Datasets visualisatie geschikte daken voor plaatsing van zonnepanelen (2/2)

In mijn vorige blogpost schreef ik over ons project bij de Gemeente Haarlem. Zij vroegen Tensing om met een oplossing te komen om hun inwoners te helpen bepalen of hun daken geschikt zijn voor het plaatsen van zonnepanelen. We hebben een viewer gebouwd, waarmee inwoners snel kunnen zien of hun woningen geschikt zijn voor het plaatsen van zonnepanelen. De viewer is opgebouwd uit drie datasets. In dit artikel zoomen we in op de drie datasets die zijn gebruikt. 

FME als data integratie platform

Naast de datasets hebben we ook gebruik gemaakt van FME. FME (Feature Manipulation Engine) is een data integratie platform van Safe Software. Het platform maakt het mogelijk om eenvoudig een groot aantal applicaties met elkaar te verbinden, data te transformeren en dataprocessen te automatiseren. Met de gemaakte FME processen kan de gemeente de resultaten reproduceren wanneer er in de loop der jaren nieuwe gegevens beschikbaar worden gemaakt.

De gebruikte datasets

De drie datasets worden op meerdere niveaus geleverd:

• Dataset #1 bevat een 2D-kaart van alle daken van elk BAG-adres in de binnenstad met daarin een classificatie of het een plat of schuin dak is en of het pand een monumentale status heeft of niet (dit is belangrijk in het beleid van de gemeente).
• Dataset #2 bevat een 2D kaart van alle dakdelen van elk BAG adres in de binnenstad met een classificatie of het een plat of schuin dak is en of het pand een monumentale status heeft of niet.
• Dataset #3 bevat een 2D kaart van de viewsheds (het geografische gebied dat zichtbaar is vanaf een locatie) van de dakdelen van elk BAG adres in de binnenstad die zichtbaar zijn vanaf de openbare weg.

Geïnteresseerd in de volledige projectbeschrijving van ons werk voor de Gemeente Haarlem? Download de casestudie hier.

Dataset #1: Daktypes

Om de oplossing mogelijk te maken, wilden zowel de gemeente als Tensing zoveel mogelijk open data gebruiken. Dit zorgt ervoor dat de gemeente kan werken met data die eenvoudig te verkrijgen en te transformeren is. Ze hebben hierdoor geen datalicenties nodig en krijgen niet te maken met risico's of aansprakelijkheden van andere partijen. Voor Tensing maakt het gebruik van open data het makkelijker de oplossing te reproduceren en mogelijk te implementeren bij andere gemeenten om hun te ondersteunen bij soortgelijke problemen. 

Gemeente Haarlem is een actieve FME-gebruiker. Ze wilden daarom ook dat het volledige proces in FME gebouwd werd. Dat was voor ons natuurlijk geen probleem!

Bij het bouwen van de eerste dataset hebben we gebruik gemaakt van vier bronnen: 

• De grenzen van de Haarlemse binnenstad (als enig aandachtsgebied), te vinden op https://kaart.haarlem.nl/app/map/62;
• BAG-gegevens voor alle gebouwen binnen de gemeente (gebouwspecifieke gegevens), beschikbaar op https://www.pdok.nl/geo-services/-/article/basisregistratie-adressen-en-gebouwen-ba-1;
• Haarlemse KER-gegevens (Kernregistratiegegevens, met gegevens over gebouwen die een monumentale status hebben of boven/onder de grond staan, enz.), beschikbaar op https://kaart.haarlem.nl/app/map/62;
• AHN4 hoogtegegevens in rasterformaat met een resolutie van 0,5 m bij 0,5 m, beschikbaar op https://www.ahn.nl/ahn-4.

Van deze gegevens in FME gebruikten we alleen de gebouwen in de binnenstad, voegden we alle BAG & KER details toe in een enkele dataset en de hoogtegegevens voor elk afzonderlijk gebouw werden verwijderd. Met deze kleine dakrasters berekenden we de gemiddelde helling voor elk dak en classificeerden het als schuin of plat, gebaseerd op een benchmark waarde. Daarnaast hebben we ook geclassificeerd of de gebouwen een monumentale status hebben of niet. Tenslotte hebben we de rasters en classificaties omgevormd tot polygonen die in een uiteindelijke vectorlaag konden worden geschreven.

