De Nijmeegse vierdaagse en de visuele inspectie van waterkeringen
Wat is de relatie tussen de inspectie van waterkeringen met de vierdaagse? Dat zijn de aantallen kilometers die gelopen moeten worden. De inspectie van waterkeringen wordt veelal lopend uitgevoerd. Nederland heeft 17.691 km aan primaire en secondaire waterkeringen. Deze moeten systematisch en met een vaste frequentie worden gecontroleerd (volgens het wettelijk instrumentarium voor de beoordeling WBI2017). Dus trek je wandelschoenen maar aan.
Steeds vaker worden daar drones voor ingezet, maar ook daarvoor geldt dat je iemand naar een bepaald plek moet ‘afvaardigen’ om ter plaatse de drone te besturen. Ook moet iemand uiteindelijk iets van die dronebeelden vinden, wat op zichzelf een tijdrovende of complexe taak kan zijn. Maar daarover later meer.
Dus als het gaat om het ‘nalopen’ van keringen zou het bijzonder nuttig zijn als de ‘loper’ of handhaver minder kilometers hoeft te lopen, omdat hij weet waar zich de hoge risicoplekken bevinden. Daar waar geen hoge risicoplekken geconstateerd zijn, kan worden volstaan met een minder gedetailleerde inspectie, dan wel met lagere frequentie.
Hoe zou je dat kunnen doen? Voor alle duidelijkheid: het is niet zo dat wij met deze aanpak willen suggereren dat we iets kunnen zeggen over de mate van aantasting of verzwakking, in welke betekenis dan ook. Wel proberen we risicoplekken te vinden die op zijn minst een fysieke inspectie noodzakelijk maken.
Micro- en macrostabiliteit
De controle van een waterkering betreft vooral de weerstand tegen hydraulische belasting, ofwel kan de kering het water tegenhouden? Deze weerstand is sterk afhankelijk van de onderhoudstoestand van de kering. De onderhoudstoestand dient dan ook regelmatig te worden gecontroleerd.
Wat kan de weerstand of stabiliteit van een kering doen afnemen? Er is een onderscheid tussen macrostabiliteit en microstabiliteit. Macrostabiliteit heeft betrekking op een ingrijpende aantasting van de integriteit. Denk aan ‘piping’ (water spoelt onder of door de dijk heen), afschuiven bij zeer hoge waterstand en verzakken.
Bij een afnemende microstabiliteit zijn de effecten minder direct merkbaar, maar kunnen op de langere termijn een evenredige negatieve impact op de stabiliteit hebben. Denk aan erosie door wind en water, infiltratie, doorsijpelen, etc. Met name deze microstabiliteit is sterk afhankelijk van de kwaliteit van bedekking van de kering.
Onderaan de kering aan de waterzijde is dat meestal steen of asfalt, maar de kruin en het binnentalud is veelal met gras bedekt. Gras biedt goede weerstand maar ook alleen als het van goede kwaliteit is in termen van worteldiepte en dichtheid.
Er kunnen door graafwerkzaamheden, verdroging, overbegrazing, etc. beschadigingen plaatsvinden in de grasbedekking. Dit kan ertoe leiden dat de microstabiliteit van de dijk afneemt. Op cruciale momenten kan door overslag, overvloedige regen of andere oorzaken, dijklichaammateriaal wegspoelen. Uiteindelijk kan dat tot ernstige verzwakking van de kering leiden.
Het detecteren van ‘slechte’ plekken (afwijkingen) in de dijkbedekking is op zijn minst een signaal dat zich daar een risicoplek bestaat of gaat vormen. Dus is het zaak deze plekken tijdig en zo compleet mogelijk in beeld te krijgen.
Voorinspectie door middel van luchtfoto’s
Dat ‘in beeld krijgen’ wordt dus meestal gedaan door een functionaris die de dijk afrijdt of afloopt, wel of niet bijgestaan door dronebeelden. Gezien de totale lengte van keringen is dat een tijdrovende klus. Natuurlijk gaat er niets boven een fysieke inspectie van elke meter kering, maar daar hangt wel een prijskaartje aan vast in termen van de beschikbaarheid van mankracht in combinatie met de juiste expertise. Dus in een situatie van schaarste is het van belang die beschikbare capaciteit zo optimaal mogelijk in te zetten door met name in ieder geval risicoplekken te inspecteren.
