De gemeente Almelo en de provincie Overijssel waren betrokken bij de innovatiesprint en leverden de benodigde data aan. Beide partijen hebben aangegeven interesse te hebben in de mogelijkheden die zijn verkend. Vanuit de gemeente Almelo waren GIS-medewerkers Joost Brama, Manuel Scholten en Reinoud Holleman aangesloten bij het project. Joost: “Deze sprint was voor ons een eerste kennismaking van het toepassen van AI binnen deze thema’s. Vanuit de gemeente worden we gestimuleerd om te innoveren en te kijken wat er allemaal mogelijk is.” Manuel vult aan: “We merken dat er steeds meer vragen binnenkomen over klimaatadaptatie en hoe we de inwoners beschermen tegen de gevolgen van klimaatverandering. De resultaten van deze cases kunnen we in de toekomst goed gebruiken om hiermee aan de slag te gaan.” Bij de gemeente is vooral wateroverlast een belangrijk onderwerp. Reinoud: “Door de ligging is de stad Almelo een soort afvoerputje.” Naast de uitdagingen van de problematiek zijn er binnen de gemeente ook andere uitdagingen om hiermee aan de slag te gaan. Om direct met de modellen te gaan werken is het volgens Reinoud voor de gemeente daarom nog wat te vroeg. “Bij alle drie de modellen zijn extensies gebruikt waar wij bij de gemeente momenteel nog geen beschikking over hebben, zoals ArcGIS Image Analyst.” De gemeente beschikt ook niet over de zwaardere hardware die nodig is om Deep Learning uit te voeren. Dat geldt ook voor de provincie Overijssel, waar al wel Deep Learning wordt toegepast, maar dat wordt niet door de provincie zelf uitgevoerd. De provincie deed mee aan de innovatiesprint als uitbereiding op de notitie 'Toekomstbestendig GIS' en wil zeker vervolgstappen zetten. Zo denken ze aan het deelnemen aan trainingen op het gebied van Deep Learning als vervolg op de eerder gevolgde Image Analyst-training. De provincie ziet juist droogte als grote uitdaging voor de komende jaren en hoopt de modellen te kunnen inzetten voor het beleid om deze problematiek te voorkomen.
Om steden en dorpen klimaatbestendig in te richten, is het belangrijk om in kaart te brengen waar het huidige groenoppervlak zich bevindt en waar potentie ligt om verder te vergroenen. Groen is bijvoorbeeld belangrijk om wateroverlast bij extreme regenbuien te beperken door een goede waterafvoer, of om de gevoelstemperatuur op warme dagen binnen de perken te houden. Willem Vlot trainde een model dat aan de hand van openbare luchtfoto’s uit de Levende Atlas groengebied kan detecteren. Daarbij wilde hij vooral de stap maken naar een gedetailleerder beeld. “Gemeenten hebben vaak wel een idee van de hoeveelheid groen per buurt, maar we wilden een model maken dat op perceelniveau het percentage groen kan berekenen. De meerwaarde van dit model zit hem volgens Willem vooral in de detectie van groen in de private ruimte: “Informatie over de hoeveelheid groen in de openbare ruimte is al beschikbaar in de Basisregistratie Openbare Topografie (BGT). Dat geldt niet voor private ruimte. De gemeente Almelo was bijvoorbeeld geïnteresseerd in de hoeveelheid groen op schoolpleinen. Deze informatie konden we uit de analyse halen. Daaruit bleek dat veel schoolpleinen nog overwegend uit tegels bestaan.” Ook in deze case is het kunnen monitoren om hierop te kunnen sturen volgens Bas de belangrijkste uitkomst voor de gemeente en provincie.
Benieuwd welke stappen Willem heeft genomen voor de detectie van bomen?
Artificial Intelligence
spelen bij klimaatadaptatie?
Bomen zorgen voor schaduw in een stad en dempen daarmee hittestress op warme dagen. Ze hebben een positief effect op ons menselijk welzijn en op de biodiversiteit. Maar bomen kunnen ook voor verhoogd risico zorgen, bijvoorbeeld bij stormachtig weer of wanneer wortels in de buurt van kabels en leidingen komen.
