Goed Nieuws op Social Meda

Slim

Met big data ontbossing bestrijden

Het Wereld Natuur Fonds (WWF) ontwikkelt een te gekke en hypermoderne methode om illegale houtkap tegen te gaan. Met satellieten, big data en early warning systems zijn ze de houthakkers binnenkort hopelijk te snel af. Lees gauw hoe dit in z’n werk gaat.

Ontbossing tegengaan met een Early Warning System

Ontbossing is een van de grootste bedreigingen voor de natuur. Voor het WWF is het nog steeds een enorme uitdaging om daar tegen te strijden. Maar als ze kunnen voorspellen wanneer het bos illegaal gekapt gaat worden, dan kan op tijd worden ingegrepen. Of de ontbossing zelfs voorkomen.

Ingrijpen vóór de ontbossing

Er bestaan technische programma’s en modellen om ontbossing tegen te gaan. Zo’n programma geeft een waarschuwing als het kappen van bomen begint. Maar jammer genoeg is het dan eigenlijk al te laat. Daarom werkt WWF aan een model dat illegale ontbossing kan voorspellen, voordat de bomen gekapt worden. Dat doen ze samen met overheden, lokale bevolking en de private sector.

Early Warning System

Dit nieuwe model heet een Early Warning System (EWS), en het kan big data zoals satellietbeelden en menselijke activiteit aan elkaar verbinden. Bijvoorbeeld als er ergens een weg wordt aangelegd, dan zou het kunnen zijn dat dit een toegangsweg wordt voor machines die bomen gaan omkappen. Met satellietbeelden kunnen ze dat zien. Het systeem geeft vervolgens een melding aan alle relevante personen. Die kunnen op tijd actie ondernemen om de ontbossing te voorkomen.

In deze Engelstalige video legt projectleider Jorn Dallinga kort uit hoe het systeem werkt. Voor de liefhebbers van detail en achtergrond is er nog een mooi Engelstalig document beschikbaar.

Foto door Dan Smedley – Unsplash

Hoe ver zijn we nu?

Er is een model ontwikkeld dat ontbossing zes maanden van tevoren kan voorspellen. Dat testen ze momenteel in een gebied in Centraal Kalimantan, Indonesië. De tests bereikten al een nauwkeurigheid van 80%.

Samenwerken met lokale bevolking

De betrokkenheid van lokale stakeholders (zoals bewoners, organisaties en overheidsinstanties) is een belangrijk onderdeel van het proces. Zij worden uiteindelijk de gebruikers van het systeem. Vooral de lokale bevolking is vaak afhankelijk van het bos voor hun voedsel en levensonderhoud, en beschermt hun bosgebied al eeuwenlang.

Daarom werken we vanaf stap één met ze samen. Het helpt de bewoners ook om hun omgeving beter te beschermen, bijvoorbeeld door illegale ontbossing in hun gemeenschapsbos te voorkomen.

Het doel

Met EWS wil WWF de illegale kap van bossen op Sumatra en Borneo met 10-35% verminderen. Als de lokale stakeholders op tijd kunnen reageren, zou dit moeten lukken. Volgens schattingen kan EWS binnen enkele jaren de illegale ontbossing met bijna 30% verminderen. Zo voorkomen ze niet alleen verlies van leefgebied, maar ook het vrijkomen van CO2. Dan kunnen we echt een verschil maken voor de natuur!

Samen sta je sterker

WWF implementeert het Early Warning System samen met overheden en lokale gemeenschappen. EWS wordt ontwikkeld door een samenwerking met de Boston Consultancy Group en een ‘tech consortium’, geleid door Deloitte met AWS, Jheronimus Academy of Data Science en de Universiteit Utrecht.

WWF heeft EWS kunnen opzetten dankzij een partnerschap met IUCN NL en het Ministerie van Buitenlandse Zaken. In dit partnerschap ondersteunt WWF lokale ngo’s en maatschappelijke organisaties in 16 landen, zodat samen met overheden en bedrijven de watervoorziening, klimaatbestendigheid en voedselzekerheid veilig kan worden gesteld.

Foto door Etienne Delorieux – Unsplash

Bron: WWF

Deel dit bericht op Social Media


Vond je dit een leuk bericht? Schrijf je dan in voor onze nieuwsbrief!

Je ontvangt dan wekelijks jouw shot energie in je mailbox!

Continue Reading

Alweer vijf jaar geleden kwam ik tot de conclusie dat ik meer behoefte had aan goed nieuws en leuke verhalen. Die ontdekkingsreis heeft uiteindelijk geleid tot het opzetten van deze website, met goed nieuws en leuke verhalen voor jullie allemaal.

Nog meer Slim

To Top