De eikenprocessierupsenplaag: op naar een centrale aanpak met behulp van data science

Je zou het door de coronacrisis bijna vergeten, maar de eikenprocessierupsenplaag zit er weer aan te komen. Iets meer dan een jaar geleden scheven we een blog over data science en de beruchte rups met brandharen. Deze kun je hier teruglezen. Het was toen al augustus en de rupsenplaag was in volle gang. Bijna iedere eikenboom in Utrecht was inmiddels geïnfecteerd en we werden overspoeld met waarschuwingen om park X en fietspad Y te omzeilen. In dat blogbericht beschreven we hoe we data science in zouden kunnen zetten in de strijd tegen deze plaag. Het leek ons een goed idee om een kaart te maken met daarop alle eikenbomen in Utrecht, zodat je in ieder geval te weten kan komen welke wandel- en fietspaden ‘veilig’ zijn. Twee dingen beperkten ons toen in onze ambitie: het was al veel te laat voor preventie (de eikenprocessierups was overal) en er was simpelweg niet meer data beschikbaar. De verwachting is dat we jaarlijks te maken krijgen met een eikenprocessierupsenplaag. Daarom zijn we verder gegaan met het onderzoek naar hoe we data science in kunnen zetten in de strijd tegen de processierups. In deze blog verken ik de mogelijkheden om, met behulp van data science, een centrale aanpak te ontwikkelen om de beestjes te bestrijden. Hoe kan data science helpen om deze jaarlijkse plaag inzichtelijk te maken en te beheersen? 

Data verzamelen

Open data

Een van de eerste middelen die een data scientist tot zijn/haar beschikking heeft zijn open databronnen. Ook in dit geval zijn er een aantal relevante open databronnen die we kunnen gebruiken. Allereerst zijn dat natuurlijk de eikenbomen in Utrecht, specifiek de ‘zomereik’, zoals we in het vorige blogbericht en in het bijbehorende dashboard hebben laten zien. De gemeente Utrecht biedt deze databron aan op haar open data platform.

Ook weerskenmerken zijn van invloed op de overlast die we ervaren van de eikenprocessierups. Op mooie dagen stappen we sneller op de fiets en maken we een ommetje door het park. Ook als er veel wind staat is de kans groter dat we in aanraking komen met de vervelende brandharen. Om deze reden kan bijvoorbeeld de windrichting een bepalende factor zijn in het bepalen van risicozones. Het KNMI biedt zowel realtime als historische datasets aan met daarin een breed scala aan gemeten weerskenmerken. Door deze datasets te combineren kunnen we al tot interessante inzichten komen.

Aanvullende data

Daarnaast zijn er een aantal databronnen die niet publiekelijk toegankelijk zijn, maar wel van grote meerwaarde zouden zijn voor een algemene aanpak van de eikenprocessierups. Als we bijvoorbeeld informatie zouden hebben over de maatregelen die worden genomen door de gemeente Utrecht en de partijen die worden ingeschakeld om de rupsen uit bomen te verwijderen, zijn we dichterbij een centrale aanpak. Zij hebben gegevens over zowel geplande werkzaamheden (wanneer worden deze rupsen verwijderd?) als uitgevoerde werkzaamheden (zijn de rupsen langs dit fietspad inmiddels verwijderd?). Dit zou leiden tot veel meer inzicht over de actuele stand van zaken.

Ook worden er door de gemeente preventieve maatregelen genomen. Het zou mooi zijn als we achteraf hiervan de impact konden bepalen. Ondanks dat al deze informatie niet privacygevoelig is, en meerwaarde heeft voor het publiek, wordt deze data niet openbaar beschikbaar gemaakt. Dit maakt een realtime inzicht in de situatie binnen de gemeente Utrecht lastig, omdat we nu niet kunnen bepalen waar eikenprocessierupsen zich wel en niet (meer) bevinden.

Toch weten ook de gemeente en de uitvoerende bestrijdingsorganisatie niet alles. Het signaleren van eikenprocessierupsen moet (vooralsnog) met het menselijk oog gebeuren en alle eikenbomen in Utrecht dagelijks langsgaan is onbegonnen werk. Daarom moeten we voor de detectie van rupsen terugvallen op crowdsourcing: burgers die in hun eigen wijk of straat eikenprocessierupsen detecteren zouden dit digitaal kunnen registreren en doorgeven aan de gemeente. 

