Toepassingen van AI voor een duurzaam, beter leefmilieu in Vlaanderen
Nu artificiële intelligentie steeds breder ingezet wordt, nemen de zorgen over de klimaatimpact toe. Maar wist je dat AI-systemen ook een belangrijk hulpmiddel zijn voor duurzame toepassingen? Ze kunnen helpen om luchtkwaliteit beter te monitoren, droogte op te volgen, zwerfvuil op te sporen, bossen te beschermen... De technologie wordt al volop ingezet, en het gebruik groeit snel. In deze blog beschrijven Stijn Vranckx en Tess Ysebaert van VITO enkele succesvolle toepassingen van AI in Vlaanderen om ons kwetsbare milieu beter te begrijpen én te beschermen.
Luchtkwaliteit voorspellen
Onze luchtkwaliteit wordt continu gemonitord door een 'meetnet'. Op meer dan honderd plaatsen in België, en ook elders in Europa, wordt elk uur een meting geregistreerd van verschillende soorten luchtverontreiniging. Denk aan fijn stof, ozon en stikstofoxides. Zo wordt de evolutie van de luchtkwaliteit nauwgezet opgevolgd.
Luchtkwaliteitsmodellen worden ingezet om deze metingen uit te breiden tot gedetailleerde kaarten voor het volledige land. Er wordt gekeken naar de huidige toestand maar ook naar de verwachtingen voor de volgende dagen. Hiervoor worden zowel traditionele modellen gebruikt, gebaseerd op fysische en chemische processen, als AI-gebaseerde modellen zoals neurale netwerken.
Wat zijn neurale netwerken?
Neurale netwerken zijn een soort algoritme geïnspireerd op het menselijk brein. Ze bestaan uit lagen van ‘neuronen’ die signalen doorgeven en zelf leren door patronen te herkennen in grote hoeveelheden data. Neurale netwerken zijn bijzonder goed in het modelleren van complexe, niet-lineaire relaties. Precies wat nodig is om luchtkwaliteit te voorspellen!
In plaats van enkel te vertrouwen op een beperkt aantal meetstations, leren neurale netwerken hoe luchtvervuiling zich verspreidt op basis van weerdata, verkeersstromen en landgebruik. Door patronen in historische data te herkennen, kunnen ze heel precies voorspellen waar en wanneer de luchtkwaliteit zal verslechteren. Zelfs tot op straatniveau! Zo krijgen stadsplanners, beleidsmakers én burgers tijdig inzicht om maatregelen te nemen of hun gedrag aan te passen.
In België worden neurale netwerken al 20 jaar gebruikt om luchtkwaliteit te voorspellen. Weersvoorspellingen worden gekoppeld aan de meetresultaten om in te schatten wat we de volgende uren en dagen kunnen verwachten. Met meer meetdata en nieuwe, krachtigere neurale netwerken worden de modellen bovendien steeds beter en uitgebreider.
Te veel water? Te weinig water?
In tijden van toenemende droogte, overstromingen en waterschaarste, zetten onderzoekers artificiële intelligentie in voor slimmer en krachtiger waterbeheer. Door data van sensornetwerken te combineren met voorspellende modellen, maakt AI het mogelijk om real-time inzichten te krijgen in waterkwaliteit en -kwantiteit, en om toekomstige situaties te voorspellen. Daarmee kunnen waterbeheerders proactieve beslissingen nemen, zoals de werking van waterzuiveringsinstallaties aanpassen bij verwachte piekbelasting.
Een concreet voorbeeld van de opvolging van waterkwaliteit? Dat is het IJzerbekken in West-Vlaanderen, waar VITO samen met de Vlaamse Milieumaatschappij een indicator voor verzilting ontwikkelde. Het systeem gebruikt geleidbaarheidsmetingen via een netwerk van sensoren om zo de zoutconcentratie in het water op te volgen. De data voeden een model en worden omgezet in een eenvoudig kleurensysteem: groen voor normale waarden, oranje voor verhoogde en rood voor problematische verzilting. Daarmee kunnen waterbeheerders bij droogte snel inschatten of ze moeten ingrijpen. Door voorspellingen toe te voegen, kan ook drinkwaterproductie geoptimaliseerd worden zodat 'ontzilting' minimaal nodig is.
