Triple Level Digital Monitoring (3LDM) - teledetectie en IT-oplossingen voor het monitoren van boslandschapsherstel (FLR)
Volledige oplossing
Drone training in Madagaskar
© Forests4Future, GIZ
Het Forests4Future (F4F) project van GIZ zet zich in voor herstel van boslandschappen (Forest Landscape Restoration, FLR) en governance in landen als Ethiopië, Madagaskar en Togo. De huidige FLR-monitoringsystemen kampen met problemen op het gebied van nauwkeurigheid en volledigheid. Om dit aan te pakken is F4F begonnen met de ontwikkeling van een betrouwbaar monitoringsysteem en het testen van een standaard werkwijze. Door gebruik te maken van de expertise van externe geospatiale databedrijven heeft F4F het Triple Level Digital Monitoring System (3LDM) geïntroduceerd. Dit systeem is een verfijning van de monitoring en integreert gegevens op drie niveaus:
1. Veldgegevens
2. Gegevens vanuit een drone
3. Satellietgegevens
De 3LDM-benadering volgt herstelde hectares, bovengrondse boombomassa en boomdiversiteit op geselecteerde FLR-locaties.
Laatst bijgewerkt: 30 Sep 2025
813 Weergaven
Foto- en videogalerij
Context
Uitdagingen
Milieu-uitdagingen:
Satellietbeelden, zoals Sentinel of Landsat, kunnen kleinere bomen missen vanwege de lage resolutie, wat een nauwkeurige evaluatie van het bos beïnvloedt, vooral voor jonge aanwas of onderkruin. Het 3LDM systeem, dat gebruik maakt van dronegegevens met hoge resolutie, meet de kroonhoogte en verfijnt met allometrische vergelijkingen de biomassaberekeningen. Drones, die uitgestrekte gebieden in kaart brengen, verbeteren de nauwkeurigheid en efficiëntie van de gegevens.
Sociale uitdagingen:
Traditionele bosbewaking vereist handmatige arbeid, waardoor lokale gemeenschappen worden verstoord. 3LDM, dat gebruik maakt van drone- en satelliettechnologie, monitort uitgestrekte gebieden met minimale verstoring, waardoor lokale gebruiken behouden blijven. Het stimuleert ook de ontwikkeling van lokale drone-gerelateerde vaardigheden en werkgelegenheid.
Economische uitdagingen:
Handmatige bosinventarisatie is duur en traag. 3LDM biedt een economische oplossing. Het verzamelen van gegevens met behulp van drones is sneller en uitgebreider en verlaagt de kosten voor veldwerk. Het gebruik van open-source beeldmateriaal beperkt de kosten, waardoor het monitoren betaalbaar en aanpasbaar wordt voor diverse projecten.
Locatie
Madagaskar
Ethiopië
Togo
West- en Centraal-Afrika
Oost- en Zuid-Afrika
Proces
Samenvatting van het proces
De ingewikkelde synergie van de drie mechanismen voor gegevensverzameling - veldgegevens, dronebeelden en satellietopnames - vormt de ruggengraat van het monitoringkader van ons programma. Elk mechanisme heeft zijn eigen unieke kracht: terwijl veldgegevens gedetailleerde inzichten bieden op grondniveau, bieden dronebeelden een gedetailleerd perspectief vanuit de lucht en satellietopnames een breder overzicht vanuit de ruimte. Wanneer ze met elkaar verweven zijn, vormen ze een robuust tapijt van gegevens dat de betrouwbaarheid en nauwkeurigheid van de gegevens versterkt.
Deze synergetische aanpak is cruciaal voor het holistisch monitoren van FLR-strategieën. Nu milieuherstel steeds complexer wordt, is het noodzakelijk om een veelzijdig beeld te hebben. Het volgen van sleutelindicatoren zoals biomassa. Daarnaast zijn secundaire indicatoren zoals boomhoogte, diameter op borsthoogte (DBH), bossamenstelling en soortendifferentiatie cruciaal voor een genuanceerd begrip van herstelinspanningen. Het mooie van het drieledige systeem is de veerkracht ervan: als er zich uitdagingen voordoen die de doeltreffendheid van één methode beperken, springen de andere twee naadloos bij, zodat er geen verlies is in de kwaliteit van de gegevens of inzichten. Deze onderlinge afhankelijkheid garandeert uitgebreide gegevens, wat leidt tot beter geïnformeerde strategieën en succesvolle FLR-resultaten.
