AI gedreven detectie van wadi’s in stedelijke gebieden

Wadi’s vangen regenwater op, maar zijn nog onvoldoende in kaart gebracht. Dit project gebruikt AI om ze automatisch te herkennen en hun beheer te ondersteunen.

Centre of Expertise Digital Operations & Finance

Nederlandse gemeenten moeten volgens het Deltaplan Ruimtelijke Adaptatie (DPRA) in 2050 klimaatbestendig en waterrobuust zijn. Wadi’s (Water Afvoer, Drainage en Infiltratie) spelen hierin een belangrijke rol: deze begroeide voorzieningen vangen regenwater op en laten het in de bodem wegzakken. Ze behoren tot de meest toegepaste klimaatadaptatiemaatregelen in stedelijk gebied, maar registratie is niet wettelijk verplicht. Wadi’s worden nu handmatig in kaart gebracht in een geografisch informatiesysteem (GIS). Dat kost veel tijd en levert een onvolledig overzicht op, waarbij vooral wadi’s op particulier terrein buiten beeld blijven.

De Haagse Hogeschool (lectoraat Smart Sensor Systems) ontwikkelt samen met de Hanzehogeschool en de gemeente Nijmegen AI-modellen die wadi’s en hun belangrijkste onderdelen automatisch herkennen en afbakenen. Hiervoor gebruiken de modellen openbaar beschikbare hoogtegegevens (AHN-4/5, verzameld met lasermetingen) en landsdekkende, geometrisch gecorrigeerde luchtfoto’s (orthofoto’s). De gevonden wadi’s worden samen met hun onderhoudsrelevante kenmerken opgenomen in ClimateScan, de grootste open database voor klimaatadaptatiemaatregelen in Nederland.

Doel

Het doel is om AI-modellen te ontwikkelen en te toetsen die stedelijke wadi’s in heel Nederland in kaart kunnen brengen. Met uitsluitend openbare hoogtegegevens (AHN-4/5) en luchtfoto’s (orthofoto’s) bepalen deze modellen waar wadi’s liggen, wat hun grenzen zijn en welke kenmerken relevant zijn voor het onderhoud.

Probleemstelling

Hoe kunnen we deep learning efficiënt inzetten om wadi’s automatisch te herkennen in openbare gegevens, met een methode die ook op grote schaal toepasbaar is? En welke aanpak levert de meest nauwkeurige en bruikbare resultaten op voor overheden en bedrijven?

Daarbij staan twee deelvragen centraal:

Welk type AI-model brengt de grenzen van wadi’s het beste in kaart: U-Net, dat beelden indeelt in categorieën zoals ‘wadi’ en ‘geen wadi’, of Mask R-CNN, dat afzonderlijke wadi’s herkent en afbakent?
Hoe kunnen we hoogtegegevens en luchtfoto’s het beste combineren: door ze samen aan het model aan te bieden, of door wadi’s eerst op luchtfoto’s te herkennen en de resultaten daarna met hoogtegegevens te controleren en te verfijnen?

Beoogde resultaten

Een dataset waarin de locaties en grenzen van wadi’s in Lent (Nijmegen) zijn vastgelegd en gelabeld, gekoppeld aan gegevens uit het Actueel Hoogtebestand Nederland (AHN).
Vier getrainde AI-modellen die wadi’s automatisch herkennen en hun kenmerken bepalen.
Een vergelijking van de prestaties van de modellen en de selectie van het best presterende model.
Integratie van de gedetecteerde wadi’s en hun kenmerken in ClimateScan.
Open-source modelcode, zodat andere onderzoekers de aanpak kunnen gebruiken en verder ontwikkelen.
Een ingediend artikel voor een vakblad of conferentie om de onderzoeksresultaten te delen.

Looptijd

1 april 2026 tot - 31 maart 2027

Team

De Haagse Hogeschool – AI-partner
Lectoraat Smart Sensor Systems

John Bolte – lector Smart Sensor Systems
Amey Vasulkar – projectverantwoordelijke vanuit De Haagse Hogeschool en senior onderzoeker, verantwoordelijk voor de ontwikkeling van AI-modellen

Hanzehogeschool Groningen – projectleiding
Lectoraat Klimaatadaptatie, Kenniscentrum Noorderruimte

Aaron Sibma – projectleider.
Eelco Verschelling – medeprojectleider en onderzoeker.
Floris Boogaard – lector Klimaatadaptatie.

Gemeente Nijmegen – praktijkpartner

Bart Tromp – onderzoeker, datavoorbereiding en validatie.
Sidney Stax – contactpersoon vanuit de gemeente.

Partners

Hanzehogeschool Groningen – penvoerder, Lectoraat Klimaatadaptatie, Kenniscentrum Noorderruimte.
De Haagse Hogeschool – ontwikkeling van AI-modellen, Lectoraat Smart Sensor Systems.
Gemeente Nijmegen – praktijkpartner en dataleverancier.
RobbytuProjects – IT-partner, ontwikkelt en onderhoudt het ClimateScan-platform.
Donkergroen – ontwerp en aanleg van klimaatadaptatiemaatregelen; levert honderden referentieprojecten met wadi’s verspreid over Nederland.