ľ¹Ï¸£ÀûÓ°ÊÓ

Getijdengebieden behoren tot de meest dynamische en ecologisch rijke kustgebieden ter wereld. Ze bieden leefgebied en voedsel voor trekvogels, vissen en diverse benthische gemeenschappen. Toch worden deze kwetsbare ecosystemen steeds meer bedreigd door klimaatverandering en kustontwikkeling. Voor hun bescherming is continue monitoring noodzakelijk, maar traditioneel veldonderzoek is kostbaar en beperkt in omvang. Dit proefschrift onderzoekt hoe satellietwaarnemingen, gecombineerd met moderne kunstmatige intelligentie, de monitoring en het begrip van getijdengebieden kunnen verbeteren. 

Met behulp van deep learning, en specifiek een methode genaamd auto-encoders, worden verborgen patronen uit satellietbeelden gehaald die verder gaan dan wat het menselijk oog of standaardanalyses kunnen waarnemen. Deze kenmerken maken het mogelijk om ecologische indicatoren, zoals sedimenteigenschappen en benthische gemeenschappen, nauwkeuriger te voorspellen. In combinatie met Object-Based Image Analysis (OBIA), waarbij pixels worden gegroepeerd tot ruimtelijk betekenisvolle eenheden, levert deze aanpak diepere inzichten op in soortverspreidingen en milieuveranderingen. 

Het proefschrift onderzoekt ook hoe goed deze modellen functioneren over verschillende tijdsperioden, datasets en locaties. De resultaten laten zien dat voorspellingen goed overdraagbaar zijn tussen seizoenen en datasets, maar dat toepassing op geheel nieuwe locaties een uitdaging blijft. Seizoensanalyses tonen aan dat sediment en benthische gemeenschappen relatief stabiel zijn, terwijl chlorofyl-a (een maat voor primaire productiviteit) duidelijke seizoenscycli vertoont. 

Door deep learning, OBIA en remote sensing te combineren, biedt dit onderzoek nieuwe, kosteneffectieve manieren om getijdengebieden te monitoren. De bevindingen benadrukken zowel de mogelijkheden als de beperkingen van AI-gedreven benaderingen en vormen een basis voor slimmere strategieën om deze kwetsbare kustecosystemen te beschermen.