Na een bachelor en master in de biowetenschappen ben je je wel min of meer bewust van wat duurzaamheid is, wat ermee bedoeld wordt. Ook in mijn dagelijkse leven was ik al sterk met duurzaamheid bezig. Met mijn masterproef wilde ik iets doen dat de wereld een beetje verder dat duurzame pad kon helpen betreden.

Jouw thesis gaat over de identificatie van hout. Illegale houtkap is een enorm probleem, waar speelt het zich voornamelijk af?
Mijn focus was voornamelijk gericht op tropisch hout, dus hout dat uit Zuid-Amerika, Centraal-Afrika en Centraal-Azie afkomstig is, maar het is een wereldwijd probleem. De laatste dertig jaar is er wereldwijd 420 miljoen hectare hout verdwenen door ontbossing. Dit cijfer slaat niet enkel op illegale houtkap, maar het is soms moeilijk scherp te stellen wat illegaal gekapt is en wat niet. Het gaat heel erg breed. Er wordt bijvoorbeeld vaak gelogen over hoeveel ton er exact gekapt werd, maar er zijn ook zaken waar men nooit zal achter komen. We weten veel, maar we weten ook veel niet. Recent zijn de cijfers trouwens weer gestegen.

Hoe komt dat?
Door de coronapandemie rukken heel wat controlepatrouilles niet meer uit. Vanuit de lucht zijn de gevolgen duidelijk zichtbaar.

Hoe helpt een identificatie en classificatie van hout in de strijd tegen illegale houtkap?
De identificatie gebeurt via de ionisatie van een sample, een splinter hout. Wanneer die houtmoleculen geïoniseerd zijn krijg je een spectrum, je krijgt een waarde van het ion. Wanneer je de moleculen ioniseert krijgen die namelijk een bepaald gewicht en gaan die versnellen in een elektrisch veld. De snelste komen het eerst bij de detector, de tragere later. Op die manier kan je de relatieve intensiteit van het sample bepalen, m.a.w. hoe sterk bepaalde ionen aanwezig zijn in het sample. Voor elk soort hout is de ionisatie anders. Je krijgt een soort chemische vingerafdruk. Ik heb twintig samples voor 49 soorten onderzocht om vandaaruit verschillende modellen te proberen ontwikkelen om die soorten uit elkaar te houden.

En dan kom je bij het machine learning onderdeel…
Inderdaad. Eigenlijk probeer je een wiskundig model te maken op basis van allerlei wiskundige formules zodat uw computer zelf het onderscheid zou leren maken tussen de verschillende boomsoorten. De bedoeling is dus dat de computer zelf de patronen van verschillende bomen kan onderscheiden. Deze geautomatiseerde identificatie kan het mogelijk maken om aan grenscontroles makkelijker en sneller illegale houthandel op te sporen, een belangrijke stap in de strijd tegen dit probleem.

Hoe verloopt het proces nu dan precies?
Experts bekijken het hout en moeten op basis van die visuele informatie bepalen om welke soort het gaat en of die soort illegaal is of niet. Die zijn daar uiteraard zeer goed in, maar het menselijk oog kan zich vergissen. Een computer uiteraard ook, maar het kan allemaal wel veel sneller gaan. Een goede mix van beide is de ideale oplossing om de accuraatheid te verhogen.
Er wordt ook al gewerkt met deze geautomatiseerde computeridentificatie, maar er wordt nog vooral gebruik gemaakt van betalende software die niet heel accuraat is. We willen dit zonder betalende software en met geoptimaliseerde modellen.

Wanneer weet je dan of een soort illegaal is of niet?
Daar heb je lijsten voor. Het gaat eigenlijk net zoals bij bedreigde diersoorten. In die lijsten staat onder welke voorwaarden soorten gekapt mogen worden. Soms kan dat enkel nog maar voor strikt wetenschappelijke doeleinden. Die soorten verschijnen uiteraard onder een andere naam aan de grens. Een accurate identificatie is dan enorm belangrijk. En dat maakt het ook weer moeilijk, want je hebt samples nodig van die soorten om de modellen op punt te zetten. De samples die ik heb gebruikt moest ik dan ook vaak gaan zoeken in musea.

Je hebt dit onderwerp nog niet afgesloten?
Nee, ik werk nog mee aan een onderzoek dat verder bouwt op mijn thesis, hoewel ik intussen aan een doctoraat ben gestart rond darmbacteriën (iets helemaal anders dus). Net als bij dieren heb je een hiërarchie: soorten, genus en bovenaan families. Het idee was deze structuur al in het wiskundig model te steken. Als je eerst al de juiste familie kan bepalen, veronderstellen we dat het ook makkelijker wordt om de rest te bepalen. Dat bleek niet zo te zijn. De verwantschappen worden niet goed weergegeven in de spectra. Het blijkt veel complexer dan het is. Het artikel dat we hierover schrijven gaat dus in op de vraag waarom we ons beeld rond die spectra niet kunnen verruimen. We moeten alleszins eerst beter begrijpen hoe ons model de verschillende soorten onderscheid op basis van die spectra. Als we het model beter snappen kunnen we het ook optimaliseren.

Foto: Bocke, Novi Sad, Servië (Dejan Zakic/Unsplash)