In de haven van Rotterdam heeft slecht zicht direct impact op de activiteiten. Bij beperkt zicht, bijvoorbeeld door mist, mogen sleepboten niet meer uitvaren. Hoe eerder dit bekend is, hoe beter het Havenbedrijf daarop kan sturen. Met het DigiShape seedmoney project PortVision werken HKV Lijn in Water, Havenbedrijf Rotterdam en Pythia Energy Intelligence aan een AI-model dat zichtcondities tot 12 uur vooruit kan voorspellen. We spraken projectleider Jochem Caspers van HKV over de eerste resultaten en de stappen richting toepassing in de praktijk.
“Het idee voor PortVision ontstond naar aanleiding van de DigiShape seedmoney call in 2025,” vertelt Jochem. “Om in aanmerking te komen voor seedmoney moet je met minimaal één andere DigiShape partner samenwerken, dus gingen wij met Havenbedrijf Rotterdam in gesprek om te inventariseren wat we met data en AI voor hen zouden kunnen toevoegen. We keken eerst breed naar waterstanden en andere hydrodynamische variabelen, maar al gauw bleek dat er een grote behoefte lag in het voorspellen van zicht. Dat wordt namelijk wel realtime gemeten, maar is nog lastig te voorspellen.”
Meerdere sectoren hebben belang bij voorspellen zicht
Tijdens de pitch in oktober bij de DigiShape dag in Delft, bleek dat meer sectoren met dit probleem worstelen. “Mist speelt niet alleen in de haven, maar ook op zee, op de weg en in de energiesector. Dat gaf ons het vertrouwen dat dit een relevant onderwerp is om in te investeren en het project won dan ook €10.000,- aan seedmoney.”
Met de seedmoney konden de projectpartners HKV, Havenbedrijf Rotterdam en Pythia Energy Intelligence direct gaan bouwen aan een eerste modelopzet. “Dat is het mooie van seedmoney,” zegt Jochem. “Je hoeft niet eerst een groot traject op te tuigen, maar gaat snel van idee naar uitvoering.” HKV bracht modelkennis en ervaring met data-analyse in, het Havenbedrijf leverde de praktijkvraag en lokale zichtmetingen en Pythia droeg bij met expertise in dataverwerking en modellering. Deze data is aangevuld met data van een KNMI meetstation.
Van meten naar voorspellen
“De eerste stap was het in kaart brengen van beschikbare data.” De zichtmetingen van het Havenbedrijf Rotterdam, over een periode van 20 jaar, vormden de basis, aangevuld met meteorologische data zoals wind, temperatuur, luchtvochtigheid en luchtdruk. ”Op basis daarvan hebben we met onze modellen geprobeerd de metingen met deeplearning te vertalen naar betrouwbare voorspellingen.”
Uit de eerste analyses bleek dat zicht sterk lokaal bepaald is. “We hebben gewerkt met meetpunten door het hele havengebied tot tientallen kilometers afstand van elkaar, en dan zie je dat het beeld sterk kan verschillen. Dat maakt het voorspellen van zicht veel complexer dan bijvoorbeeld waterstanden of wind.”
Van regressiemodel naar classificatiemodel
Jochem beschrijft hoe de modelleurs het project hebben aangepakt: “We zijn begonnen met het combineren van zichtmetingen van het Havenbedrijf en meteorologische data van het KNMI. Eerst hebben we regressiemodellen getest om een exacte zichtwaarde te voorspellen. Dit bleek lastig en ook het detailniveau sloot niet goed aan op de praktijk van het havenbedrijf. Daarom zijn we overgestapt op classificatiemodellen, waarbij we werken met een aantal klassen, bijvoorbeeld wel of geen operationele beperking.
Vervolgens hebben we verschillende modeltypen geprobeerd, zoals ‘TemporalFusionTransformer’en’TabularLogisticRegression’. Daarmee konden we vrij snel een eerste werkend model bouwen. Wat je ziet, is dat de overgang van goed naar slecht zicht vaak wordt opgepikt. Voor dat onderscheid zitten we rond de 90 procent nauwkeurigheid bij een voorspelling van 3 uur vooruit.”
De grootste uitdaging zit volgens Jochem in de tijd en ruimte. “Eén uur vooruit voorspellen gaat goed, maar richting zes tot twaalf uur neemt de onzekerheid toe. En we werken nu nog met puntlocaties, terwijl je eigenlijk een gebiedsdekkend beeld wilt. De volgende stap is daarom om naar een grid te gaan, zodat je ook ruimtelijke verschillen beter meeneemt.”
Welke stappen zijn nodig voor een toepassing in de praktijk?
Inmiddels hebben de projectpartners een proof of concept dat laat zien dat het kan. De vraag is nu: is dit goed genoeg voor de praktijk? “Daarover zijn we met het Havenbedrijf in gesprek. Ze reageren positief op onze resultaten en we hebben een aantal mogelijkheden besproken ter uitbreiding en verbetering. Ook meer validatie is gewenst.”
Er zijn ook gesprekken met Rijkswaterstaat. “Bij Rijkswaterstaat wordt zichtinformatie nu soms nog opgehaald door simpelweg een schip te bellen en te vragen hoe het zicht is. Dat werkt, maar laat ook zien dat er nog veel te winnen is. En als het KNMI met dit soort modellen minder zichtsensoren hoeft te plaatsen, ontstaat er een duidelijke business case.”
Ook voor de energiesector kan beter inzicht in mist van waarde zijn. “Mist heeft direct invloed op zonneproductie. Als je dat beter kunt voorspellen, kun je ook opbrengsten beter inschatten.” Voor Pythia Intelligence was dat een belangrijke reden om aan te haken. “Hier zie je dat je met dezelfde data en modellen meerdere toepassingen kunt bedienen.”
Technisch moet het model nog verder worden geoperationaliseerd: automatisch ophalen van meteorologische verwachtingen, maken van zichtvoorspellingen en ontsluiting via een dashboard of API.
DigiShape Seedmoney versnelt innovatie
Op de vraag of dit onderzoek ook zonder seedmoney was uitgevoerd, is Jochem nuchter. “Waarschijnlijk wel, maar niet op deze manier en niet in dit tempo,” zegt hij. “Binnen HKV hebben we ruimte om dit soort ideeën te verkennen, maar seedmoney helpt om het concreet te maken en samen met partners op te pakken. We zijn met Havenbedrijf Rotterdam hierover in gesprek geraakt, doordat we allebei DigiShape partners zijn. Dat is voor ons een grote toegevoegde waarde van DigiShape.”
Meer weten of aanhaken
Werk jij aan vraagstukken rondom zicht, sensoren of voorspellende modellen? Of zie je kansen om dit soort toepassingen verder te brengen binnen jouw organisatie? Neem contact op met Jochem Caspers via J.Caspers@hkv.nl of Sophie de Roda Husman via S.deRodaHusman@hkv.nl.
