Het Eemlandgebied is een landschap waar natuur en landbouw nauw met elkaar verweven zijn. Het gebied herbergt kwetsbare weidevogels, hoge natuurwaarden én jaarlijks grote aantallen ganzen. In de eerdere fases van dit onderzoek zagen we dat de inzet van Drowsense-sensoren een directe daling in ganzenactiviteit veroorzaakte, vooral wanneer visuele en akoestische middelen slim werden ingezet.

Maar de sensoren verzamelen meer dan alleen “aanwezig of niet aanwezig”-informatie. Dankzij een vernieuwd herkenningsmodel kunnen we nu veel dieper kijken: naar welke soorten aanwezig zijn, wanneer ze actief zijn en hoe dat gedurende het seizoen verandert.

De data die eerder al verzameld werd, is opnieuw geanalyseerd met deze nieuwe modelversie en dat levert waardevolle inzichten op.

Soortherkenning: van één groep naar een compleet beeld

Waar het eerdere model alleen ganzen als groep kon herkennen, maakt het vernieuwde systeem het mogelijk om verschillende ganzensoorten afzonderlijk te onderscheiden.

Hiervoor zijn alle audiobestanden die eerder werden geclassificeerd als “gans aanwezig” opnieuw geanalyseerd.

Dit levert drie belangrijke inzichten op:

1. Soorten kunnen betrouwbaar van elkaar worden onderscheiden Vooral Grauwe gans, Kolgans, en Brandgans worden duidelijk herkend.
2. Ook andere vogelsoorten komen in beeld Weidevogels zoals Kievit, Scholekster en Tureluur, maar ook vogels zoals Boerenzwaluw en Rietzanger, verschijnen als “bijvangst” in de data.
3. De analyse geeft aantallen waarnemingen, geen aantallen dieren Dit is een belangrijk onderscheid om de data goed te interpreteren.

Doordat het model alleen soorten selecteert met meer dan zestig procent zekerheid, blijft de betrouwbaarheid van de resultaten gewaarborgd. Het geeft geen volledig beeld van alle aanwezige weidevogels, maar wel van de soorten die in dezelfde minuten met ganzen zijn opgenomen.

Seizoenspatronen die aansluiten bij bekende natuurbeelden

Een van de sterkste punten van het vernieuwde model is dat de resultaten goed overeenkomen met wat ecologen al weten uit veldwaarnemingen.

Enkele duidelijke voorbeelden:

• Kolgans → afname vanaf maart, wanneer deze wintergasten vertrekken naar het noorden.
• Scholekster → toename vanaf februari, passend bij hun terugkeer in het broedseizoen.
• Grauwe gans & Grote Canadese gans → pieken rond zonsopkomst en zonsondergang, in lijn met hun dagelijkse ritme.

Blokken van activiteit en rust worden zichtbaar in de data, en deze patronen verschuiven mee met de daglengte.

Het feit dat deze patronen zo nauw aansluiten bij bestaande kennis, bevestigt dat de soortherkenning betrouwbaar werkt.

Reactie op verschillende middelen: interessante verschillen tussen soorten

Door de soortherkenning te koppelen aan de activaties van verjaagmiddelen wordt zichtbaar dat niet elke soort op dezelfde prikkel reageert.

Uit de heatmap “Effectiviteit per soort en verjaagmiddel” blijkt dat:

• Kolgans sterker lijkt te reageren op visuele prikkels, zoals poppen.
• Grauwe gans gevoeliger is voor geluidssignalen zoals speakers of het gaskanon.
• Kievit en Scholekster opvallend sterk reageren op vrijwel alle middelen.
• Rietzanger en Witte kwikstaart juist weinig verstoringsreactie laten zien.

Dit zijn geen definitieve ecologische conclusies, daarvoor is grootschaliger soortspecifieke data nodig, maar het laat wel zien dat de sensoren waardevolle aanwijzingen geven die verder onderzocht kunnen worden.

Wat we zien in het veld bevestigt de data

Tijdens velddagen spraken we uitgebreid met boeren, vrijwilligers en natuurorganisaties. Een terugkerend thema daarin:

standganzen gedragen zich anders dan trekkende soorten.

Met name de Nijlgans wordt in de praktijk gezien als een soort die moeilijk te verjagen is, vooral wanneer ze in koppels verblijven.

De data ondersteunt dit beeld deels:

• Nijlgans komt minder vaak voor in de dataset (dus minder datapunten).
• De respons op middelen lijkt minder sterk dan bij andere soorten.
• Voor harde conclusies is meer trainingsdata nodig.

Deze combinatie van veldkennis en data-analyse laat zien hoe waardevol samenwerking is. Het verhaal klopt aan beide kanten.

Breder ecologisch inzicht: meer dan ganzen alleen

Een belangrijke bijvangst van de nieuwe modelversie is dat weidevogels zichtbaar worden in dezelfde opnames. Dat biedt nieuwe mogelijkheden:

• Verstoring kan selectief worden teruggeschroefd wanneer kwetsbare soorten aanwezig zijn.
• Verjaagmiddelen kunnen worden uitgezet tijdens het broedseizoen van bepaalde soorten.
• Terreinbeheerders kunnen zien welke soorten wanneer actief zijn.
• Het draagt bij aan een completer beeld van biodiversiteit in het gebied.

Dat maakt het systeem niet alleen geschikt voor ganzenbeheer, maar ook voor natuurmonitoring.

Conclusie: een nieuwe laag inzicht die verder kijkt dan de groep

De vernieuwde herkenningsmodellen binnen Drowsense laten zien dat:

• verschillende ganzensoorten betrouwbaar te herkennen zijn;
• seizoens- en dagpatronen duidelijk te zien zijn;
• soorten verschillend reageren op verschillende middelen;
• veldobservaties van boeren en ecologen worden bevestigd door de data;
• nieuwe mogelijkheden ontstaan voor selectieve, diervriendelijke inzet van middelen.

Waar de eerste fases vooral lieten zien dat sensorgestuurde verjaging werkt, laat deze fase vooral zien waarom dat zo is en wat het gedrag van verschillende soorten daarin betekent.