Houtanatomen krijgen hulp van computers voor hout-identificatie
Houtanatomie is de meest gebruikte methode voor de taxonomische identificatie van boomstammen. Het aantal experts in dit gebied neemt af, en de opleiding hiervoor is erg lang van duur. Met de hulp van technologie hopen computerwetenschappers van het Leiden Institute of Advanced Computer Science (LIACS) samen met Naturalis Biodiversity Center en internationale gerenommeerde specialisten, een computerondersteunend hulpmiddel voor hout-identificatie te ontwikkelen.
Illegale houtkap en hout-identificatie
Van het landoppervlak op aarde wordt 30% 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. Door dit verlies vermindert de koolstofopslag van bossen – één van de belangrijkste buffers van CO2 die onttrokken wordt uit de atmosfeer – wat grote impact heeft op de biodiversiteit. Uit recente evaluaties van wereldwijde boskap blijkt dat de ontbossing in de tropen momenteel in een nog hoger 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.
Classificatie op soortniveau
Op basis van een bestaande database van microscopische beelden van dwarsdoorsneden (fig. 1A-B), met voor elk van de 112 onderzochte houtsoorten 20 microscopische afbeeldingen, hebben de onderzoekers de beelden geclassificeerd op soortniveau aan de hand van computergegeneerde kenmerken (fig. 1C-F) die vergeleken werden met 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%. 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.
