
Wageningse expertises maatgevend bij automatisering zeevogeltellingen
2 april 2026
Keer op keer blijkt hoe het unieke ecosysteem van Wageningen Universiteit & Research en Vision+Robotics het verschil maakt in nationale en internationale onderzoeken. Op land, maar zeker ook op zee. Zo blijkt ook uit de resultaten van het PPS-project AI-MEG.
Eind 2025 rondden Wageningse onderzoekers het bijna vier jaar lopende project AI-MEG af. Of eigenlijk AI-MEG-I, want dankzij de goede resultaten is Rijkswaterstaat voornemens om opdracht te geven voor AI-MEG-II. Wat die resultaten zo bijzonder maakt, vragen we aan Martin Poot, onderzoeker bij Wageningen Marine Research en Lydia Meesters van Wageningen Food & Biobased Research.
“AI-MEG-I was een PPS-project in opdracht van TKI Agri & Food samen met Gemini windpark, waarbij TKI staat voor Topconsortium voor Kennis en Innovatie (TKI). Het doel van het project was het ontwikkelen van een AI-model voor de detectie en identificatie van zeevogels en zeezoogdieren met hoge-resolutiebeelden van digitale camera’s. Deze beelden waren afkomstig van twee digitaal uitgevoerde aerial monitoringsprojecten van twee offshore windparken in de Nederlandse Noordzee. De nadruk lag op hoge resolutie beelden en deep learning om de efficiëntie, nauwkeurigheid en kosteneffectiviteit te vergroten,” zegt Martin Poot, ecoloog en ornitholoog bij Wageningen Marine Research.
“Het in kaart brengen en monitoren van zeevogel- en zeezoogdierpopulaties vanuit een vliegtuig is een hele tijdrovende en ook inspannende klus. Gewoonlijk zit je als ecoloog een aantal uren in een vliegtuig dat 200 kilometer per uur vliegt op 75 meter hoogte. Terwijl de piloot zogeheten transecten volgt, tel jij visueel het aantal zeevogels of zeezoogdieren op het wateroppervlak dat als op een sneldraaiende lopende band onder je doorschuift. Op een dictafoon spreek je in welke soorten je waarneemt en hoeveel dieren je per soort ziet. En dat ook nog in verschillende afstandsbanden, zodat later kan worden gecorrigeerd voor detectieverlies, waarnemerseffecten en zichtomstandigheden.
Hiervoor moet je al een zeer goede ornitholoog zijn, en je kunt je voorstellen hoe inspannend dit werk is. Zeker bij soorten zoals de zeekoet, die door hun donkere verenkleed lastig waar te nemen zijn, is het duidelijk dat ook vogels worden gemist. Verschillende waarnemers doen bovendien verschillende waarnemingen, met name bij grote groepen vogels. Daar speelt altijd een onbekende telfout mee, waarbij een zeldzame soort in een grote groep gemakkelijk over het hoofd wordt gezien.
De Noordzee op deze manier afvliegen kost drie dagen, en dan heb je nog maar 1,5 tot 2 procent van het totale oppervlak in kaart gebracht. Voor de rest van het oppervlak interpoleren we de verkregen data, waarbij we er rekening mee moeten houden dat individuele vogels niet dubbel worden geteld. Daarnaast is deze manier van werken gevaarlijk. Ik heb een keer een bijna botsing met een gasplatform meegemaakt. Om veiligheidsredenen kunnen en mogen we populaties binnen windparken op zee niet meer op de visuele manier – waarbij laag gevlogen moet worden – in kaart brengen. Terwijl windparken juist relevant zijn als het gaat om de impact ervan op zeevogel- en zeezoogdierpopulaties.”


Hoge resolutie camera’s en algoritmes
Hoe kun je populaties beter, sneller en vooral veiliger in kaart brengen, en tegelijkertijd de nauwkeurigheid en kwaliteit van data vergroten? Daarvoor werkten Martin Poot, Lydia Meesters en andere onderzoekers samen met windpark Gemini op de Noordzee, met het ministerie van Landbouw, Visserij, Voedselzekerheid en Natuur (LVVN) en met Rijkswaterstaat (RWS).
