De projecten binnen de verschillende onderzoeksdomeinen maken mijn werk bij Witteveen+Bos uitdagend en boeiend
Frank werkt als Data Scientist bij Witteveen+Bos ingenieurs- en adviesbureau. Hun engineers werken aan projecten binnen de onderzoeksgebieden:
- Built environment
- Deltas, coastst and rivers
- Energy, water and environment
- Infrastructure & mobility
Vegetatiemonitoring bij Marker Wadden
Een van de meest interessante projecten waar ik aan heb gewerkt is het monitoren van de vegetatie bij Marker Wadden. Deze kunstmatige archipel in het Markermeer is opgebouwd uit zand, klei, veen en slib. Rijkswaterstaat en Natuurmonumenten hebben deze groep kunstmatige eilanden gecreëerd om de afname van biodiversiteit tegen te gaan en het ecosysteem van het Markermeer te verbeteren door de waterkwaliteit en het leven onder water te verbeteren en een nieuw natuurgebied te creëren.
Projectplaatje van de website website Witteveen+Bos
De eilanden worden omgeven door zandranden en beschermd tegen golfaanvallen door een groot zandlichaam tussen twee stenen landhoofden. De niveaus rond de eilanden en de luwte die door de eilanden wordt gecreëerd, zorgen ervoor dat drijvend slib wordt opgevangen. Dit heeft als doel het slibprobleem te verminderen en helderder water te creëren waarin planten en alle bijbehorende fauna kunnen toenemen en de biodiversiteit verbetert. Een leuke bijkomstigheid was dat 2/3 van de West-Europese populatie oeverzwaluwen hun weg naar de Marker Wadden vonden om zich tegoed te doen aan de vele dansende muggen die zich in het ondiepe water ontwikkelden.
Luchtfoto Marker Wadden
Het stimuleren van biodiversiteit gaat vaak gepaard met de aanwezigheid van vegetatie die dient als leefgebied voor bepaalde soorten. Mijn rol binnen het project was het detecteren, identificeren en monitoren van verschillende vegetatietypen op de Marker Wadden met behulp van Remote Sensing gegevens (in dit geval hoge resolutie satellietbeelden en zeer hoge resolutie dronebeelden van het gebied). Samen met veldexperts van onze ecologie-afdeling hebben we ground truth-gegevens gegenereerd om een neuraal netwerk te trainen voor het detecteren en onderscheiden van vegetatiestructuren. De geproduceerde vegetatiekaarten dienden als input voor de evaluatie en aanpassing van ecologisch beheer. Het was spannend om aan dit project te werken en zo de natuur een handje te helpen.
Fragment van de dronebeelden met verschillende vegetatietypen gemarkeerd met kleur
ℹ️ Lees meer over dit project op de website van Witteveen+Bos
Onderzoek naar maatregelen om grondtrillingen door treinen te verminderen
Volgens het CBS werd in 2022 44,5 miljoen ton goederen per spoor vervoerd. Omdat het spoor overdag druk is met woon-werkverkeer, leidt de toenemende vraag naar goederenvervoer per spoor in de nacht tot een toename van activiteiten.
Binnen Witteveen+Bos hebben we in opdracht van Prorail BV via verschillende projecten onderzoek gedaan naar de relatie tussen treinen en bodemtrillingen. Dat wil zeggen, trillingen geïnduceerd door rollend materieel die zich voortbewegen over rails, bedding en bodem en de omgeving beïnvloeden. De funderingen van gebouwen in de buurt van spoorrails kunnen trillingen opvangen, wat kan leiden tot overlast zoals rammelende kasten en mogelijk slaapverstoring voor omwonenden.
Een van de studies die we uitvoerden was specifiek gericht op het onderzoeken van de relatie tussen de rijsnelheid van voorbij rijdende treinen en de door hen veroorzaakte bodemtrillingen. Specifiek om te onderzoeken wat het effect (gewenst: vermindering van de trillingsintensiteitsniveaus) is als de snelheid van goederentreinen 's nachts zou worden verminderd.