Deze toepassingen tonen hoe AI bijdraagt tot duurzaam waterbeheer!
Zwerfvuil opruimen met drones en AI
Het Waste Watchers-project van amai! is een opvallende milieutoepassing waarin AI gecombineerd wordt met remote sensing. Burgers werden uitgenodigd om zelf met lichte consumentendrones luchtopnames te maken van de oevers van de Schelde. Deze beelden (met een resolutie van ongeveer 0,5 cm) boden een gedetailleerd overzicht van moeilijk bereikbare plekken waar zwerfvuil zich ophoopt, zoals onder struiken of op steile oevers. De beelden werden vervolgens geanalyseerd met AI-algoritmes, speciaal getraind om verschillende soorten afval te detecteren en te lokaliseren. Dit waren multimodale modellen. Het resultaat? Dat is een dynamische afvalverspreidingskaart: daarop worden hotspots van zwerfvuil getoond, wat gerichte opruimacties mogelijk maakt.
Dit project is een echte wereldprimeur in zijn soort. Het toont aan hoe AI en remote sensing, ondersteund door burgerparticipatie, kunnen bijdragen aan effectiever milieubeheer.
Wat is multimodale AI?
Waste Watchers gebruikt een multimodaal AI-model ontwikkeld om lucht- en satellietbeelden te interpreteren. Dit model combineert de kracht van grote visueletaalmodellen met vakspecifieke kennis uit de aardobservatie, waardoor het complexe omgevingen van bovenaf kan begrijpen.
In tegenstelling tot klassieke objectherkenningsmodellen kunnen multimodale modellen antwoorden geven op open vragen over een beeld, zoals “Waar ligt het plastic afval?”, en daarbij ruimtelijk expliciete informatie geven. Dat maakt zo'n model bijzonder geschikt voor milieutoepassingen zoals het opsporen van zwerfvuil, erosie, of veranderingen in landgebruik via drone- en satellietbeelden.
Hoe verandert het landschap in Vlaanderen?
Veranderingen in het landschap in kaart brengen is een cruciale toepassing van AI voor ruimtelijke ordening en milieubeheer. Artificiële intelligentie kan automatisch veranderingen in landgebruik en bodembedekking detecteren op basis van (hoge resolutie) luchtbeelden die worden verzameld voor het Grootschalig Referentie Bestand (GRB) in Vlaanderen (project in samenwerking met Digitaal Vlaanderen/EODAS). AI-modellen worden getraind om beeldreeksen van verschillende jaren te vergelijken en zo subtiele veranderingen op te sporen, zoals nieuwe gebouwen, uitbreiding van wegen of het verdwijnen van groenzones. Bovendien gaat dit sneller en nauwkeuriger dan met handmatige methodes.
Die toepassing versnelt niet alleen de actualisatie van officiële kaarten, maar ondersteunt ook beter beleid rond ruimtelijke ontwikkeling, natuurbeheer en klimaatadaptatie. Voor een flexibele en geautomatiseerde beeldverwerkingsketen worden zelflerende methodes ingezet via een foundation model, dat specifiek is opgezet om met verschillende soorten lucht- en satellietbeelden om te gaan.
Hoe werkt een foundation model?
In dit project worden foundation models ingezet om automatisch veranderingen in de bebouwde omgeving te detecteren op basis van luchtbeelden met een hoge resolutie. Een foundation model is een soort AI-model dat wordt getraind op grote, diverse datasets om algemene patronen te herkennen en toepasbaar te zijn op verschillende taken. Voor dit landschapsproject startten we met DINOv1, een zelf-lerend vision transformer-model (ontwikkeld door Meta AI) dat bijzonder goed beeldpatronen herkent. Het model werd vervolgens aangepast om luchtbeelden van Vlaanderen te verwerken.
In tegenstelling tot traditionele modellen die gelabelde data en taakgerichte training vereisen, kan dit foundation model visuele kenmerken uit ongelabelde beelden leren en nauwkeurig veranderingen detecteren over verschillende tijdstippen en locaties heen, zonder bijkomende afstemming. Dit biedt beleidsmakers betrouwbare en actuele ruimtelijke informatie voor duurzame stadsontwikkeling en ruimtelijke ordening!
