NWO

Omdat circa 10% van de objecten in kaarten jaarlijks verandert, onderzoekt dit project hoe nieuwe sensor­data automatisch kunnen worden geïnterpreteerd om gewijzigde objecten te detecteren en digitale kaarten bij te werken. Het gebruikt hoge-resolutie luchtfoto’s en 3D-laserscandata, waarbij bestaande kaarten dienen als trainingsbasis.
Het project ontwikkelt (1) een methode om kaart- en sensordata te combineren tot een grote trainingsdataset, (2) een deep-learningmodel dat objecten in de sensordata herkent, en (3) een proces om gedetecteerde wijzigingen automatisch in de kaart op te nemen.

MItigation STrategies for Airborne Infection Control
De verspreiding van ziekteverwekkers via de lucht heeft grote gevolgen voor onze gezondheid en economie. Om dit aan te pakken, moeten binnenruimtes beter worden gereguleerd wat betreft luchtkwaliteit om infecties te verminderen. Het MIST-project brengt medische, natuurkundige en technische experts samen om virusoverdracht, de verspreiding van druppeltjes via de lucht en ventilatie te onderzoeken en om mitigerende technologieën (gebaseerd op ventilatie en luchtzuivering) en beoordelingsmethoden te ontwikkelen om hun doeltreffendheid te testen. De resultaten worden vertaald naar praktische aanbevelingen ter ondersteuning van de algehele binnenluchtkwaliteit, wat op zijn beurt onze pandemische paraatheid zal verbeteren.
Sinds de wereldwijde impact van COVID-19 zijn we ons bewust geworden van de risico’s die samenhangen met door de lucht overgedragen ziekten. Virologen, epidemiologen, experts in stromingsleer en ingenieurs werken samen binnen het MIST-project (MItigation STrategies for Airborne Infection Control) om ons begrip te verdiepen en de overdracht van luchtgedragen virussen, infectieziekten en schadelijke stoffen te voorkomen, met bijzondere aandacht voor COVID-19 (SARS-CoV-2). MIST bracht een breed scala aan expertise bijeen, waaronder stromingsleer, natuurkunde, moleculaire biologie, geneeskunde en techniek, in samenwerking met 28 bedrijven. Het project richt zich op de ontwikkeling van strategieën om luchtgedragen infecties te beheersen. Om dit te bereiken worden de volgende stappen genomen:
i) Versterking van fundamentele kennis over virusbesmetting, de verspreiding van druppeltjes in de lucht en de effectiviteit van ventilatie.
ii) Ontwikkeling van mitigerende technologieën en evaluatiemethoden om hun doeltreffendheid te bepalen.
iii) Verspreiding van projectresultaten via publiek toegankelijke aanbevelingen en beleidsrichtlijnen.
De uitkomsten van dit onderzoek worden vertaald naar praktische aanbevelingen voor het zo efficiënt, kosteneffectief en duurzaam mogelijk implementeren van maatregelen in verschillende omgevingen, waaronder huizen, ziekenhuizen, scholen en openbaar vervoer.

ZORRO is een onderzoeksproject dat wordt gefinancierd door NWO en uitgevoerd door een multidisciplinair consortium bestaande uit de Universiteit Twente, de Vrije Universiteit, Saxion, TNO-ESI en industriële partners ASML, Canon Production Printers, ITEC, Philips en ThermoFisher Scientific.

is een project dat duurzame oplossingen ontwikkelt voor de overwoekering van waterhyacinten in meren, zoals Lake Chivero in Zimbabwe. Het maakt gebruik van wetenschappelijk onderzoek, satellietdata en ervaringen van lokale belanghebbenden om de impact op drinkwatervoorziening te verminderen en mogelijkheden te vinden om de hyacinten nuttig te gebruiken.

is een Nederlands onderzoeksproject dat onderzoekt hoe biodiversiteit, klimaatverandering en menselijk landgebruik elkaar beïnvloeden, en hoe landschappen zo beheerd kunnen worden dat natuurherstel en klimaatbestendigheid samen verbeteren.

Het project Senior Expert at Livestock Agri-Food Systems richt zich op het verbeteren van duurzame veehouderijsystemen in ontwikkelingslanden, vooral in droge rangelands in Afrika. Het onderzoek gebruikt satellietdata (Earth Observation) om de productiviteit van graslanden, de effecten van klimaatvariabiliteit (zoals droogte) en de milieu-impact van veehouderij beter te monitoren. De inzichten helpen om veerkrachtige veehouderijsystemen en beter rangelandbeheer te ontwikkelen, wat belangrijk is voor de voedselzekerheid en het inkomen van pastorale gemeenschappen.