Dit werd gedaan door grondtrillingsmetingen uit te voeren en te analyseren. Aangezien veel trein- en omgevingsparameters betrokken zijn bij de trillingsemissie, gebruikten we een Random Forest Regressiemodel om een relatie te leggen tussen input (specifiek de rijsnelheid) en output (trillingsintensiteit). Daarbij namen we de impact van trillingen veroorzaakt door deze treinen op de grond mee en wat dit betekent voor omwonenden rond het spoor.
Intuïtief zou je kunnen denken dat een lagere snelheid leidt tot lagere trillingsniveaus, maar dat blijkt niet altijd het geval te zijn. De metingen hebben aangetoond dat het effect zeer locatiegebonden is, bijvoorbeeld dat op de ene locatie het trillingsniveau daalt en op een andere locatie het tegenovergestelde. Ook zijn er veel meer parameters betrokken bij de trillingsemissie dan alleen de rijsnelheid. Het gewicht van de trein speelt bijvoorbeeld een rol, en momenteel zijn we betrokken bij onderzoek naar de impact van wielcondities (bv. vlakke plekken, polygonisatie van wielen, 'ovaliteit', ruwheid) op de trillingsemissie op de grond. Vlakke plekken ontstaan bijvoorbeeld bij plotseling en hard remmen, vooral in noodgevallen, waardoor de wielen blokkeren en over de rails glijden.
Syscom trillingssensor die we gebruikten in de meetcampagne
ℹ️ Lees meer over dit onderzoek in het onderzoeksrapport ‘Trillingsonderzoek praktijkproef gedifferentieerd rijden.’
Geautomatiseerde detectie van propaantanks
Momenteel werk ik aan een project waarbij we een objectdetectiemodel (neuraal netwerk) gebruiken om kleine (3500 liter of minder) propaantanks op luchtfoto's te lokaliseren. Door een verandering in de wetgeving zijn gemeenten (of milieudiensten) verplicht om deze tanks te registreren als 'gevaarlijke activiteit'. De tool die we ontwikkelen dient als eerste inventarisatie op basis van openlijk beschikbare luchtfoto's van waar deze tanks zich bevinden. Deze inventarisatie kan worden gebruikt om te beginnen met het bijwerken van het register.
Propaantank
De gebiedsfoto's die we gebruiken worden jaarlijks verzameld en openlijk beschikbaar gesteld voor gebruik door iedereen. Sommige informatie is beschikbaar op PDOK. We werken met deze door vliegtuigen verzamelde dataset omdat deze beelden de beste resolutie bieden, waardoor we propaantanks het beste kunnen onderscheiden van andere tankachtige objecten (zoals mesttankwagens, gewikkelde hooibalen of -verrassend genoeg- schapen). Deze zogenaamde fout-positieven hebben veel van onze aandacht gekregen omdat ze ongemakken met zich meebrengen tijdens een handmatige inspectie. Handmatige inspectie en een veldbezoek aan de locatie blijven altijd nodig om alle vereiste informatie te verzamelen en te registreren.
Een van de andere uitdagingen was hoe we het hele land konden analyseren op propaantanks. We trainden een neuraal netwerk voor de detectie van propaantanks en verdeelden het hele land in tegels van geschikte grootte (512*512 pixels). Aangezien de grondresolutie van de luchtfoto's ongeveer 8 cm is, hebben we miljoenen beelden (tegels) om te analyseren. We hebben logica uit het werkveld toegevoegd om het aantal te verwerken tegels drastisch te verminderen. We hoeven bijvoorbeeld niet te zoeken naar propaantanks in het water, dus we kunnen het hele IJsselmeer overslaan. Hetzelfde geldt voor akkers, weilanden en stedelijke gebieden. Gecombineerd met de implementatie van parallelle verwerking kwamen we uit op een redelijke verwerkingstijd.
Modeldetectie
