Georeferencing Non-Gazetteered Place Names using Biological Specimen Records

Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van een vermist persoon te zoeken, probeer je een plek te vinden die niet op enige kaart staat. Dit is de wereld van georeferencing, een tak van de wetenschap die woorden die een locatie beschrijven omzet in werkelijke coördinaten (zoals breedtegraad en lengtegraad) die computers kunnen gebruiken. Meestal is dit eenvoudig: als een tekst "Parijs" vermeldt, zoekt een computer dit op in een digitale woordenlijst van plaatsen genaamd een gazetteer en vindt de exacte plek. Maar wat gebeurt er als de tekst een plaats vermeldt die niet in het woordenboek staat? Misschien is het een oude naam van 100 jaar geleden, een lokale bijnaam die alleen de buren kennen, of een specifieke plek zoals "de grote eik bij de beek" die nooit een officiële naam heeft gekregen. Dit zijn niet-gazetteerde plaatsnamen. Ze zijn als spoken in de machine — echte plaatsen die de computer simpelweg niet kan zien omdat ze ontbreken in zijn referentieboeken. Dit is van belang omdat miljoenen historische records, van oude brieven tot wetenschappelijke logboeken, vol staan met deze onzichtbare namen, waardoor waardevolle geografische kennis op slot wordt gezet die we anders niet kunnen ontsluiten of gebruiken.

Dit artikel duikt in een schatkist van dergelijke verborgen locaties: biologische specimen-records. Denk aan deze als de veldnotities van wetenschappers die meer dan een eeuw lang planten, insecten en schimmels hebben verzameld. Wanneer ze een nieuwe soort vonden, noteerden ze precies waar ze deze hadden gevonden, vaak met behulp van lokale, onofficiële namen voor oriëntatiepunten. De onderzoekers in deze studie stelden een grote vraag: Kunnen we de aanwijzingen die verspreid liggen over duizenden van deze oude aantekeningen gebruiken om te achterhalen waar deze "spookplaatsen" zich werkelijk bevinden? Ze behandelden de specimen-records als een enorme puzzel. Als één aantekening zegt dat een plant werd gevonden "ten noorden van Cabstand" en een andere zegt dat een plant werd gevonden "ten zuiden van Cabstand", en we weten de exacte coördinaten waar deze planten zijn geplukt, dan kunnen we achteruitwerken om te vinden waar "Cabstand" moet liggen. Door deze aanwijzingen te combineren, probeerde het team de locaties van deze ontbrekende plaatsen vast te pinnen met drie verschillende detective-strategieën: een strikte regelvolgende methode, een wiskundige waarschijnlijkheidsmethode en een moderne methode met Kunstmatige Intelligentie (AI).

Het Mysterie van de Ontbrekende Plekken

Het verhaal begint met een enorme collectie gegevens uit de Allan Herbarium in Nieuw-Zeeland. De onderzoekers bekeken meer dan 13.000 digitale records van plantenspecimens. Ze scanden de tekst op plaatsnamen en controleerden deze vervolgens tegen de officiële overheids-kaartdatabases. Zoals ze al vermoedden, vonden ze honderden namen die niet in een officiële gazetteer voorkwamen. Dit waren de Niet-Gazetteerde Plaatsnamen (NGP's). Sommigen waren historische boerderijstations, anderen waren oude trigpunten (meetpunten), en sommige waren gewoon lokale gemeenschapspunten zoals een specifieke school of een theezaaltje.

Het probleem was dat deze namen geen coördinaten hadden. Om dit op te lossen, realiseerde het team zich dat ze een geheim wapen hadden: redundantie. In de wereld van de veldbiologie verzamelen wetenschappers vaak veel monsters in hetzelfde algemene gebied. Dit betekent dat dezelfde verborgen plaatsnaam in tientallen verschillende aantekeningen kan voorkomen, telkens met een andere beschrijving. De ene aantekening zegt misschien: "Gevonden nabij Cabstand", terwijl een andere zegt: "Gevonden 1 mijl ten noorden van Cabstand". Hoewel "Cabstand" niet op een kaart staat, staan de specimens eromheen wel op de kaart. Door precies te weten waar de specimens zijn gevonden, konden de onderzoekers de locatie van de ontbrekende plaatsnaam terugberekenen.

Drie Manieren om de Puzzel Op te Lossen

Om de code te kraken, testte het team drie verschillende benaderingen, elk met een eigen persoonlijkheid.

1. De Strikte Regelvolger (Deterministische Methode)
Stel je een robot voor die instructies perfect opvolgt, maar in de war raakt als de instructies iets vaag zijn. Deze methode probeerde een strikte "doos" rond de mogelijke locatie van de ontbrekende plek te tekenen. Als een aantekening zei "ten noorden van", tekende de robot een lijn en zei: "De plek moet boven deze lijn liggen." Als een andere aantekening zei "ten zuiden van", tekende hij een andere lijn. Het antwoord moest de plek zijn waar alle lijnen elkaar kruisten.