Realtime tracking van voedselstromen met behulp van Internet of Things-technologieën en georuimtelijke data

Het MASSIVE-projectteam zal de kartering van gletsjergebieden en de schatting van de massabalans van gletsjers ingrijpend vernieuwen. Het doel is de toepasbaarheid van de huidige regressietechnieken voor oppervlakkige massabalans sterk uit te breiden met behulp van deep learning voor beeldclassificatie en regressie.
Eerst verzamelen we ongekende hoeveelheden vrij beschikbare remote-sensingdata om datacubes te bouwen van alle gegletsjerde gebieden ter wereld. Deze databases zullen informatie bevatten over relevante voorspellers van massabalans, waaronder sneeuwbedekking, gletsjerfacies, albedo en veranderingen in gletsjerhoogte. Voor deze bigdata-aanpak gebruiken we geavanceerde databasesoftware die noodzakelijk is om de steeds groeiende hoeveelheid remote-sensingdata efficiënt te verwerken.
Om de hoogst mogelijke kwaliteit van de voorspellers te bereiken, ontwikkelen we nieuwe classificatie-algoritmen voor gletsjerfacies en sneeuwbedekking op basis van deep learning. Onze methode met convolutionele neurale netwerken zal superieur zijn aan de huidige gangbare classificaties op basis van bandratio’s en indexen, omdat ze kunnen worden getraind met data van meerdere resoluties en meerdere sensoren (waaronder optische en radar­data) binnen één classificatiekader. De classificatie levert een geactualiseerde, multitemporele wereldwijde gletsjerinventaris op.
Zodra de regionale datacubes zijn gebouwd, passen we geavanceerde regressietechnieken toe, zoals deep regression, om voor elke afzonderlijke gletsjer wereldwijd een consistente en decennialange tijdreeks van de oppervlakkige massabalans te extraheren. We ontwikkelen de methodologie eerst voor gletsjers in Noorwegen, Spitsbergen en de Europese Alpen voor de periode 2000–2019, en testen de overdraagbaarheid op deelgebieden in andere gegletsjerde regio’s met verschillende gletsjereigenschappen. In de tweede fase schalen we onze aanpak op naar de mondiale dataset.
Op basis van de regressieparameters ontwikkelen we vervolgens een operationele dienst die de massabalans­tijdreeks kan verlengen met een sensoronafhankelijke methode die uitsluitend gebruikmaakt van sneeuwbedekkings- en albedokaarten.

Het project richt zich op kwetsbare groepen in Europa, zoals Roma, die vaak in informele nederzettingen wonen zonder veilig drinkwater, sanitaire voorzieningen en afvalbeheer. Het doel is de informatievoorziening over wateronzekerheid en gezondheidsrisico’s te verbeteren en een innovatief beoordelingssysteem te ontwikkelen dat sociale, medische, geoinformatie- en aardobservatiemethoden combineert. Partners: University of Veterinary Medicine and Pharmacy in Košice, Slovakije. 

is een onderzoeksproject dat satellietdata (Earth Observation) gebruikt om herstel van natuur en ecosystemen beter te monitoren en te evalueren. Het project ontwikkelt schaalbare online methoden om te analyseren of herstelmaatregelen daadwerkelijk effect hebben, bijvoorbeeld door satellietbeelden te combineren met gegevens over weer, bodem en landschap. De tools worden getest in verschillende ecosystemen en worden open beschikbaar gemaakt zodat organisaties wereldwijd ze kunnen gebruiken voor natuurherstel. 

Het Water4Change-programma richt zich op de grote wateruitdagingen in snelgroeiende Indiase steden, waar de infrastructuur en aanpassingscapaciteit achterblijven bij klimaatverandering en maatschappelijke en economische ontwikkelingen. Het project ziet water als een essentiële levensbehoefte én als motor voor positieve transformatie.
Samen met lokale stakeholders in drie Indiase steden ontwikkelt het programma een integratief, adaptief en water-sensitief ontwerpkader. Dit kader verbindt vier domeinen – bestuur, gebouwde en natuurlijke omgeving, technologie en infrastructuur, en menselijk gedrag – om stedelijke watersystemen duurzamer en veerkrachtiger te maken op de lange termijn.

Het project EcoExtreML onderzoekt hoe ecosystemen reageren op extreme klimaatomstandigheden zoals droogte en hittegolven. Het combineert eco-hydrologische modellen, satellietwaarnemingen en physics-aware machine learning om beter te begrijpen hoe water-, energie- en koolstofprocessen in ecosystemen veranderen onder klimaatstress. Het project ontwikkelt ook een digitale “soil-plant twin” om ecosystemen nauwkeuriger te monitoren en te voorspellen.

 is een onderzoeksproject van de Universiteit Twente (ITC) en Tropenbos Suriname dat onderzoekt hoe stedelijk groen de leefbaarheid van Paramaribo kan verbeteren. Het project bestudeert de rol van parken, bomen en andere groene ruimtes in het tropische stedelijke klimaat, bijvoorbeeld voor verkoeling, waterinfiltratie, recreatie en welzijn. Met behulp van satellietdata, ruimtelijke analyse en metingen met sensoren wordt onderzocht hoe groen het stadsklimaat beïnvloedt. Ook doen inwoners en scholen mee via citizen science om veranderingen in stedelijk groen te monitoren en bewustzijn te vergroten.

Informal Economies and Creative Industry Strategies

Het DYNASLUM-project bouwt agent-gebaseerde modellen met hoge resolutie die de groeidynamiek van sloppenwijken in Bangalore, India, helpen beschrijven. Dergelijke modellen creëren digitale representaties van de dynamiek van sloppenwijken die beleidsmakers, besluitvormers en onderzoekers kunnen gebruiken.