Zowel de gemeente Almelo als de provincie Overijssel heeft behoefte aan een goede en complete inventarisatie van bomen. Willem maakte hiervoor een Deep Learning-model dat de bomen in het publieke en het private domein in kaart brengt en daarbij informatie als hoogte van de boom en de diameter van de boomkroon meeneemt. Dit model is getraind op basis van AHN-puntenwolken. Daarbij is er een onderzoek gestart naar het trainen van het model in het herkennen van boomsoorten. Willem: “Dit onderzoek is nog in de beginfase, maar de eerste modellen geven hoopgevende resultaten. Zo kon het model al best aardig eikenbomen classificeren.” Volgens Bas zijn de resultaten van deze case niet alleen interessant voor de (semi-)overheid. “Ook vanuit de AEC-markt (Architecture-, Engineering en Construction) is er vraag naar gedetailleerde informatie over bomen, zoals boomsoort en wortelprofiel, wat een logische uitbreiding van de oplossing zou zijn.” Antoine: “Bovendien sluit deze case mooi aan op de veelgebruikte 3-30-300 regel. Volgens deze regel moet iedere bewoner minimaal drie bomen vanuit zijn huis kunnen zien, is 30% van de directe leefomgeving groen en is er op minimaal 300 meter afstand een groene openbare ruimte, zoals een park. Steeds meer partijen streven hiernaar. Met dit model kan de regel natuurlijk goed getoetst worden.”
Zonne-energie is een belangrijke vorm van energie die Nederland wil inzetten om een duurzaam energiesysteem te krijgen. Om op tijd voldoende duurzame energie op te wekken zijn zowel zonnepanelen op daken als op de grond nodig. Voor gemeenten is het interessant om het aantal zonnepanelen goed te kunnen monitoren. Antoine van Esch maakte in deze case gebruik van Deep Learning-technieken om de zonnepanelen in de gemeente Almelo te detecteren. “Met het model, ontworpen voor de gemeente Almelo, kun je aan de hand van data uit luchtfoto’s een groot percentage zonnepanelen automatisch detecteren in Almelo. Maar dat is nog niet direct informatie waar je iets mee kan. Daarom zijn deze gegevens gekoppeld aan bestaande data vanuit de Basisregistratie Adressen en Gebouwen (BAG), zoals het bouwjaar, postcode en energielabels. Al deze data is vervolgens bij elkaar gebracht en inzichtelijk gemaakt in een dashboard.” Het dashboard is volgens Bas van Gurp (solution sales) een belangrijke meerwaarde in de vertaalslag van informatie naar toegevoegde waarde in de business. “Er bestaan natuurlijk meer modellen en oplossingen in de markt om zonnepanelen te detecteren. Het wordt echter extra interessant wanneer je de uitkomsten van zo'n model koppelt aan andere openbare informatie uit de Levende Atlas en vervolgens inzichtelijk maakt voor een breed publiek. Hierdoor ga je van resultaat naar inzicht, waarop snel actie kan worden genomen.” Antoine geeft een voorbeeld: “In Almelo zie je bijvoorbeeld dat op panden van na het jaar 2000 vaak wel zonnepanelen liggen, maar op oudere panden veel minder. Dit soort patronen zijn interessant voor de gemeente, om bijvoorbeeld subsidieregelingen op aan te passen.”
Benieuwd hoe het Deep Learning-model van Antoine is gemaakt?
Meer weten over GeoAI?
Ontdek een verzameling van kennis en inspiratie over GeoAI. Klik hier.
Esri Nederland
Willemijn Ruissen
Geospatial Artificial Intellenge, ofwel GeoAI, is de combinatie van kunstmatige intelligentie (AI) en geografie. De digitale transformatie, waaronder ontwikkelingen in computerkracht, slimmere algoritmes, goedkopere dataopslag en de hoeveelheid beschikbare data, hebben AI op veel vlakken naar de dagelijkse realiteit gebracht. Combineer deze ontwikkelingen met GIS, het beschikbaar maken van informatie op de kaart, en er ontstaat een krachtige combinatie. Met behulp van GeoAI werden in de innovatiesprint drie mogelijke toepassingen onderzocht: detectie van zonnepanelen, detectie van bomen en classificatie van groen in de stad.
Hoe gaan we ervoor zorgen dat we de komende jaren minder kwetsbaar zijn voor klimaatverandering? Denk aan het verstevigen van dijken, het verbreden van rivieren en het realiseren van meer groen in steden. Nieuwe technieken bieden een helpende hand bij klimaatadaptatie. Samen met de provincie Overijssel en de gemeente Almelo werd er in een innovatiesprint onderzocht welke rol Artificial Intelligence kan spelen bij het klimaatbestendig maken van de leefomgeving.
