Wat is OSINT?
Open-source intelligence (OSINT) is het verzamelen en analyseren van informatie uit openbaar beschikbare bronnen. Dit omvat berichten op sociale media, satellietbeelden, nieuwsberichten, openbare registers en — cruciaal voor onze doeleinden — foto’s en video’s die online worden gedeeld.
OSINT is gegroeid van een nichediscipline die voornamelijk door inlichtingendiensten werd beoefend tot een wereldwijde gemeenschap van journalisten, onderzoekers, activisten en hobbyisten. Organisaties zoals Bellingcat, het Centre for Information Resilience en talloze onafhankelijke onderzoekers hebben aangetoond dat openbaar beschikbare informatie, rigoureus geanalyseerd, waarheden aan het licht kan brengen die machtige partijen liever verborgen zouden houden.
Geolocatie vormt het hart van de moderne OSINT-praktijk. Bepalen waar een foto of video is gemaakt, is vaak de eerste stap bij het verifiëren van een claim, het documenteren van een gebeurtenis of het opbouwen van een onderzoek.
De handmatige geolocatie-toolkit
Voordat we ingaan op AI-ondersteunde benaderingen, is het de moeite waard om de traditionele technieken te begrijpen die OSINT-beoefenaars het afgelopen decennium hebben verfijnd. Deze handmatige methoden blijven waardevol en vullen geautomatiseerde tools vaak aan.
Omgevingsaanwijzingen
Borden en tekst. Straatnaamborden, winkelnamen en reclameborden zijn de meest directe indicatoren van een locatie. Zelfs gedeeltelijk zichtbare tekst kan het zoekgebied drastisch verkleinen. De taal, het schrift en de stijl van bebording geven allemaal informatie — Nederlandse straatnaamborden zien er anders uit dan Duitse, zelfs zonder de tekst te lezen.
Architectuur. Bouwstijlen variëren per regio, tijdperk en functie. Nederlandse grachtenpanden zijn onderscheidend. De stijl van woningbouw, dakbedekkingsmaterialen en gevelpatronen kunnen niet alleen een land aanduiden, maar vaak ook een specifieke stad of wijk.
Vegetatie. Plantensoorten, boomtypes en het algemene karakter van begroeiing variëren met klimaat en geografie. Palmbomen wijzen op een andere locatie dan berkenbossen. Het seizoen dat zichtbaar is in de vegetatie kan ook helpen bij het vaststellen van de timing.
Infrastructuurdetails. Elektriciteitspalen, verkeerslichten, wegmarkeringen, brandkranen en paaltjes volgen allemaal regionale standaarden. Nederland heeft kenmerkende weginfrastructuur — van de stijl van fietspadmarkeringen tot het ontwerp van verkeerslichten — die een ervaren analist kan herkennen.
Schaduwanalyse en Street View
De richting en lengte van schaduwen, gecombineerd met kennis van de datum en de geschatte breedtegraad, kunnen helpen een locatie in te perken. Tools zoals SunCalc modelleren de zonpositie voor elke locatie en elk tijdstip. Zodra een analist een hypothese heeft, kunnen platforms zoals Google Street View en Mapillary worden gebruikt om de plek virtueel te bezoeken en te vergelijken met het onderzochte beeld.
Waar handmatige methoden hun grenzen bereiken
Handmatige geolocatie is krachtig maar kent aanzienlijke beperkingen:
Tijd. Een ervaren analist kan uren of zelfs dagen besteden aan het geolocaliseren van één enkel uitdagend beeld. Bij het onderzoeken van gebeurtenissen waarbij tientallen of honderden beelden betrokken zijn, schaalt handmatige analyse simpelweg niet.
Expertise. Effectieve handmatige geolocatie vereist diepgaande kennis van regionale visuele kenmerken. Een analist die direct Nederlandse infrastructuur kan herkennen, kan moeite hebben met beelden uit Zuidoost-Azië. Niemand kan expert zijn in elke regio.