Bouwstenen
Veldgegevens
Satelliet- en dronebeelden zijn, ondanks hun onmiskenbare bijdrage aan het toezicht, beperkt in de eerste jaren van de FLR-inspanningen. Het verzamelen van gegevens op veldniveau is cruciaal in de eerste projectjaren.
Het verzamelen van gegevens op veldniveau wordt verder onderverdeeld in drie participatieve benaderingen:
- Permanente bemonsteringspercelen: Vaste plots, waar de boomhoogte, DBH en overlevingspercentages van de bomen zullen worden geschat. De permanente bemonsteringspercelen zullen om de drie jaar worden beoordeeld, omdat er veel tijd en werk in gaat zitten.
- Planning van landgebruik: discussierondes voor de beoordeling van informatie, evenals de identificatie van bedreigde soorten volgens de Rode Lijst van bedreigde soorten van de World Conservation Union (IUCN). Het is geïntegreerd in andere planningsprocessen voor landgebruik en heeft dus geen vastomlijnd beoordelingsinterval.
- Transecten: Identificatie van floristische en faunistische soorten, evenals de samenstelling van de bosstructuur, met een beoordelingsinterval van drie maanden.
Alle relevante indicatoren die deel uitmaken van de drie participatieve benaderingen worden verzameld met behulp van de KOBO Toolbox. Deze software biedt geschikte voorwaarden en is eenvoudig te bedienen, in overeenstemming met de monitoringdoelstellingen van het project.
Sleutelfactoren
Een participatieve aanpak is essentieel om een langdurige monitoring van de herstelde gebieden te garanderen. De symbiose van lokale kennis en training/capaciteitsopbouw van lokaal personeel en regionale partners is de kern van deze aanpak. Het identificeren van de behoeften van de gemeenschap, het organiseren van discussierondes en het betrekken van de lokale gemeenschap bij het ontwikkelen en testen van het monitoringsysteem, stimuleert het bewustzijn en de verbondenheid met het herstelde landschap.
Geleerde les
-
Prioriteit veldgegevens: In vroege FLR-fasen is gegevensverzameling op veldniveau effectiever dan alleen vertrouwen op satelliet- en dronebeelden.
-
Participatieve benaderingen: Door gebruik te maken van participatieve methoden zoals permanente bemonsteringspercelen, planning van landgebruik en transecten worden lokale gemeenschappen betrokken en wordt de monitoring verbeterd.
-
Geschikte technologie: Het gebruik van gebruiksvriendelijke tools zoals KOBO Toolbox sluit goed aan bij de projectdoelstellingen en vereenvoudigt het verzamelen van gegevens.
-
Betrokkenheid lokale gemeenschap: Het betrekken en trainen van lokale gemeenschappen verzekert succes op lange termijn en bevordert de band met de herstelde landschappen.
