Remote sensing waterstand

In 2022 en 2023 bouwden Witteveen+Bos, Deltares en TU Delft met elkaar aan een machine learning model dat afwijkend scheepsgedrag kan detecteren. Het project werd ondersteund door DigiShape seedmoney (2022) en uitgevoerd door TU student Bart van Engelen.

Het project is gebaseerd op een historische AIS-dataset, die gegevens over het gedrag van schepen bevat. Deze data zijn in bezit van Rijkswaterstaat en vertrouwelijk, maar kunnen onder bepaalde voorwaarden wel gebruikt worden om bijvoorbeeld scheepsgedrag te analyseren.

Tijdens het onderzoek zijn er uit de AIS-data 'trips' (dus trajecten van schepen) geanalyseerd, waarbij met behulp van machine learning algoritmen verschillende clusters van scheepsgedrag zijn gemaakt. Denk aan schepen die een bepaalde kant op voeren, een bepaalde afstand tot een kunstwerk hadden of een bepaalde onderdoorgang gebruikten. 

Doordat dit 'normale' scheepsgedrag met behulp van machine learning in beeld is gebracht, is er nu ook potentie om afwijkend gedrag in de data te vinden. Denk aan bijna-ongevallen doordat schepen te dicht langs een kunstwerk zijn gevaren. Tijdens het onderzoek zijn er twee van dit soort afwijkende situaties gevonden, waarbij er vermoedelijk een ongeval of een bijna-ongeval heeft plaatsgevonden, dat niet bij de autoriteiten gemeld is. Doordat je bij machine learning veel meer data tegelijk kunt analyseren dan bij traditionele modellering, is het ook mogelijk om bij deze twee specifieke gevallen terug te gaan in de data om te kijken wat voor gedrag de schepen vlak voor de verdachte situatie hebben vertoond. Denk aan het maken van een afwijkende bocht of snel afremmen.

Bijna ongevallen en ander afwijkend gedrag sneller signaleren

Door historische AIS-data te analyseren kunnen dus bijna-ongevallen, die vaak niet gemeld worden, in de toekomst sneller worden geidentificeerd. Dit helpt beheerders om potentieel gevaarlijke situaties op de vaarweg tijdig te signaleren. Ook de effecten van maatregelen op het gedrag van schepen, zoals het plaatsen van nieuwe snelheidsborden langs de waterkant, kunnen op deze manier in beeld worden gebracht.

Om de machine learning algoritmen die zijn ontwikkeld ook daadwerkelijk in de praktijk toe te passen, zijn nog wel wat slagen nodig. De basis is nu (eind 2023) gelegd met het afstuderen van Bart van Engelen. In december 2023 gaat een nieuwe student met het onderzoek verder, waarbij de focus ligt op de Noordzee.

Rapport en code

  • Meer informatie over het onderzoek en de ontwikkelde code is op te vragen via Dit e-mailadres wordt beveiligd tegen spambots. JavaScript dient ingeschakeld te zijn om het te bekijken. van Witteveen+Bos.
  • Lees ook het interview met Lex de Boom en Bart van Engelen dd 15 februari 2023

Contactpersonen

Lex de Boom, nautical specalist bij Witteveen + Bos

Fedor Baart, wetenschapper en innovatie bij Deltares

Sluis

Door nieuwe technologische ontwikkelingen is het zeker dat we op een andere manier gaan varen. Maar hoe dat er precies uitziet, en welke gevolgen dat heeft voor onze infrastructuur, daar is nog geen eenduidig beeld over. Om hier een gezamenlijke aanpak voor te ontwikkelen, moeten we heel nauw samenwerken als watersector. Dat doen we binnen DigiShape.

Tom van der Schelde (RWS), programmalijn trekker Water en Logistiek

Programmalijn Water en Logistiek