“Het klimaat in Nederland verandert sneller dan verwacht”, publiceerde het KNMI vorige maand in een alarmerend klimaatrapport. Gemeentes buigen zich over een adaptatiestrategie om met deze wetenschap Nederland veilig en leefbaar te houden. Eén van de veelgehoorde maatregelen is het vergroten van infiltratiezones om de piekbelasting door extreme regenval te bufferen. Maar welke straten bieden de beste mogelijkheden voor infiltratiezones? Hierbij is het inzicht in de verhouding vegetatie (water doorlaatbaar) versus verharding (niet doorlaatbaar) per straat een waardevol uitgangspunt voor een gefundeerde strategie op basis van data. Lees hieronder hoe u in 7 stappen op straatniveau inzicht krijgt in de potentie van vergroening. Of bekijk de demo in de video.
Stap 1: Projectgebied clippen uit de luchtfoto
In deze stap clipt u het projectgebied uit een luchtfoto, het startpunt van de analyse. Maak hiervoor gebruik van de landelijke 25 centimeter luchtfoto CIR uit de Levende Atlas. Deze luchtfoto is een combinatie van de nabij-infrarode, rode en blauwe rasterbanden waarmee het contrast tussen vegetatie en verharding zichtbaar wordt.
Stap 2: Bebouwing en waterdelen uitsluiten
Om te voorkomen dat bebouwing wordt meegenomen in de classificatie, clipt u deze locaties ook uit de luchtfoto. Hetzelfde doet u vervolgens voor waterdelen, deze zijn immers altijd water doorlaatbaar. Het resultaat is een raster waar deze objecten zijn uitgefilterd. De eenvoudigste stap om dit te doen is door gebruik te maken van de Basisregistratie Adressen Gebouwen (BAG) voor bebouwing en de Basisregistratie Grootschalige Topografie (BGT) voor de waterdelen. De BAG- en BGT-data zijn beide beschikbaar in de Levende Atlas . Bedenk hierbij dat groene daken op gebouwen ook uitgesloten zijn van het classificatievraagstuk.
Stap 3: Type classificatie bepalen
Om de classificatie te starten maakt u gebruik van de Image Classification Wizard in ArcGIS Pro. Dit is een praktisch hulpmiddel dat u stap-voor-stap door het classificatieproces leidt. Selecteer hier de Supervised classificatiemethode. Hiermee kunt u zelf de klassen vegetatie en verharding definiëren.
Stap 4: Segmentatie bepalen
In de volgende stap bepaalt u de segmentatie. Dit geeft aan hoe de pixelwaardes van elkaar worden onderscheiden. Dit gebeurt met parameters voor het spectrale en ruimtelijke detail en de minimale grootte van een cluster aan pixels. Vervolgens definieert u een classificatieschema. Dit zijn de verschillende klassen die u gebruikt in de analyse, in dit vraagstuk kiest u voor vegetatie en verharding.
Stap 5: Trainingsdata intekenen
In deze stap tekent u handmatig vijftig voorbeelden in voor de twee klassen, verharding en vegetatie. Dit vormt de trainingsdata die u in de volgende stap gebruikt.
Stap 6: Selectie Machine Learning-algoritme
In deze stap selecteert u een Machine Learning-algoritme. Dit bepaalt welke eigenschappen worden meegenomen in de training van het model. Maak voor dit vraagstuk gebruik van het Support Vector Machine-algoritme. Deze is geschikt voor hoge resolutie satellietdata en kan met relatief weinig trainingsamples overweg. Vijftig samples, zoals u in stap 5 handmatig ingetekend hebt, is niet veel trainingsdata. Op basis van deze samples gaat u segmenteren en het algoritme trainen. Reserveer hiervoor wat verwerkingstijd.
Het Machine Learning-algoritme maakt een raster met het resultaat, met twee klassen op basis van de gefilterde luchtfoto CIR die als input is gebruikt. De verharde en onverharde delen zijn op de juiste manier weergegeven, maar het model heeft wel moeite met schaduwen. Hiervoor zou u in stap 4 een aparte klasse kunnen maken om deze in verdere berekeningen te negeren.
Stap 7: Percentage doorlaatbaar oppervlak per perceel berekenen
In deze laatste stap berekent u het percentage doorlaatbaar oppervlak per perceel. Dit doet u met een workflow van een aantal analysetools in ArcGIS Pro. In het resultaat ziet u waar in het projectgebied meer of minder vegetatie aanwezig is.
Hoeveelheid verharding gevisualiseerd
Wanneer u bovenstaande stappen doorlopen hebt heeft u met de Image Classification Wizard in ArcGIS Pro Machine Learning-algoritmes toegepast. Hiermee is een infrarode luchtfoto geautomatiseerd omgezet in een geclassificeerd beeld. De hoeveelheid verharding wordt eenvoudig gevisualiseerd op elk aggregatieniveau. Juist de flexibiliteit op aggregatieniveau helpt gemeenten met handhavingsvraagstukken. Het inzicht in de verhouding op straatniveau wordt daarnaast gebruikt om te visualiseren hoe de verhouding vegetatie en verharding door de jaren heen verandert.
Vergroening van de stad
Met tal van initiatieven wordt verharding ingeruild voor infiltratiezones. Gemeenten werken hard aan vergroening van de stad. In dit stappenplan zijn de krachten van AI gebundeld met geografie en GIS. Hierdoor verkrijgt u met een kleine tijdsinvestering inzicht in een groot projectgebied. Beslissingen nemen alleen op basis van onderbuikgevoel is niet meer van deze tijd. De klimaatopgave vraagt om een gefundeerde aanpak op basis van data. GIS helpt hierbij.
Wilt u verder praten over inzichten in verharding voor uw gemeente of de mogelijkheden van GeoAI? Neem dan contact met ons op via contact@esri.nl of ga naar esri.nl/geoai.