Generieke scènes. Sommige beelden missen de onderscheidende kenmerken waarop handmatige analyse vertrouwt. Een woonstraat zonder zichtbare bebording, met standaardbebouwing en gangbare begroeiing kan bijna onmogelijk handmatig te geolocaliseren zijn, zelfs voor een expert.
Vooringenomenheid. Menselijke analisten zijn vatbaar voor bevestigingsbias. Zodra ze een hypothese vormen over een locatie, geven ze onbewust de voorkeur aan bewijs dat deze ondersteunt.
Hoe AI-gestuurde geolocatie hierin past
AI-gestuurde tools zoals GeoPin pakken deze beperkingen aan door geolocatie vanuit een fundamenteel andere hoek te benaderen. In plaats van te zoeken naar individuele herkenbare aanwijzingen, analyseert het model de gehele visuele scène holistisch.
De AI is getraind op miljoenen geotagde beelden en heeft geleerd visuele patronen te associëren met locaties. Dit betekent dat het kan werken met beelden die geen enkel individueel herkenbaar kenmerk hebben — de algehele combinatie van wegoppervlak, bouwstijl, begroeiing, lucht en ruimtelijke opbouw is vaak voldoende om een overeenkomst te genereren.
Een praktische OSINT-workflow met GeoPin
Hier volgt hoe AI-geolocatie integreert in een typisch OSINT-onderzoek:
1. Eerste triage. Bij het verwerken van een grote set beelden (bijvoorbeeld van een sociale-mediascrape), laat ze eerst door GeoPin lopen. Overeenkomsten met hoog vertrouwen kunnen snel worden bevestigd en terzijde gelegd. Resultaten met laag vertrouwen markeren beelden die handmatige aandacht nodig hebben.
2. Hypothesevorming. Voor beelden waarbij GeoPin een resultaat met matig vertrouwen retourneert, gebruik de voorgestelde locatie als startpunt voor handmatige verificatie. Open Street View op die coördinaten. Controleer of de omgeving overeenkomt.
3. Verificatie. Zelfs voor geautomatiseerde resultaten met hoog vertrouwen is handmatige verificatie een goede gewoonte bij kritieke onderzoeken. GeoPin levert referentiebeeldovereenkomsten — vergelijk de gematchte referentiebeelden direct met je zoekbeeld om te bevestigen dat de geometrische correspondentie klopt.
4. Negatieve bevestiging. Als een bron beweert dat een foto op locatie X is genomen, maar GeoPin deze met hoog vertrouwen matcht aan locatie Y, dan is die discrepantie op zichzelf waardevol bewijs.
5. Batchverwerking. Voor grootschalige onderzoeken met honderden beelden maakt de API geautomatiseerde verwerking mogelijk die een team van analisten weken zou kosten om handmatig uit te voeren.
Verantwoord gebruik
OSINT-geolocatie is een krachtige capaciteit die ethische verantwoordelijkheden met zich meebrengt. Het vermogen om vast te stellen waar een foto is genomen kan worden gebruikt om machtigen ter verantwoording te roepen, maar kan ook worden misbruikt om individuen te volgen of privacy te schenden.
Best practices omvatten: voorzichtigheid bij het geolocaliseren van beelden die de locatie van kwetsbare personen kunnen onthullen; resultaten verifiëren voordat ze als feit worden gepubliceerd; je methodologie documenteren voor geloofwaardigheid en reproduceerbaarheid; en de juridische kaders respecteren van de rechtsgebieden waarin je opereert.
Geolocatie is een instrument. Zoals elk instrument hangt de waarde ervan af van de vaardigheid, het oordeelsvermogen en de ethiek van de persoon die het gebruikt. In combinatie met zorgvuldige analyse en verantwoorde praktijken maakt AI-gestuurde geolocatie OSINT-onderzoeken sneller en grondiger dan ooit tevoren.