Satellietgegevens
Satellietgegevens vormen de basis van het 3LD-Monitoring systeem, waarbij gebruik wordt gemaakt van de mogelijkheden van open-source beeldmateriaal van de Copernicus Sentinel-2 en LANDSAT satellieten. Een algoritme, nauwgezet ontwikkeld door Remote Sensing Solutions (RSS) GmbH, revolutioneert dit proces. Gebruikers kunnen naadloos de shapefile van hun interessegebied aanleveren, waarna het algoritme automatisch relevante gegevens ophaalt en analyseert. Er wordt een reeks robuuste analyses uitgevoerd, waaronder de 5-jaars vegetatietrend met NDVI voor het beoordelen van vegetatietoename of -afname, 5-jaars vegetatievochtanalyse met NDWI en een genuanceerde 5-jaars neerslagtrendbeoordeling. Bovendien vergemakkelijkt het algoritme de visualisatie van vegetatieveranderingen sinds het begin van het project, waardoor het monitoringkader wordt versterkt met dynamische inzichten. Satellietgegevens, een vitaal onderdeel van het 3LDM-bewakingssysteem, maken gebruik van open-source beeldmateriaal van de Copernicus Sentinel-2 missie en LANDSAT satellieten. Voor vooraf gedefinieerde gebieden worden deze gegevens automatisch opgehaald en geanalyseerd op specifieke parameters. De belangrijkste analyses zijn onder andere een 5-jaars vegetatietrend met NDVI als een indicatie voor vegetatietoename of -afname, een 5-jaars vegetatievochttrend met NDWI en een 5-jaars neerslagtrend. Daarnaast kunnen vegetatieveranderingen vanaf de start van het project worden gevisualiseerd.
Sleutelfactoren
Effectief gebruik van deze bouwsteen is afhankelijk van gebruikers die gebieden tekenen en opslaan in GIS-platforms zoals QGIS. Daarnaast wordt de analyse geoptimaliseerd door de shapefile uit te breiden met projectspecifieke gegevens, zoals startdata en FLR-type. Een goede training in deze vaardigheden zorgt voor nauwkeurige gegevensinvoer en monitoring op maat, waardoor capaciteitsopbouw op deze gebieden essentieel is als het nog niet aanwezig is.
Geleerde les
Hoewel satellietgegevens, vooral open source, brede inzichten bieden, zijn de mogelijkheden voor soortidentificatie zeer beperkt, zo niet onbereikbaar. Deze beperking benadrukt de onmisbare rol van veldwerk bij het onderscheiden van de soortensamenstelling en -kenmerken. Bovendien versterkt het inzicht in de beperkingen van satellietbeelden, vooral bij jonge boomplantages, de behoefte aan integratie van veld- en dronegegevens om een volledig beeld te krijgen van bosterreinen.
Dronegegevens
Drones spelen een centrale rol in het 3LD-monitoringsysteem, als aanvulling op andere methoden van gegevensverzameling. Drones zijn essentiële hulpmiddelen in partnerlanden om de technische vaardigheden van lokaal personeel te versterken. Deze vaardigheden omvatten vluchtplanning, navigatie en beeldbeoordeling. De drone-monitoring is erop gericht om projectmedewerkers in staat te stellen om gegevens vast te leggen die zijn afgestemd op fotogrammetrische analyses, waaruit cruciale geo-informatie voortkomt.
De methodologie voor het in kaart brengen met behulp van drones omvat vijf fasen, waarvan de eerste twee gericht zijn op het opereren met drones:
- Mapping missie voorbereiding (desktop werk)
- Uitvoering van de karteringsmissie (veldwerk)
- Ontwikkeling van Digital Surface Model (DSM) & genereren van orthomosaïek (desktopwerk)
- Gegevensanalyse en -verfijning (desktop-werk)
- Integratie in het geldende gegevenssysteem (desktop-werk)
Dronegegevens helpen bij het evalueren van indicatoren die verband houden met koolstof/biomassa, zoals sterftecijfers en bostypen. Met name met de toepassing van allometrische vergelijkingen en een juiste karakterisering van het landtype kunnen schattingen van de bovengrondse biomassa van bomen worden bepaald.
Sleutelfactoren
Drones met een vooraf ingestelde vluchtplanning zorgen voor een naadloze creatie van orthofoto's uit afzonderlijke beelden. Hierdoor kunnen individuele snapshots naadloos worden samengevoegd tot een orthofoto (luchtfoto gecorrigeerd voor vervormingen, waardoor nauwkeurige metingen mogelijk zijn). Het is ook van vitaal belang om te kijken naar de beschikbaarheid van deze drones in de lokale markten van partnerlanden. Het benutten van lokale kennis door lokale academici erbij te betrekken is van het grootste belang in dit proces. Zij kunnen essentiële allometrische vergelijkingen leveren, gebaseerd op boomhoogte, die nauwkeurige biomassaberekeningen mogelijk maken.