Bomen zorgen voor schaduw in een stad en dempen daarmee hittestress op warme dagen. Ze hebben een positief effect op ons menselijk welzijn en op de biodiversiteit. Maar bomen kunnen ook voor verhoogd risico zorgen, bijvoorbeeld bij stormachtig weer of wanneer wortels in de buurt van kabels en leidingen komen.
Zowel de gemeente Almelo als de provincie Overijssel heeft behoefte aan een goede en complete inventarisatie van bomen. Willem maakte hiervoor een Deep Learning-model dat de bomen in het publieke en het private domein in kaart brengt en daarbij informatie als hoogte van de boom en de diameter van de boomkroon meeneemt. Dit model is getraind op basis van AHN-puntenwolken. Daarbij is er een onderzoek gestart naar het trainen van het model in het herkennen van boomsoorten. Willem: “Dit onderzoek is nog in de beginfase, maar de eerste modellen geven hoopgevende resultaten. Zo kon het model al best aardig eikenbomen classificeren.” Volgens Bas zijn de resultaten van deze case niet alleen interessant voor de (semi-)overheid. “Ook vanuit de AEC-markt (Architecture-, Engineering en Construction) is er vraag naar gedetailleerde informatie over bomen, zoals boomsoort en wortelprofiel, wat een logische uitbreiding van de oplossing zou zijn.” Antoine: “Bovendien sluit deze case mooi aan op de veelgebruikte 3-30-300 regel. Volgens deze regel moet iedere bewoner minimaal drie bomen vanuit zijn huis kunnen zien, is 30% van de directe leefomgeving groen en is er op minimaal 300 meter afstand een groene openbare ruimte, zoals een park. Steeds meer partijen streven hiernaar. Met dit model kan de regel natuurlijk goed getoetst worden.”
Deep Learning-model
Geospatial Artificial Intellenge, ofwel GeoAI, is de combinatie van kunstmatige intelligentie (AI) en geografie. De digitale transformatie, waaronder ontwikkelingen in computerkracht, slimmere algoritmes, goedkopere dataopslag en de hoeveelheid beschikbare data, hebben AI op veel vlakken naar de dagelijkse realiteit gebracht. Combineer deze ontwikkelingen met GIS, het beschikbaar maken van informatie op de kaart, en er ontstaat een krachtige combinatie. Met behulp van GeoAI werden in de innovatiesprint drie mogelijke toepassingen onderzocht: detectie van zonnepanelen, detectie van bomen en classificatie van groen in de stad.
Esri Nederland
Willemijn Ruissen
Meer weten over GeoAI?
Ontdek een verzameling van kennis en inspiratie over GeoAI. Klik hier.
De gemeente Almelo en de provincie Overijssel waren betrokken bij de innovatiesprint en leverden de benodigde data aan. Beide partijen hebben aangegeven interesse te hebben in de mogelijkheden die zijn verkend. Vanuit de gemeente Almelo waren GIS-medewerkers Joost Brama, Manuel Scholten en Reinoud Holleman aangesloten bij het project. Joost: “Deze sprint was voor ons een eerste kennismaking van het toepassen van AI binnen deze thema’s. Vanuit de gemeente worden we gestimuleerd om te innoveren en te kijken wat er allemaal mogelijk is.” Manuel vult aan: “We merken dat er steeds meer vragen binnenkomen over klimaatadaptatie en hoe we de inwoners beschermen tegen de gevolgen van klimaatverandering. De resultaten van deze cases kunnen we in de toekomst goed gebruiken om hiermee aan de slag te gaan.” Bij de gemeente is vooral wateroverlast een belangrijk onderwerp. Reinoud: “Door de ligging is de stad Almelo een soort afvoerputje.” Naast de uitdagingen van de problematiek zijn er binnen de gemeente ook andere uitdagingen om hiermee aan de slag te gaan. Om direct met de modellen te gaan werken is het volgens Reinoud voor de gemeente daarom nog wat te vroeg. “Bij alle drie de modellen zijn extensies gebruikt waar wij bij de gemeente momenteel nog geen beschikking over hebben, zoals ArcGIS Image Analyst.” De gemeente beschikt ook niet over de zwaardere hardware die nodig is om Deep Learning uit te voeren. Dat geldt ook voor de provincie Overijssel, waar al wel Deep Learning wordt toegepast, maar dat wordt niet door de provincie zelf uitgevoerd. De provincie deed mee aan de innovatiesprint als uitbereiding op de notitie 'Toekomstbestendig GIS' en wil zeker vervolgstappen zetten. Zo denken ze aan het deelnemen aan trainingen op het gebied van Deep Learning als vervolg op de eerder gevolgde Image Analyst-training. De provincie ziet juist droogte als grote uitdaging voor de komende jaren en hoopt de modellen te kunnen inzetten voor het beleid om deze problematiek te voorkomen.