Meesters: “Binnen windpark Gemini, ten noorden van Schiermonnikoog, en windpark Borssele gingen we aan de slag met gegevens die waren verzameld door vliegtuigen met hoge resolutiecamera’s voor automatische digitale waarnemingen. De vliegtuigen die hiervoor worden ingezet, hebben vier hoge resolutie RGB-camera’s in een opening in de bodem van het toestel, waarmee waarnemingen kunnen worden verzameld op 500 meter hoogte. Dit betekent dat op deze manier wél gegevens kunnen worden verzameld binnen windparken, omdat deze vliegtuigen over de hoogste windturbines kunnen vliegen.
De sensoren van die camera’s zijn speciaal ontworpen voor beelden van ongeveer 6.000 bij 2.000 pixels. We gebruiken vier camera’s, omdat een transect te groot is om met één camera in beeld te brengen. We analyseren overigens video met ongeveer 7 frames per seconde, omdat je de waargenomen dieren moet tracken om dubbeltellingen te vermijden. Het AI-model moet uiteindelijk, net als een waarnemer, niet alleen met een soortenlijst komen, maar ook met een zo nauwkeurig mogelijk totaalaantal.
De verkregen beelden zijn vervolgens geannoteerd door experts van het Duitse BioConsult SH. Ofwel: waar zijn de vogels en welke soorten zijn op welke beelden te zien? Die data zijn gebruikt om deep learning-modellen te ontwikkelen waarmee camerabeelden volledig automatisch kunnen worden geanalyseerd en soorten automatisch kunnen worden geclassificeerd en geteld. Dat is het uiteindelijke doel.”
Al 90 procent automatisch detecteerbaar
Meesters: “Hoewel we klein zijn begonnen, zagen we op basis van de eerste resultaten meteen al veel interesse in ons model. Dat model kan zeevogels op het zeeoppervlak automatisch tellen én classificeren. Op dit moment is het model geschikt voor 12 vogelsoorten en kunnen we tot 90 procent van de waargenomen vogels van die 12 soorten automatisch detecteren op een kalm zeeoppervlak. Sommige soorten kunnen we ook al goed classificeren en andere nog niet. De beste classificatie voor een van de 12 soorten is momenteel 93 procent. Dat is echt al een ontzettend goede score met een zeer beperkte dataset.
We maken namelijk een AI-model dat het hele proces automatiseert, en daarbij ontstaat altijd een bepaalde foutmarge. Er bestaat soms de misvatting dat een AI‑model geen fouten kan of mag maken. Je moet vertrouwen krijgen in zo’n model en accepteren dat het resultaat niet altijd 100 procent is.”
Als ecoloog was Poot aanvankelijk, net als velen in de sector, sceptisch over de mogelijkheid om zeevogels op het wateroppervlak te detecteren en classificeren met behulp van vision technologie en kunstmatige intelligentie. “Zeker op een zee die altijd in beweging is, waar witte schuimkragen en donkere verenkleden identificatie sterk bemoeilijken. De kracht en potentie van AI hebben mij toch verrast, mits je voldoende data hebt en het qua analyses slim aanpakt. Qua uitvoering geloof ik dat we inmiddels van de meest algemene soorten al een AI-model hebben dat reproduceerbaar en betrouwbaar is. Het is een echte verbetering en het biedt mogelijkheden om veel meer en gerichter onderzoek te doen. Wat dat betreft is dit vanuit wetenschappelijk oogpunt een geweldige revolutie.”
Waarom blinkt WUR uit in dit type projecten?