Geleerde les
Drones genereren beelden met een hoge resolutie, die een gedetailleerd overzicht geven van onder andere veranderingen in de bodembedekking, overleving van bomen en erosie. In combinatie met veldgegevens wordt de monitoring met behulp van drones versterkt, waardoor een gedegen monitoring wordt gegarandeerd.
De heterogeniteit van bomen en vegetatiedichtheid belemmert vaak een goede extractie van gemeenschappelijke sleutelpunten tussen de beelden, wat nodig is om de hoogtes en andere indicatoren te schatten. In dit opzicht kan het vergroten van de overlap tussen de beelden tot een minimum van 85% frontale en zijdelingse overlap de extractie van belangrijke punten verbeteren. Ook het verhogen van de vlieghoogte van de drone vermindert perspectivische vervorming, wat de detectie van visuele overeenkomsten tussen overlappende beelden vergemakkelijkt. Te veel overlapping, d.w.z. hoge overlappingspercentages resulteren echter in een grotere hoeveelheid gegevens, waardoor de gegevensverwerking tijdrovender wordt.
Een ander reeds genoemd aspect is de beschikbaarheid van geschikte drones in de partnerlanden. Het importeren van drones naar de respectievelijke landen is moeilijk en er blijven bureaucratische barrières bestaan.
Invloeden
Alle drie de gegevensbronnen (satelliet, drone en veld) worden verwerkt en geïntegreerd in een dashboardplatform dat toegankelijk is via de monitoringwebsite van het project. De website maakt het mogelijk:
Intern:
- De evaluatie van de projectactiviteiten
- Het monitoren van veranderingen als basis voor verdere planning
- Het beheer van projectactiviteiten (stuurfunctie)
- Rapporteren over projectactiviteiten
- Vergelijken en samenvatten van FLR-interventies
Extern:
- Traceren van projectactiviteiten
- Harmonisatie van activiteiten tussen projecten en partners
- Leren van projectervaringen
- Rapportage en communicatie van resultaten
- Transparantie van FLR-activiteiten
Het dashboard van het platform heeft twee unieke kenmerken:
1. Gebiedsspecifiek: onmiddellijke geautomatiseerde analyse en visualisatie van satellietgegevens van de afgelopen 5 jaar
2. Integratie van veld-, drone- en satellietgegevens, waarbij verschillende informatielagen worden gecombineerd om een holistisch beeld te schetsen van de herstelinspanningen
Begunstigden
- AFR100 Focal Points en secretariaat
- Ministeries (Ministerie van Bosbouw/Milieu en Landbouw)
- Bestuursambtenaren
- NGO's
- Restauratietechnici en enthousiastelingen
- Lokale gemeenschappen
- Team van het Forests4Future-project en andere FLR-projecten
Duurzame Ontwikkelingsdoelen
SDG 15 - Leven op het land
SDG 17 - Partnerschappen voor de doelen
Verhaal
Maxim leidt de implementatie van het 3LDM systeem in Madagaskar. Het gebruik van drones om het herstel van boslandschappen in Madagaskar te beoordelen betekent ook het monitoren van mangroves. Traditionele monitoring in deze dichte, moerassige gebieden is ontmoedigend, maar met 3LDM's drone-protocol beeldmateriaal met hoge resolutie werd het efficiënter en gedetailleerder.
Tijdens een drone-onderzoek ontdekte het team van Maxim een onverwachte bewoner: een zonnebadende krokodil. De scherpe beelden benadrukten niet alleen de effectiviteit van de technologie, maar onderstreepten ook het veiligheidsvoordeel ten opzichte van onderzoek te voet.
Naast onverwachte ontmoetingen met wilde dieren bood 3LDM ook inzicht in de groeidynamiek van de mangroven. Hoewel het systeem zijn uitdagingen kende, zoals de aanpassing van de drones aan de winderige omstandigheden, wogen de resultaten zwaarder dan de hindernissen.