Data koppelen en visualiseren

Een realtime detectie van eikenprocessierupsen is alleen mogelijk als we de data door de burgers laten registreren. Dit registratieproces zal de burger wel enige tijd en moeite kosten. Maar wanneer deze informatie-uitwisseling tussen de gemeente en de burger zal leiden tot meer inzicht over de locatie(s) van de plaag, zal deze er zeker baat bij hebben. Kortom: op het moment dat de burger laat weten waar eikenprocessierupsen zich bevinden en de gemeente laat weten op welke plekken al maatregelen zijn getroffen, ontstaat er een compleet beeld van de situatie. Door de bronnen te koppelen en in een openbaar dashboard te visualiseren hebben alle partijen hier voordeel van. 

Door de registratie en visualisatie op één centrale plek (website of app) bijeen te brengen, ontstaat een nieuw platform waar data doorheen stroomt. Hieraan kunnen gaandeweg functies worden toegevoegd om het platform populairder te maken: immers hoe meer gebruikers aanhaken, hoe beter de voorziening van data wordt. Uiteindelijk is iedereen gebaat bij een actueel beeld van de situatie rondom de eikenprocessierups, omdat dit concreet vertaald kan worden in adviezen en maatregelen die de overlast verminderen. Hieronder enkele voorbeelden van functionaliteiten die bovenop deze gegevensbron gebouwd kunnen worden.

Data verwerken en analyseren

Risicozones alert

Als eenmaal realtime bekend is in welke bomen eikenprocessierupsen zitten, is het mogelijk om voor iedere boom een risicozone te markeren op de kaart. Dit dient dezelfde functie als de wit/rode linten die momenteel om de boom gebonden worden (zie het huidige dashboard). Op warme, droge dagen met veel wind zal de risicozone per boom groter zijn dan op regenachtige dagen. Ook de wind en (mogelijk) de hoogte van het ‘nest’ kunnen hierop van invloed zijn. Wanneer een (geregistreerde) persoon vervolgens een risicozone betreedt kan er bijvoorbeeld een melding naar zijn of haar smartphone worden verzonden.

Fietsrouteplanner

In het vorige blogbericht gaven we het ook al aan: veilig door Utrecht fietsen, zonder je zorgen te hoeven maken over brandharen, zou in de zomermaanden enorm fijn zijn. Door een wandel- of fietsroute planner toe te voegen aan de app zou iedereen proactief routes vermijden die veel risicozones doorkruisen.

Effectiviteit maatregelen in kaart brengen

Er zijn momenteel dus twee soorten maatregelen tegen de plaag: preventief behandelen van bomen en het verwijderen van eikenprocessierupsen. Als we deze zomer een dataplatform kunnen maken waarop per eikenboom informatie staat over het moment waarop deze is geïnfecteerd en vervolgens ook weer behandeld is, leidt dit tot waardevolle informatie. We kunnen dan concrete antwoorden geven op verschillende, interessante vragen. Ten eerste: heeft preventief behandelen van bepaalde eikenbomen ertoe geleid dat deze bomen minder (snel) besmet raken met de rups? Hoelang duurt het gemiddeld voordat een behandelde boom (weer) geïnfecteerd raakt? En welke maatregel blijkt het meest effectief in de strijd tegen de plaag? 

Conclusie

Kortom, er zijn verschillende toepassingen van data science te bedenken waarmee de jaarlijkse plaag eikenprocessierupsen bestreden kan worden. Een centrale aanpak begint bij het verzamelen en koppelen van publieke én private datasets. Vervolgens zijn er een meerdere kansen om deze data te gebruiken om een open platform te bouwen, in de vorm van een app en/of online dashboard, waarmee zowel burgers en gemeente geholpen zijn. Door steeds nieuwe functionaliteiten toe te voegen aan zo’n platform wordt de data verrijkt en neemt de kwaliteit toe. Tot slot kunnen we de verzamelde gegevens achteraf weer gebruiken om de zomer te evalueren en lessen te trekken voor 2021. Zo kunnen we samen deze plaag bedwingen. Meer weten? Neem contact met ons op! 

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *