Ontwikkeling model voor automatische vleermuis validatie
Opdrachtgever: Nationale Databank Flora en Fauna
Jaar: 2024
De NDFF heeft had wens om vleermuisgeluiden automatisch te kunnen valideren met behulp van automatische herkenning. Dit, om uiteindelijk het valideren en waarnemen makkelijker te maken en zo de kwaliteit en kwantiteit van vleermuisdata te vergroten. Aquila Ecologie ontwikkeld momenteel zo’n model voor de NDFF.
CrickIt: ontwikkeling sprinkhanen herkenning model + android applicatie
Opdrachtgever: Provincie Limburg
Jaar: 2023
Tijdens dit project heeft Aquila Ecologie een sprinkhaan- en krekelgeluiden herkenningsmodel ontwikkeld. Daarnaast is er ook een Android app ontwikkeld die nauwkeurig de vocaliserende soorten sprinkhanen en krekels onderscheidt, om zo het aantal waarnemingen van deze soorten dat bij GBIF binnen komt te verdubbelen. De app is voor particulieren gratis te downloaden in de PlayStore: CrickIt
Pilot bermvegetatie snelwegen inventariseren met AI
Opdrachtgever: Rijkswaterstaat
Jaar: 2023
Rijkswaterstaat heeft Aquila Ecologie gevraagd om een methode te ontwikkelen met behulp van AI om bermen van rijkswegen te inventariseren. Dit omvat het analyseren van vegetatie om natuurkwaliteit te kunnen beoordelen en informatie te verstrekken over hotspots voor biodiversiteit, aanwezigheid van beschermde soorten en invasieve exoten. De pilot richtte zich op het beoordelen van de betrouwbaarheid, praktische haalbaarheid en integratie van deze methode in bestaande datastromen van Rijkswaterstaat. Daarnaast heeft Aquila Ecologie onderzocht hoe deze techniek zich verhoudt tot traditionele methoden, de kosten van opschaling, en mogelijke combinaties met andere onderzoekstechnieken. De techniek blijkt geschikt voor het opsporen van invasieve exoten en het herkennen van bloeiende en middel tot grote soorten. Wij gaan verder met het uitbreiden en ontwikkelen van deze techniek.
KleurKeur effectevaluatie met AI
Opdrachtgever: Vlinderstichting
Jaar: 2023
Kleurkeur is opgezet als een keurmerk voor ecologisch bermbeheer, waardoor terreineigenaren duidelijke richtlijnen hebben voor insectenvriendelijk beheer. Belangrijk is dat de bermen geëvalueerd worden om te kijken of het beheer het gewenste effect heeft. Om kosten en tijd te besparen, maken we hierbij gebruik van machine learning om de vegetatiesamenstelling vast te stellen van foto’s, wat resulteert in een grote dataset tegen een fractie van de kosten. Aquila Ecologie heeft deze software in huis ontwikkeld. Zo verkrijgen we een uitgebreide vegetatiedataset met minimale extra kosten. Naast de analyse van het model hebben we aanvullende vegetatie-opnames ter validatie gemaakt.
Beeldherkenning voor Biodiversiteit
Opdrachtgever: Rijksdienst voor Ondernemend Nederland (RVO)
Jaar: 2022
In dit project onderzochten wij de mogelijkheid van vegetatie-monitoring met autonome drones, waarbij een drone-operator met één druk op de knop de drone over een perceel kan sturen. De foto’s die de drone maakt, worden geanalyseerd door software die plantensoorten identificeert en op termijn ook plantengemeenschappen bepaalt. Plantgemeenschappen dienen als de landelijke standaard voor vegetatie-monitoring. Het doel is om op efficiënte wijze informatie te verzamelen over de vegetatie op specifieke locaties, wat belangrijk is voor verschillende toepassingen zoals landbouw en natuurbescherming.