Om steden en dorpen klimaatbestendig in te richten, is het belangrijk om in kaart te brengen waar het huidige groenoppervlak zich bevindt en waar potentie ligt om verder te vergroenen. Groen is bijvoorbeeld belangrijk om wateroverlast bij extreme regenbuien te beperken door een goede waterafvoer, of om de gevoelstemperatuur op warme dagen binnen de perken te houden. Willem Vlot trainde een model dat aan de hand van openbare luchtfoto’s uit de Levende Atlas groengebied kan detecteren. Daarbij wilde hij vooral de stap maken naar een gedetailleerder beeld. “Gemeenten hebben vaak wel een idee van de hoeveelheid groen per buurt, maar we wilden een model maken dat op perceelniveau het percentage groen kan berekenen. De meerwaarde van dit model zit hem volgens Willem vooral in de detectie van groen in de private ruimte: “Informatie over de hoeveelheid groen in de openbare ruimte is al beschikbaar in de Basisregistratie Openbare Topografie (BGT). Dat geldt niet voor private ruimte. De gemeente Almelo was bijvoorbeeld geïnteresseerd in de hoeveelheid groen op schoolpleinen. Deze informatie konden we uit de analyse halen. Daaruit bleek dat veel schoolpleinen nog overwegend uit tegels bestaan.” Ook in deze case is het kunnen monitoren om hierop te kunnen sturen volgens Bas de belangrijkste uitkomst voor de gemeente en provincie.
Benieuwd welke stappen Willem heeft genomen voor de detectie van bomen?
Zonne-energie is een belangrijke vorm van energie die Nederland wil inzetten om een duurzaam energiesysteem te krijgen. Om op tijd voldoende duurzame energie op te wekken zijn zowel zonnepanelen op daken als op de grond nodig. Voor gemeenten is het interessant om het aantal zonnepanelen goed te kunnen monitoren. Antoine van Esch maakte in deze case gebruik van Deep Learning-technieken om de zonnepanelen in de gemeente Almelo te detecteren. “Met het model, ontworpen voor de gemeente Almelo, kun je aan de hand van data uit luchtfoto’s een groot percentage zonnepanelen automatisch detecteren in Almelo. Maar dat is nog niet direct informatie waar je iets mee kan. Daarom zijn deze gegevens gekoppeld aan bestaande data vanuit de Basisregistratie Adressen en Gebouwen (BAG), zoals het bouwjaar, postcode en energielabels. Al deze data is vervolgens bij elkaar gebracht en inzichtelijk gemaakt in een dashboard.” Het dashboard is volgens Bas van Gurp (solution sales) een belangrijke meerwaarde in de vertaalslag van informatie naar toegevoegde waarde in de business. “Er bestaan natuurlijk meer modellen en oplossingen in de markt om zonnepanelen te detecteren. Het wordt echter extra interessant wanneer je de uitkomsten van zo'n model koppelt aan andere openbare informatie uit de Levende Atlas en vervolgens inzichtelijk maakt voor een breed publiek. Hierdoor ga je van resultaat naar inzicht, waarop snel actie kan worden genomen.” Antoine geeft een voorbeeld: “In Almelo zie je bijvoorbeeld dat op panden van na het jaar 2000 vaak wel zonnepanelen liggen, maar op oudere panden veel minder. Dit soort patronen zijn interessant voor de gemeente, om bijvoorbeeld subsidieregelingen op aan te passen.”
Benieuwd hoe het Deep Learning-model van Antoine is gemaakt?
Artificial Intelligence
spelen bij klimaatadaptatie?
Hoe gaan we ervoor zorgen dat we de komende jaren minder kwetsbaar zijn voor klimaatverandering? Denk aan het verstevigen van dijken, het verbreden van rivieren en het realiseren van meer groen in steden. Nieuwe technieken bieden een helpende hand bij klimaatadaptatie. Samen met de provincie Overijssel en de gemeente Almelo werd er in een innovatiesprint onderzocht welke rol Artificial Intelligence kan spelen bij het klimaatbestendig maken van de leefomgeving.