De meest gebruikte methode voor de taxonomische identificatie van boomstammen is houtanatomie. Het aantal experts met deze langdurige opleiding neemt echter af, terwijl de technologie zich intussen verder ontwikkelt. Houtanatomen van Naturalis en computerwetenschappers van het Leidse LIACS bundelen daarom hun krachten voor een computerondersteund hulpmiddel voor hout-identificatie.
Houtanatomen en computerwetenschappersbundelen hun krachten
Van het landoppervlak op aarde wordt dertig procent bedekt door bossen. Dit vertegenwoordigt ongeveer vier miljard hectare en drie biljoen bomen. In de afgelopen vijftien jaar zijn er wereldwijd bosgebieden verloren gegaan vergelijkbaar met het gecombineerde oppervlak van Frankrijk, Spanje en het Verenigd Koninkrijk. De impact hiervan heeft tot grote bezorgdheid geleid. Door dit verlies vermindert de koolstofopslag van bossen – één van onze belangrijkste buffers van CO2 die onttrokken wordt uit de atmosfeer – en krijgt de biodiversiteit rake klappen. Uit recente evaluaties van wereldwijde boskap blijkt dat de ontbossing in de tropen momenteel in een nog zorgwekkender tempo plaatsvindt als gevolg van niet-duurzame landbouw, mijnbouw en illegale houtkap. Illegale houtkap leidt echter zelden tot vervolging doordat er weinig efficiënte forensische hulpmiddelen beschikbaar zijn voor de identificatie van hout.
De meest gebruikte methode voor de taxonomische identificatie van boomstammen is nog altijd houtanatomie. Om hierin expert te worden is echter een jarenlange opleiding vereist, en er zijn steeds minder houtanatomen met ruime ervaring. Bovendien kunnen houtanatomen over het algemeen hout identificeren op het niveau van het geslacht – niet van de soort – terwijl op grond van de Overeenkomst inzake de internationale handel in bedreigde in het wild levende dier- en plantensoorten (CITES) vaak een identificatie op soortniveau is vereist. Daarom bundelen houtanatomen en computerwetenschappers nu hun krachten om via computerondersteuning van microscopische houtfoto’s snellere en nauwkeurigere manieren te realiseren voor de identificatie van houtsoorten.
Classificatieop soortniveau
Op basis van een bestaande database van microscopische beelden van dwarsdoorsneden (onderstaande figuren A en B), met voor elk van de 112 onderzochte houtsoorten twintig microscopische afbeeldingen, hebben de onderzoekers de beelden geclassificeerd op soortniveau aan de hand van computergegeneerde kenmerken (onderstaande figuren C t/m F) die vergeleken werden met een meer geavanceerde methode op basis van Deep Learning oftewel Convolutional Neural Networks (CNN's). Dankzij de Deep Learning-aanpak is het herkenningspercentage van de soorten toegenomen tot maar liefst 96,4 procent. Dit biedt mogelijkheden om de beschikbare fotodataset uit te breiden met nieuwe beelden van dwars- en lengtedoorsneden van alle boomsoorten die op de CITES-lijst voorkomen, en de soorten die houtanatomisch sterke gelijkenissen vertonen met de CITES-soorten. Dankzij deze nieuwe referentiedatabase kan in de toekomst een hulpmiddel worden ontwikkeld waarmee douanebeambten en andere belanghebbenden – zelfs nog beter dan ervaren deskundigen op het gebied van de houtanatomie – een blokje hout kunnen identificeren.
Meerinformatie
- Lees voor meer informatie het gehele artikel: Computer-assisted timber identification based on features extracted from microscopic wood sections.
- Tekst: Frederic Lens, Mehrdad Jahanbanifard en Barbara Gravendeel, Naturalis Biodiversity Center & Fons Verbeek, Leiden Institute of Advanced Computer Science, LIACS, Universiteit Leiden
- Foto's: Getty Images; Naturalis