Gepubliceerd op 13 juli 2026
Kan artificiële intelligentie niet alleen leren hoe een landschap eruitziet, maar ook hoe het verandert en reageert op zijn omgeving? Het DEEPVEEG-project onderzocht deze vraag door drie belangrijke uitdagingen aan te pakken: satellietbeelden genereren die er visueel overtuigend uitzien, ervoor zorgen dat die beelden ook ecologisch plausibel zijn, en AI leren hoe landschappen doorheen de tijd evolueren. De resultaten tonen zowel het potentieel van generatieve AI voor aardobservatie als de uitdagingen die nog moeten worden overwonnen voordat deze technologie ons kan helpen om veranderingen in ecosystemen op een betrouwbare manier te voorspellen.
Doelstellingen van het DEEPVEEG-project
Klimaatverandering kan invloed hebben op het groeiseizoen van planten, op het herstel van landschappen na droogte en op de gebieden waar landbouwteelten productief blijven. Dankzij satellietwaarnemingen kunnen we dergelijke veranderingen wereldwijd opvolgen. Maar kunnen we nog een stap verder gaan en satellietwaarnemingen uit het verleden gebruiken om te achterhalen hoe ecosystemen zouden kunnen reageren op toekomstige milieuomstandigheden?
Het DEEPVEEG-project onderzocht of artificiële intelligentie kan helpen om deze stap te zetten. De onderzoekers ontwikkelden AI-modellen die satellietbeelden combineren met klimaat- en milieugegevens om plausibele voorstellingen te genereren van hoe een landschap er onder bepaalde omstandigheden zou kunnen uitzien.
Dit is een vorm van generatieve AI: artificiële intelligentie die patronen en verbanden leert herkennen in bestaande gegevens en die kennis gebruikt om nieuwe voorbeelden te genereren. DEEPVEEG ging echter verder dan het louter creëren van realistisch ogende satellietbeelden. Het project onderzocht of deze modellen ook betekenisvolle verbanden tussen milieuomstandigheden en vegetatie kunnen weergeven. Op termijn zouden dergelijke technieken kunnen bijdragen aan uiteenlopende toepassingen, van de monitoring van vegetatie en landbouwgewassen tot het inschatten van klimaatrisico's.
AI aanleren hoe landschappen veranderen
Om dergelijke modellen te trainen, volstaan grote verzamelingen satellietbeelden niet. De AI moet ook weten onder welke milieuomstandigheden de waargenomen veranderingen plaatsvonden.
Het projectteam ontwikkelde daarom GeoClimaData (Figuur 1), een dataset die reeksen Sentinel-2-beelden koppelt aan klimaat- en milieugegevens voor dezelfde locaties en tijdstippen. Waarnemingen over meerdere jaren werden samengebracht in lokale datakubussen, waarin tijdreeksen van satellietbeelden worden gecombineerd met meteorologische gegevens en statische informatie, zoals terreinkenmerken.
Maar een beeld produceren dat er realistisch uitziet, is niet voldoende. Een door AI gegenereerd landschap moet ook ecologisch geloofwaardig zijn. Daarom experimenteerden de onderzoekers met verschillende manieren om biofysische randvoorwaarden in hun modellen te integreren. Zo lieten ze de AI rekening houden met omgevingsvariabelen en pasten ze de training van de modellen aan om ecologisch relevante eigenschappen, zoals vegetatiekenmerken, mee in rekening te brengen. De experimenten bevestigden het belang van biofysische informatie om de stap te zetten van beelden die er enkel visueel overtuigend uitzien naar weergaven die ook ecologisch plausibel zijn.
De tijdsdimensie vormde een bijkomende uitdaging. Informatie over hoe een landschap in het verleden was geëvolueerd, verbeterde doorgaans de prestaties van de modellen. Maar de manier waarop meteorologische gegevens aan de AI werden aangeboden, bleek cruciaal. Wanneer klimaatgegevens te sterk werden samengevoegd over langere perioden, ging belangrijke variatie verloren en konden de modelprestaties zelfs verslechteren. De juiste tijdscontext en mate van detail kiezen, is dan ook essentieel om AI te leren hoe ecosystemen veranderen.
Het potentieel van deze AI-technieken reikt verder dan het modelleren van veranderingen in ecosystemen. In aanverwant onderzoek toonde het team aan dat AI gedetailleerde hyperspectrale informatie kan reconstrueren op basis van eenvoudigere satellietwaarnemingen. Dergelijke technieken zouden op termijn aanvullende informatie kunnen opleveren voor toepassingen zoals precisielandbouw en gewasmonitoring.
Figuur 1: Overzicht van de GeoClimaData-dataset, met de spreiding van de bemonsteringslocaties en de manier waarop multispectrale tijdreeksen van Sentinel-2 voor elke locatie worden gecombineerd met statische milieugegevens, zoals hoogtegegevens, en klimatologische tijdreeksen.
De uitdaging van satellietwaarnemingen in de praktijk
Het onderzoek bracht ook een belangrijk obstakel aan het licht. Veel traditionele generatieve AI-modellen presteren het best met relatief korte reeksen van waarnemingen die op regelmatige tijdstippen zijn verzameld. In werkelijkheid zijn satellietreeksen zelden zo netjes opgebouwd: ze kunnen vele jaren bestrijken en onregelmatige hiaten bevatten als gevolg van bewolking, de opnameplanning van satellieten of ontbrekende waarnemingen.
Om dit probleem aan te pakken, onderzocht het team zogenaamde transformermodellen. Transformers kunnen verschillende momenten binnen een tijdreeks met elkaar vergelijken en leren welke eerdere waarnemingen het meest relevant zijn. Dankzij hun vermogen om informatie over langere perioden met elkaar in verband te brengen en flexibeler om te gaan met onregelmatige waarnemingen, zijn ze bijzonder veelbelovend voor de analyse van tijdreeksen van aardobservatiegegevens.
Van veranderingen waarnemen naar erop anticiperen
De projectresultaten wekten belangstelling bij zowel onderzoekers als milieuagentschappen. De volgende uitdaging bestaat erin aan te tonen voor welke toepassingen deze methoden een duidelijke meerwaarde kunnen bieden bij operationele milieumonitoring en besluitvorming.
DEEPVEEG heeft nog geen systeem opgeleverd dat de toekomstige toestand van ecosystemen betrouwbaar kan voorspellen. Het project vormt wel een belangrijke stap naar het gebruik van AI om mogelijke plausibele reacties van ecosystemen op veranderende milieuomstandigheden te verkennen (Figuur 2).
Figuur 2: De resultaten van de tijdreeksvoorspellingen laten zien dat het transformer-model in staat is om zowel de ruimtelijke patronen als de onregelmatige patronen te reproduceren op basis van historische Sentinel-2-tijdreeksen
Door satellietwaarnemingen, klimaatinformatie en artificiële intelligentie samen te brengen, toont DEEPVEEG hoe aardobservatie in de toekomst meer zou kunnen doen dan veranderingen in het milieu achteraf in kaart brengen. Ze zou ons ook kunnen helpen om te verkennen wat er in de toekomst kan gebeuren en zo nieuwe inzichten aanreiken ter ondersteuning van milieubeleid en klimaatadaptatie.
Projectpartners
KU Leuven: Stef Lhermitte - Enrique Apolo Apolo - Wouter Strauven