische inzetbaarheid van drones vergroot hebben, hinken applicaties in groenmanagement achterop. Uit verschillende contacten met het werkveld blijkt immers de nood aan tools en expertise m.b.t. het gebruik van drones om stedelijk groen te inventariseren. Net zoals het up-to-date houden van boominventarisaties via terreinbezoeken, is ook het bepalen van de boomgezondheid een tijdrovend proces, dat bovendien beïnvloed wordt door een bepaalde mate aan subjectiviteit van de waarnemer. Een efficiënte en gestandaardiseerde methode om informatie te verzamelen over de kenmerken en kwaliteit van het bomenbestand is cruciaal om snel en gericht te kunnen ingrijpen.

Dit project stelt volgende onderzoeksvraag centraal: Op welke manieren kunnen drones ingezet worden om boomkenmerken via een geautomatiseerde flow op te meten?. Als eerste stap wordt de aanwezige drone-infrastructuur in kaart gebracht en geoperationaliseerd, in lijn met de sinds 01.01.2021 actieve EU-wetgeving. Vervolgens zoomen we in op methodes om structurele boomkenmerken (zoals boomhoogte en kroondiameter) en boomgezondheid in te schatten. Op die manier bekomen we een overzicht van de boomkenmerken die gemeten kunnen worden m.b.v. drones, samen met een evaluatie van de nauwkeurigheid van de inschatting. In het volgende werkpakket worden de extractietechnieken bekomen uit de vorige werkpakketten gebundeld en geïntegreerd in een AI-omgeving. Het resultaat hiervan is een GIS plug-in die op een geautomatiseerde manier boomkenmerken bepaald op basis van de ingegeven dronebeelden. Deze plug-in zal vervolgens uitvoerig getest en gedemonstreerd worden in stakeholder-workshops.

Project informatie

Projectpromotor:
Sam Ottoy
Status:
Lopend project
IWETO code:
  • Code nog in te vullen.
Startdatum – einddatum:
20/9/2021 – 17/9/2023
Budget:
PXL: € 134.185,13
Projectcode:
1/DWO/2021/BI/P134
VTE:
1,60 VTE
Medewerkers:

Ben Ramaekers

Contact

Sam Ottoy
onderzoeker
sam.ottoy@pxl.be