“Voor mij is het glashelder waarom we bij WUR en Vision+Robotics uitblinken in een PPS-project als dit. Dat is omdat het expertiseniveau dat voor dit type onderzoek nodig is, alleen bij ons te vinden is”, zegt Poot. “Wij hebben als enige de faciliteiten, de knowhow en de kennisbundeling in huis om dit soort projecten uit te voeren. Er zijn zeker ook andere partijen in de markt die hiermee bezig zijn. Wij denken dat uiteindelijk ook de markt baat heeft bij een dergelijke tool, mits die met de beste hardware en faciliteiten publiekelijk beschikbaar komt. We nodigen externe partijen daarom nadrukkelijk uit om bij ons project aan te haken en de krachten te bundelen. Dat wordt erkend in de markt. Daarom krijgen we ook mandaten van opdrachtgevers zoals Rijkswaterstaat en vanuit de overheid, waarbij ook marktpartijen een rol hebben en zullen krijgen.”
“Wij kunnen relatief complexe problemen aanpakken dankzij onze contacten en ons netwerk, en omdat we alle disciplines en expertises aan boord hebben”, vult Meesters aan. “Modellen maken kan elk bedrijf en elk instituut wel. Wat ons vooral onderscheidt, is de nauwe samenwerking tussen onze AI‑experts en de mariene biologen die de ecologische kennis inbrengen. Die combinatie maakt dat we niet alleen sterke AI‑modellen kunnen bouwen, maar ook precies weten welke biologische informatie essentieel is voor een bruikbare toepassing.
Zo hebben we in het geval van AI-MEG-I laten zien wat er kan met relatief kleine hoeveelheden data. Dat schept vertrouwen bij opdrachtgevers en heeft er inmiddels toe geleid dat Rijkswaterstaat een tweede project wil: AI-MEG-II.”
Poot: “We willen naar meer dan 12 vogelsoorten toe en de potentie van de ontwikkelde systematiek ook benutten voor het waarnemen en classificeren van zeezoogdieren. En omdat de soortenrijkdom van met name deze laatste groep in de Noordzee relatief beperkt is, willen we internationaal uitbreiden.”
Het kan nog duurzamer en veiliger
Poot is dankzij het succes van het AI-MEG-I-project inmiddels overtuigd van de voordelen van vision en kunstmatige intelligentie voor vogeltellingen op zee. “Als menselijke waarnemer mis je vermoedelijk meer vogels dan een camera ooit zal missen. Bovendien wordt een camera nooit moe en nemen het waarnemingsvermogen en de accuratesse ervan gedurende een vlucht niet af. De data zijn daarnaast reproduceerbaar en door hoger te vliegen, kun je tóch waarnemingen doen binnen windparken. Dat is belangrijk, zeker voor een soort als de zeekoet, die het talrijkst is in ons deel van de Noordzee, en omdat we weten dat windparken impact hebben op de populatie van deze soort.”
Lydia Meesters: “Wat mij betreft is de grootste impact van ons onderzoek dat menselijke waarnemers nog maar beperkt nodig zijn. We blijven een human in the loop nodig hebben, ofwel een mens die op cruciale momenten de automatische detectie en classificatie controleert. Deze menselijke stap zorgt voor kwaliteitsborging en voorkomt dat fouten ongemerkt door het systeem gaan. Maar de arbeidsintensieve tussenstap waarin mensen handmatig de volledige dataset annoteren, kunnen we er wel tussenuit halen. Persoonlijk ben ik toch steeds weer verbaasd hoe je menselijke inspanningen vaak vrij eenvoudig kunt automatiseren met behulp van AI.”
Martin Poot: “Een vervolgstap kan zijn om met drones te gaan vliegen. Moderne drones kunnen dezelfde cameratechniek dragen en lang genoeg – tot wel 8 uur – vliegen. Daarmee kun je de waarnemingen nog veiliger en bovendien duurzamer uitvoeren. Al blijf ik er wel voor pleiten om de validatievluchten met menselijke waarnemers in stand te houden, zodat we als ecologen feeling blijven houden met wat er buiten gebeurt.”
