De ene ontbossing is de andere niet. Grootschalige houtproductie, omvorming tot landbouwgrond, de aanleg van wegen, een nieuwe goudmijn, kleinschalige kap, bomen die omwaaien of in vlammen opgaan tijdens een bosbrand: er zijn allerlei varianten denkbaar. Maar als het gaat over verdwijnend bos, dan worden al die nuances algauw op een hoop geveegd, zegt promovendus Bart Slagter. Dus de afgelopen jaren heeft hij, aan de Wageningen Universiteit, precies dáár verandering in gebracht, met de ontwikkeling van een nieuw, zelflerend computermodel voor tropische bossen. „Lang niet al het bosverlies is permanent. Dus om te weten hoe vergaand de gevolgen zijn, bijvoorbeeld in termen van CO2-uitstoot, heb je nauwkeurige gegevens nodig.’”
Voor zijn onderzoek gebruikt Slagter verschillende satellietbeelden, zoals radar en infrarood, om de veranderingen zo nauwkeurig mogelijk te meten. „Tijdens het regenseizoen in de tropen is het langdurig bewolkt, maar met radar kun je dan door de wolken heen kijken.”
Nieuwe wegen zijn op de satellietbeelden te herkennen als lijnvormige veranderingen. Maar hoe herken je vanuit de lucht het verschil tussen een goudmijn en landbouwgrond? „Daarin spelen verschillen in reflectie een rol: felle weerkaatsing duidt op veel kale bodem en daarmee vaak op mijnbouw. Ook grootte, vorm en vooral context zijn belangrijk. Detecteer je bosverlies zonder dat er een weg in de buurt is, dan is de kans groot dat het natuurlijk is.” De steeds hogere resolutie van de beelden helpt eveneens. „Met pixels van 10 bij 10 meter kun je een hoop details onderscheiden. Tien jaar terug was de resolutie nog veel lager. Bovendien leveren satellieten nu op wekelijkse basis nieuwe beelden.”
Het ‘trainen’ van het algoritme gebeurt met behulp van kunstmatige intelligentie. „Je voert een hoop data in en op basis daarvan wordt de beeldherkenning steeds beter. Vergelijk het met andere vormen van deep learning: net zoals je een computer kunt leren een hond van een kat te onderscheiden kan dat ook met verschillende vormen van ontbossing.”
Het een-na-grootste regenwoud
Slagter is zeker niet de eerste die zich bezig houdt met ontbossingsmonitoring via satellieten, benadrukt hij. „Alleen: vaak lopen de modellen achter de feiten aan, terwijl je het liefst zo snel mogelijk kleinschalige veranderingen in kaart brengt, zodat je nog kunt ingrijpen. Wegen zijn in het verleden bijvoorbeeld te vaak onderschat, omdat het relatief kleine veranderingen zijn, gezien vanuit de ruimte. Ze worden vaak gebouwd om selectieve houtkap te faciliteren , maar kunnen ook een vaak de opmaat vormen voor veel grotere destructie.”
Juist dankzij het zelflerend algoritme kunnen veranderingen straks bíjna in real time worden weergegeven, zodat er tijdig kan worden ingegrepen bij illegale of niet-duurzame activiteit. „We mikken erop om ze op wekelijkse basis in kaart te brengen.”
Als voorbeeld noemt hij een recente publicatie over het wegennetwerk in het Afrikaanse Congobekken. „Dat is na de Amazone het grootste regenwoud op aarde, maar er is relatief weinig bekend over de ontwikkelingen in het bos daar. Wij hebben gekeken naar de snelheid waarmee de wegen zich uitbreiden. Op basis daarvan kun je de hoeveelheid houtkap berekenen, en daarmee hoeveel biomassa er verloren gaat. Maar de impact gaat veel verder: de wegen bepalen bijvoorbeeld ook in grote mate waar er stroperij plaatsvindt.”
In de toekomst zouden de resultaten ook gebruikt kunnen worden om bedrijven te controleren, zegt Slagter. „Zodat je kunt zien of ze niet op illegale locaties aan het kappen zijn, of te lang doorgaan. Als er wegen worden aangelegd buiten een gebied waarvoor een concessie is afgegeven dan weet je dat het foute boel is. Zeker als je certificaten voor verantwoorde houtkap wil uitgeven is zulke informatie essentieel.”
Ook de Europese ontbossingswet – die afgelopen december met één jaar is uitgesteld door het Europese Parlement – schrijft voor dat je alleen producten op de markt mag brengen die niet zorgen voor ontbossing. „Zonder monitoring is dat niet te controleren. Dus daar zou ons model bij kunnen helpen.”
Leercurve
De liefde voor satellietbeelden zit diep bij Slagter. „Ik houd van de technologie erachter. Toen ik van de middelbare school kwam begon ik met weinig enthousiasme aan een studie planologie in Groningen. Pas toen ik leerde over GIS – Geographic Information Systems, waarmee je geografische data kunt analyseren – werd ik enthousiast. Die technologie fascineert me, je kunt er zo oneindig veel mee doen. En ik vind het mooi dat het vakgebied nog volop in ontwikkeling is.”
Ook algoritmes hebben een leercurve. Daarom geeft het model telkens netjes aan hoe nauwkeurig de gemaakte interpretatie is. „Als je voor 80 procent zeker een goudmijn hebt, dan durf je daarmee te rekenen. Maar bij waarschijnlijkheden van 60 procent zijn we een stuk voorzichtiger. Het blijft soms gissen, ook met GIS.” Om de nauwkeurigheid van het model in het veld te toetsen, gaat hij met collega’s volgende maand op veldwerk naar Suriname.
Het is dubbel, zegt Slagter aan het eind, nadat hij vol vuur tientallen satellietbeelden heeft getoond. „Ik vind mijn werk methodologisch ontzettend interessant, ik kan er echt enthousiast van worden als we die wegen, goudmijnen en houtkap superaccuraat in kaart kunnen brengen. Maar je bent ook live naar de bosvernietiging aan het kijken. Daarom hoop ik echt dat deze methode kan bijdragen aan beter beheerde bossen.”
