Zonnestroom is een belangrijke hernieuwbare energiebron. De CBS-statistiek over zonnestroom is het afgelopen jaar op een aantal punten verbeterd en gepubliceerd in een uitgebreid artikel. Tot voor kort was de CBS-statistiek gebaseerd op een enquête onder ongeveer 300 leveranciers en importeurs van zonnepanelen; inmiddels wordt geïmplementeerd dat geïnstalleerd vermogen afgeleid wordt uit registers zoals het Productie Installatie Register (PIR) en data van CertiQ. Het resultaat is dat cijfers op een lager detailniveau gerapporteerd kunnen worden, terwijl de meldplicht voor zonnepanelen in Nederland in de praktijk niet verplicht is.
Het CBS werkt aan een Europese studie om aantallen en locaties van zonnepanelen nauwkeuriger vast te stellen door aanvullend gebruik te maken van luchtfoto’s. In het onderzoeksproject Deep Solaris werken CBS, de Open Universiteit en statistische bureaus van Vlaanderen en Duitsland samen aan een zo compleet mogelijk beeld van geïnstalleerde zonnepanelen. Een interactieve kaart met locaties van zonnepanelen in Vlaanderen, Noordrijn-Westfalen en Limburg wordt ontwikkeld, gebaseerd op automatische detectie uit luchtfoto’s. In dit artikel worden experimenten met verschillende modellen op luchtfoto’s besproken en toegelicht welke resultaten worden behaald in Californië (VS), NRW (Duitsland) en Limburg (Nederland).
Vijf CNN-modellen - VGG16, InceptionV3, InceptionResNetV2, DenseNet en Xception - zijn toegepast, met gewichten uit ImageNet via transfer learning varianten. De best presterende resultaten kwam van Xception met volledige transfer learning, maar ook VGG16 presteerde goed. De onderzoekers constateerden dat volledig opnieuw trainen soms juist slechter kan uitpakken door overfitting, en dat gedeeltelijke hertraining soms het meest robuuste resultaat oplevert. De topmodellen behalen training- en testaccuraatheden boven de 90 procent.
De eerste interactieve kaart wordt verwacht in februari 2019, en een wetenschappelijke peer-reviewed paper zal eind Q1 2019 ingediend worden. CBS publiceert altijd gegevens zodanig dat geen herkenbare informatie over personen, huishoudens of ondernemingen kan worden afgeleid; de kaarten tonen alleen geaggregeerde aantallen op gebiedsniveau. Het gebruik van openbare luchtfoto’s en satellietbeelden als basis biedt mogelijkheden voor een completer beeld, zonder individuele privacy te schaden.
Ruimtevaart is niet meer weg te denken uit de moderne maatschappij. Satellietdata helpen bij navigatie, communicatie en monitoring van infrastructuur en milieu. Rijkswaterstaat maakt al jaren gebruik van remote sensing om wegen, bruggen en dijken te controleren; eind 2024 werd een derde Sentinel-1-satelliet in een baan gebracht, waardoor miljarden beelden nu weer beschikbaar zijn. Remote sensing maakt het mogelijk om tientallen jaren terug te kijken en bijvoorbeeld bodemdaling, verzakkingen en potentieel risico voor bruggen en tunnels te detecteren zonder expedities op locatie.
Jack Hagen en andere gebruikers van satellietdata binnen Rijkswaterstaat benadrukken het voordeel van een continue datastroom: minder noodzaak tot fysieke inspecties en minder wegafsluitingen. NSO (Netherlands Space Office) stimuleert het maatschappelijk gebruik van satellietdata door overheden en bedrijven te ondersteunen met workshops, pilots en medefinanciering, en werkt samen met partijen zoals gemeente Amsterdam aan groene-dak-projecten en monitoring van waterwegen en oevers.
NDVI (Normalized Difference Vegetation Index) wordt genoemd als een effectieve methode om groene daken te detecteren en veranderingen in vegetatie te monitoren. Door rode en infrarode banden uit multispectrale beelden te combineren, kan men vegetatiegezondheid schatten; de NDVI laat zien waar planten gezond groeien en waar groei toeneemt of afneemt. AI helpt bij het onderscheiden van echte groene daken van vegetatie die over daken groeit. Voorbeelden zoals Ezinge en Utrecht tonen hoe afstandsmetingen en AI bijdragen aan nauwkeurige kaartlagen van groene daken en vegetatie op daken.
De technologie beveelt zich uit in geografische toepassingen zoals begroeiing op daken, waterbuffering met groene daken, en het in kaart brengen van stedelijke groenvoorzieningen. De combinatie van satellietdata, open data, rekenmodellen en AI biedt inzichten die op geen andere manier zo efficiënt verkregen kunnen worden. Dit maakt datagedreven beslissingen mogelijk en helpt bij het visualiseren van complexe maatschappelijke vraagstukken.
Het gebruik van remote sensing gaat verder dan gewoon beeldvangen. Door verschillende soorten gegevens - radarbeelden (SAR) voor bodembeweging en kunnende toleranties, multispectraal en hyperspectraal voor materiaaleigenschappen, TROPOMI voor luchtvervuiling en Galileo voor navigatie - ontstaat een rijk fundament voor een geo-datafundament. Met digitale tweelingen en scenario-simulaties kan men beleidskeuzes beter onderbouwen en risico’s beter inschatten.
Een belangrijke boodschap uit deze ontwikkelingen is dat de data beschikbaarheid en connectiviteit tussen organisaties cruciaal zijn: Remote sensing-projecten leveren succes, maar vragen ook aandacht voor juridische, ethische en technische knelpunten en de noodzaak van betrokken stakeholders. Het is de moeite waard om te investeren in bredere adoptie van satellietdata, zodat beleidsmakers de toegevoegde waarde herkennen en infrastructuur en milieu beter kunnen beschermen.
Toepassingen in de praktijk en toekomstperspectief
De melding van satellietdata in de openbare viewer van het Copernicus-programma biedt gebruikers toegang tot ten minste tien jaar aan beelden. In deel twee van de Ezinge-blogserie wordt uitgelegd hoe NDVI, hoogte-informatie en AI worden ingezet om groene daken te ontdekken en te monitoren, inclusief privacyoverwegingen en de noodzaak om misverstanden te voorkomen (bijvoorbeeld bomen die over daken groeien).
Door veranderingen in hoogte en structuur te analyseren kan men aangeven waar vegetatie gegroeid is of juist minder gezond is geworden. Het combineren van satellietbeelden met open data en rekenmodellen stelt gemeenten en netbeheerders in staat om anticiperende maatregelen te nemen en de veiligheid te waarborgen.
Samenvattend bieden satellietdata, radar- en multispectrale beelden, en AI-kunstmatige intelligentie krachtige mogelijkheden voor monitoring van zon-energie-infrastructuur, stedelijke groenvoorzieningen en infrastructuur in bredere zin. Dankzij geavanceerde sensoren, betere resolutie en hogere beschikbaarheid kunnen inzichten sneller en met grotere nauwkeurigheid worden toegepast in beleid en operaties.
| Model | Type | Top-prestaties | Toepassing |
|---|---|---|---|
| Xception | CNN | Hoogste F1-score met full transfer learning | Detectie van zonnepanelen op luchtfoto’s |
| VGG16 | CNN | Goede generalisatie | Detectie van vegetatie en daken |