En hier kunnen we de inspecteur een handje helpen door hem het juiste gereedschap te verschaffen. Gereedschap in de vorm van het automatisch afleiden van risicoplekken afgeleid uit luchtfoto’s, dronebeelden of satellietbeelden met behulp van geavanceerde algoritmes.
Hoe gaat dat in zijn werk?
Allereerst is het van belang dat er goede opnames beschikbaar zijn van het te inspecteren gebied. En wat verstaan we onder goed? Hoe hoger de resolutie des te groter het detail dat kan worden waargenomen.
Dus een 5 cm lucht of dronebeeld is beter dan 50 cm satellietdata, maar die laatste kan weer grotere gebieden in een keer opnemen. Bij 5 cm zijn de kleinste afwijkingen die je kan detecteren zo tussen de 5 en 10 cm.
In het onderstaande voorbeeld wordt in een luchtfoto van 10 cm resolutie een stuk waterkering getoond waar schapen rondlopen en in het midden een ‘kale’ plek zichtbaar is. In het rechterbeeld laten we het resultaat zien van een zogenaamde ‘grasindex-analyse’. Duidelijk is te zien dat het algoritme de kale plek heeft gevonden. Ook zijn er paar schapen gevonden, maar die kan je er later uitfilteren.
Hoe zijn we tot dit resultaat gekomen? Door te gaan rekenen met de banden (RGB) van het beeld en wel door deze te verwerken in een genormaliseerde grasindex. Dat wordt in het volgende beeld getoond. Er is een ‘gras’ index op dat dijkvak berekend en gevisualiseerd. Hoe dieper geel de kleur is, des te hoger de kwaliteit van de grasbedekking. Duidelijk zichtbaar is dat er mindere plekken zijn en daar waar de kleur wit is, is er geen of nauwelijks gras aanwezig.
Op basis van een lage waarde van de ‘grasindex’ (weinig gras) worden plekken van een minimale grootte uitgefilterd. Het resultaat levert plekken op over de hele dijk die op zijn minst nader bekeken moeten worden. Hetzij via de opname zelf, maar zouden toch ook zeker in een veldinspectie meegenomen moeten worden.
Ik heb de beschikking over luchtfoto’s. Kan ik zelf een ‘grasanalyse’ uitvoeren?
Zeker is dat mogelijk. IMAGEM heeft het makkelijk gemaakt om zonder specialistische kennis van remote sensing een grasanalyse uit te voeren. De complete analyse is in een model ondergebracht. Het model kan in de desktopapplicatie ERDAS IMAGINE worden gerund. De gebruiker hoeft slechts op een knop te drukken om het model te activeren. Het model vraagt om input in de vorm van de luchtfoto en vraagt de gebruiker de mate van ‘strengheid’ van het algoritme in te stellen. Na runnen van het model rollen de zwakke plekken eruit. Deze kunnen of in een dashboard of mobiele app worden gesynchroniseerd, dan wel in een vector bestand in een GIS-applicatie worden opgevolgd.
Conclusie
Grasbedekking is heel belangrijk voor de microstabiliteit van een waterkering. Het visueel inspecteren van de waterkeringen kan tijdrovend zijn. Het gebruik van beeldmateriaal (drones of luchtfoto’s) maakt het mogelijk om dijkvakken snel te observeren. Door gebruik te maken van een in een model ondergebrachte grasindex-analyse kunnen eenvoudig geautomatiseerd slechte plekken in een dijklichaam worden gevonden. Het is geen vervanging van een fysiek inspectieproces, maar het geeft wel de mogelijkheid om het inspectieproces gerichter en dus efficiënter te kunnen uitvoeren. Een prettig bijkomstigheid daarbij is dat de inspecteur of handhaver minder vaak nieuwe wandelschoenen hoeft aan te schaffen.