Wat is geolocatie op straatniveau?

Het probleem: een foto zonder locatie

Je hebt een foto. Misschien is deze naar je gestuurd door een anonieme bron, verzameld van een bericht op sociale media, of afkomstig van een beveiligingscamera. De foto toont een straat, enkele gebouwen, misschien een verkeersbord of een opvallende winkelpui. De vraag is simpel: waar is deze genomen?

Dit is het kernprobleem dat geolocatie op straatniveau oplost. In tegenstelling tot analyse van satellietbeelden, die van bovenaf naar de aarde kijkt, werkt geolocatie op straatniveau met het soort beelden dat mensen daadwerkelijk maken — foto’s geschoten op ooghoogte, die de wereld tonen zoals wij die ervaren.

Hoe geolocatie op straatniveau werkt

In de kern is geolocatie het proces van het bepalen van de geografische coördinaten van een foto, uitsluitend op basis van de visuele inhoud. Geen metadata nodig, geen GPS-tags vereist — alleen de pixels in het beeld.

Traditionele benaderingen vertrouwden op handmatige analyse. Een ervaren onderzoeker kon bijvoorbeeld een kentekenplaatformaat herkennen dat het land inperkt, een straatnaambord in een bepaalde taal, of bouwstijlen die kenmerkend zijn voor een specifieke regio. Het onderzoekscollectief Bellingcat heeft deze technieken gepopulariseerd en laten zien hoe oplettende waarnemers locaties konden vaststellen aan de hand van aanwijzingen in foto’s en video’s.

Moderne AI-gestuurde geolocatie gaat nog een stap verder. In plaats van te vertrouwen op één herkenbaar aanknopingspunt, analyseert het machine learning-model de gehele visuele scène. Het leert patronen herkennen die mensen mogelijk missen: de specifieke bocht van een weg, het type begroeiing, de stijl van elektriciteitspalen, de kleur van wegmarkeringen. Deze modellen zijn getraind op miljoenen geotagde beelden op straatniveau en bouwen een intern beeld op van hoe verschillende plaatsen op aarde eruitzien.

Het proces verloopt doorgaans in fasen:

1. Feature-extractie — Een AI-model zet de foto om in een numerieke representatie (een zogenaamde embedding) die de visuele kenmerken vastlegt.
2. Kandidaatophaling — Deze embedding wordt vergeleken met een database van miljoenen referentiebeelden met bekende locaties, waarbij de visueel meest vergelijkbare overeenkomsten worden gevonden.
3. Geometrische verificatie — De beste kandidaten worden geverifieerd door specifieke lokale kenmerken (zoals hoeken, randen en texturen) te matchen tussen de zoekfoto en de referentiebeelden.
4. Locatieschatting — De geverifieerde overeenkomsten leveren GPS-coördinaten op, wat een nauwkeurige locatieschatting geeft.

Hoe het verschilt van GPS- en EXIF-data

Het is de moeite waard om te verduidelijken wat geolocatie op straatniveau niet is.

GPS-tagging vindt plaats wanneer een apparaat met een GPS-ontvanger (zoals een smartphone) zijn coördinaten vastlegt op het moment dat een foto wordt genomen. Deze data wordt opgeslagen in de EXIF-metadata van het beeldbestand. Als je een foto maakt met de locatieservices van je telefoon ingeschakeld, worden de breedtegraad en lengtegraad direct in het bestand opgenomen.

Het probleem is dat GPS-/EXIF-data vaak ontbreekt of onbetrouwbaar is:

• Veel camera’s (vooral spiegelreflexcamera’s en beveiligingscamera’s) hebben helemaal geen GPS-hardware.
• Gebruikers schakelen locatieservices vaak uit vanwege privacyredenen.
• Sociale-mediaplatforms verwijderen EXIF-data wanneer beelden worden geüpload.
• Screenshots en opnieuw opgeslagen afbeeldingen verliezen hun metadata.
• EXIF-data kan triviaal worden vervalst of bewerkt.

Geolocatie op straatniveau werkt zonder enige metadata. Het analyseert wat er in het beeld staat, niet wat er aan het bestand is gekoppeld. Dit maakt het onmisbaar wanneer metadata niet beschikbaar, verwijderd of onbetrouwbaar is.

Er is ook een onderscheid met IP-gebaseerde geolocatie, die de locatie van een gebruiker schat op basis van hun internetverbinding. IP-geolocatie vertelt je ongeveer waar iemand aan het browsen is; fotogeolocatie vertelt je waar een specifiek beeld is vastgelegd. Ze lossen verschillende problemen op.

Toepassingen in de praktijk

Geolocatie op straatniveau is een essentiële capaciteit geworden in meerdere vakgebieden:

Journalistiek en factchecking. Wanneer een video opduikt die beweert een gebeurtenis op een bepaalde locatie te tonen, moeten journalisten die bewering onafhankelijk verifiëren. Fotogeolocatie kan bevestigen of beeldmateriaal werkelijk toont wat het beweert te tonen, of dat het verkeerd is toegeschreven.

Open-source intelligence (OSINT). Onderzoekers gebruiken geolocatie om bewegingen te volgen, claims te verifiëren en bewijsketens op te bouwen. In conflictgebieden kan het geolocaliseren van foto’s en video’s van sociale media gebeurtenissen documenteren die anders ongeregistreerd zouden blijven.

Verzekeringen en claimverificatie. Verzekeraars moeten bevestigen dat schadefoto’s daadwerkelijk op de geclaimde locatie zijn genomen. Een foto van een ondergelopen kelder betekent iets heel anders als deze is genomen op het adres van de polishouder dan op een locatie 200 kilometer verderop.

Rechtshandhaving. Van het lokaliseren van vermiste personen tot het volgen van criminele activiteiten — het vermogen om vast te stellen waar een foto is genomen, biedt onderzoekers cruciale aanknopingspunten.

Vastgoed en stedenbouwkunde. Het begrijpen van ruimtelijke context vanuit beeldmateriaal helpt professionals bij het beoordelen van vastgoed, het plannen van ontwikkelingen en het monitoren van veranderingen in de gebouwde omgeving.

De nauwkeurigheidsvraag

Hoe precies kan AI-gestuurde geolocatie zijn? Het antwoord hangt sterk af van de scène. In dichtbebouwde stedelijke omgevingen met kenmerkende architectuur en bebording kunnen moderne systemen locaties bepalen tot op enkele meters nauwkeurig. In landelijke of visueel repetitieve landschappen (denk aan eindeloze akkers of generieke buitenwijken) neemt de nauwkeurigheid uiteraard af.

Het kernpunt is dat geolocatie geen binaire succes-of-faaltaak is. Zelfs een resultaat dat de herkomst van een foto inperkt tot een specifieke stad of wijk kan enorm waardevol zijn voor een onderzoeker die voorheen helemaal geen locatie-informatie had.

Waarom dit nu van belang is

Het volume van beelden zonder locatietag groeit exponentieel. Beveiligingscamera’s, berichten op sociale media waarvan metadata is verwijderd, berichtenapps, archieffoto’s — de vraag naar hulpmiddelen die locatie-informatie uit alleen visuele inhoud kunnen halen, is nooit groter geweest.

Bij GeoPin hebben we een systeem gebouwd dat dit op schaal afhandelt, door state-of-the-art AI-modellen te combineren met een referentiedatabase die Nederland dekt op straatniveau. In toekomstige artikelen duiken we dieper in de specifieke technologieën die dit mogelijk maken.