• Het resultaat: Deze methode was erg kieskeurig. Als de aanwijzingen niet perfect overeenkwamen (wat vaak gebeurde, omdat oude aantekeningen vaag kunnen zijn), gaf de robot op en zei: "Ik kan dit niet oplossen." Hij slaagde er niet in om een locatie te vinden voor 108 van de 365 plaatsen die hij probeerde op te lossen. Wanneer het wel werkte, was het niet erg nauwkeurig.

2. De Wiskundige Tovenaar (Probabilistische Methode)
Deze benadering leek meer op een weervoorspeller. In plaats van harde lijnen te trekken, gebruikte het wiskunde om de waarschijnlijkheid te berekenen dat een plek zich op een bepaalde plek bevindt. Het behandelde elke aanwijzing als een "stem". Een aantekening die "1 km oost" zei, bracht een sterke stem uit voor een plek 1 km ten oosten. Een aantekening die "nabij" zei, bracht een zachtere, bredere stem uit. De computer telde alle stemmen op om de plek met de hoogste totaalscore te vinden.

• Het resultaat: Dit was de kampioen. Het vond succesvol een locatie voor elke enkele plaats. Het was het meest precies, met een mediane fout van 1,43 km. Dit betekent dat de voorspelde locatie in de helft van de gevallen binnen 1,43 km van de echte plek lag. Het kwam de locatie ook in 36% van de gevallen binnen 1 km van de waarheid tegen.

3. De AI-Detective (LLM-methode)
Deze methode gebruikte een Large Language Model (een geavanceerde AI) en gaf het de ruwe tekst van de aantekeningen en de coördinaten, met de vraag om het "uit te zoeken". De AI moest de aanwijzingen lezen, de relaties begrijpen (zoals "ten noorden van" of "nabij") en de mentale som maken om de plek te raden. De onderzoekers vroegen de AI zelfs om zijn redenering uit te leggen, wat verrassend genoeg hielp om het beter te doen.

• Het resultaat: De AI was een sterke kandidaat. Het vond locaties voor alle plaatsen en had een zeer lage gemiddelde fout, wat suggereerde dat het zellement de grote, gekke fouten maakte. Het was echter niet zo precies als de Wiskundige Tovenaar. De mediane fout was 1,80 km, en het kwam slechts in 31% van de gevallen binnen 1 km van de waarheid uit.

Wat de Aanwijzingen ons Vertellen

De studie vond enkele interessante patronen over hoe deze methoden met verschillende soorten aanwijzingen omgaan.

• Afstand doet ertoe: Wanneer een aantekening "1 km noord" zei, presteerden alle methoden beter. De afstand bood een hard anker.
• Alleen richting is lastig: Als een aantekening alleen "noord" zei zonder een afstand, had de Wiskundige Tovenaar iets meer moeite omdat "noord" alles kon betekenen van een paar meter tot honderden kilometers ver weg. De AI was echter verrassend goed in het raden van de juiste afstand zelfs zonder een getal, waarschijnlijk door gebruik te maken van zijn training over hoe mensen dingen gewoonlijk beschrijven.
• Het "Nabij"-probleem: De meest voorkomende aanwijzing was simpelweg "nabij". Dit is vaag. De Wiskundige Tovenaar handelde dit goed af door "nabij" te behandelen als een vage cirkel rond het specimen. De AI deed het ook goed, maar vertrouwde soms op zijn eigen interne kennis van hoe de wereld werkt, wat een tweesnijdend zwaard is (het kan goed raden door geluk, of fout raden op basis van een slechte aanname).

Het Eindoordeel

Het paper concludeert dat hoewel AI ongelooflijk slim en flexibel is, traditionele wiskundige modellering (de Probabilistische Methode) nog steeds de koning van de precisie is wanneer je een specifieke plek op de grond moet vinden. De AI is geweldig in het doen van een goede gok en het uitleggen van zijn denken, maar als je de meest nauwkeurige locatie mogelijk nodig hebt, wint de wiskundige benadering.

De onderzoekers zijn voorzichtig om te zeggen dat dit geen magische oplossing is die alles oplost. De methoden werken het best wanneer er meerdere aanwijzingen zijn (ten minste drie aantekeningen die dezelfde plaats vermelden) en wanneer de coördinaten van de specimens accuraat zijn. Ze merken ook op dat hun test werd uitgevoerd op een "pseudo"-dataset waarbij ze de antwoorden vooraf kenden om hun werk te controleren, dus de toepassing in de echte wereld kan andere uitdagingen kennen.

Uiteindelijk bewijst deze studie dat we oude, rommelige veldnotities niet hoeven weg te gooien alleen omdat ze plaatsen vermelden die niet op moderne kaarten staan. Door deze records te behandelen als een netwerk van aanwijzingen, kunnen we deze "spookplaatsen" weer tot leven wekken, de gaten in onze digitale kaarten opvullen en de geografische geschiedenis van onze wereld te bewaren. De volgende keer dat je een notitie ziet die zegt "gevonden nabij de oude molen", zul je weten dat met genoeg andere aantekeningen, we waarschijnlijk precies kunnen vinden waar die molen ooit stond.