De kracht van combinatie: AI, data én kennis van experten
Hoewel het potentieel van AI voor duurzaamheid onmiskenbaar is, schuilt de echte kracht in de combinatie met bestaande systemen, niet in de vervanging. De meest betrouwbare en bruikbare inzichten ontstaan wanneer AI-systemen worden gekoppeld aan monitoringsdata, deterministische modellen (inclusief fysische en chemische processen) en, bij uitstek, expertkennis. Menselijke experts begrijpen de context, beleidsnoden en onzekerheden op een manier die AI niet kan evenaren. Door de sterktes van AI en domeinkennis met elkaar te verweven, overstijgen we de hype en bouwen we aan robuuste en betrouwbare tools die bijdragen aan duurzaam milieubeleid.
Referenties
- Water AI Predicting Future - blog VITO ⇗
- Waste Watchers:
- Veranderingsdetectie via luchtbeelden - blog VITO ⇗
- Voorspellingen van luchtkwaliteit:
- Vlaams AI-onderzoek naar toepassingen in verschillende milieudomeinen - Vlaams AI Onderzoeksprogramma ⇗
Lees en leer meer
Elke boom zijn vingerafdruk: wapenen tegen illegale houthandel
Steeds vaker vindt hout met een verborgen herkomst zijn weg naar de markt via schimmige routes. Thomas Mortier (UGent) en Victor Deklerck (World Forest ID, Plantentuin Meise) ontwikkelden een AI-model dat de oorsprong van hout kan herkennen via een unieke chemische "vingerafdruk".
MLOps, machine learning efficiënt ingezet
Eenmaal je AI kan ontwikkelen, is het nog zaak om die AI-modellen op een efficiënte manier te implementeren, in de dagdagelijkse praktijk: zelflerend, zelfsturend, maar toch gecontroleerd. Dat bereik je dankzij MLOps: een bundel van goede praktijken waarmee je het volledige AI-proces kan automatiseren en optimaliseren. Axel-Jan Rousseau (UHasselt, VAIA) legt uit hoe dit werkt.
Hoe vervuilend is AI? De ecologische afdruk van AI
Generatieve AI werd razendsnel populair dankzij gebruiksvriendelijke interfaces die de complexe infrastructuur verbergen. Maar in al hun eenvoud gebruiken deze tools enorme hoeveelheden energie, water en grondstoffen. Wim Casteels van AP Hogeschool bespreekt de grootste problemen.
Stijn Vranckx
Dr. Stijn Vranckx is senior onderzoeker bij VITO, gespecialiseerd in milieumodellering en luchtkwaliteit. Met meer dan tien jaar ervaring werkt hij op het snijvlak van wetenschap en beleid ter ondersteuning van stedelijke luchtkwaliteitsplanning, milieugezondheid en duurzaamheid. Zijn expertise varieert van computationele stromingsdynamica en AI-gebaseerde voorspellingen tot burgerwetenschap en de ontwikkeling van geïntegreerde milieu-indicatoren. Stijn heeft bijgedragen aan talrijke internationale en regionale projecten, waaronder de operationele invoering van nationale luchtkwaliteitsmodellen in Ierland en Slowakije, en de integratie van digitale tweelingen voor stedelijke planning in Vlaanderen. Hij promoveerde in de chemie aan de KU Leuven en was Alexander von Humboldt Fellow aan de RWTH Aachen University.
Tess Ysebaert
Dr. ir. Tess Ysebaert startte in 2023 bij VITO als junior onderzoeker in het team van Stijn Vranckx, dat zich richt op luchtkwaliteitsmodellering. Haar werk omvat de volledige modelleerketen, van emissies tot concentraties, gedreven door haar passie voor nieuwe technologieën en haar inzet voor een positieve impact op het milieu. Voor haar start bij VITO behaalde Tess een doctoraat aan de Universiteit Antwerpen, waar ze onderzoek deed naar de depositie van fijnstof op planten in zogenaamde groene gevels. Met die expertise zet ze bij VITO haar innovatief onderzoek naar luchtkwaliteit verder en neemt ze bovendien de communicatie van het team op zich.
Bezoek zeker ook de Atmosys-website, waar regelmatig verhalen verschijnen over ons onderzoek, onze projecten en onze samenwerkingen.