Een fragment van deze uiteindelijke dataset ziet er ongeveer zo uit zoals hieronder, met de verschillende classificaties op basis van daktype en monumentale status aan de linkerkant:

Dataset #2: Gedeeltelijke daktypes

De tweede dataset werd gebouwd op het FME proces van de eerste, met als enig verschil dat deze dataset alle afzonderlijke dakdelen van elk gebouw bevat, in plaats van het hele dak.

We hadden twee mogelijkheden om de afzonderlijke dakdelen te maken:

1. Het wiel opnieuw uitvinden en een aangepast model of proces maken dat de randen van       dakdelen, schoorstenen, dakkapellen aangeeft.

2. Gebruik maken van reeds beschikbare open data en die eenvoudig integreren in ons proces.

Omdat we ons richten op het tijdig bouwen van een nauwkeurig product, hebben we ervoor gekozen om de gegevens te gebruiken die al voor iedereen beschikbaar zijn, namelijk de 3D BAG-dataset die door de TU Delft is gepubliceerd op https://3dbag.nl/en/viewer. Deze gegevens zien eruit als de afbeelding hieronder en kunnen worden omgezet in de exacte dakdelen die we nodig hebben wanneer ze in 2D worden gelezen.

Omdat veel van het oorspronkelijke proces van dataset #1 hetzelfde is gebleven, hebben we een vergelijkbaar proces gemaakt voor de dakdelen volgens dezelfde transformatiestappen. Deze uiteindelijke dataset ziet er ongeveer hetzelfde uit als de eerste, maar is veel genuanceerder omdat hij nu per dakdeel is geclassificeerd. De gebouwen in het midden van de onderstaande afbeelding bevatten bijvoorbeeld een aantal vlakke delen in het midden van de daken (wat niet duidelijk is in de meer eenvoudige eerste dataset). Deze gebieden zijn ideaal voor het plaatsen van zonnepanelen!

Dataset #3: dak viewshed 

De derde dataset die we hebben gebouwd, verschilt enigszins van de eerste twee. Bovendien was het ook moeilijker om deze te bouwen, vooral om de juiste hulpmiddelen te vinden die in de processen van de gemeente konden worden opgenomen.

Ten eerste was het doel van deze dataset het creëren van zichten vanaf een groot aantal punten langs de openbare weg. Wat dat precies inhoudt, wordt het best geïllustreerd in de onderstaande animatie: wat is er te zien vanuit elk punt langs een bepaalde weg?

We hebben overwogen om zoiets als de 3D Viewshed Analysis in ArcGIS Earth te gebruiken, maar dit zou het toevoegen van abonnementen van zowel de klant als Tensing vereisen en zou ook buiten het bereik van FME vallen, wat niet wenselijk was. Na wat onderzoek vonden we de tool GRASS GIS, die al beschikbaar is als een add-on in QGIS, maar ook kan worden geïmporteerd en gebruikt als een Python module. Voor mij als Data Scientist leek dit een spannende uitdaging op bekend terrein.

Eerst hebben we de data van de openbare weg toegevoegd, die beschikbaar is via de open data viewer van de gemeente op https://kaart.haarlem.nl/app/map/57. We hebben deze gegevens getransporteerd, zodat we alleen de randen van de wegen hebben. Langs deze randen konden we om de 15 meter coördinaten aanwijzen. Een ruwe schattig van de afstand zou genoeg punten opleveren om de gehele binnenstad te bekijken, zonder dat de verwerkingstijd trager werd. 

Na wat trial & error over hoe de viewshed analyses het best te behandelen, hebben we een Python loop gemaakt waar een viewshed analyse wordt gedaan voor elk coördinaat langs de openbare weg lijnen, elk viewshed wordt gepatched op de vorige viewsheds en de uiteindelijke viewshed raster wordt omgezet in een vector laag.

Om een idee te geven van hoe deze viewsheds er in de praktijk uitzien, volgen hieronder enkele voorbeelden van output viewsheds die zichtbaar zijn vanaf een bepaalde coördinaat in het centrum van elk beeld.

Op zichzelf lijken deze perspectieven niet erg informatief. Wanneer we echter de verschillende perspectieven op elkaar afstemmen, wordt het resultaat ineens een stuk duidelijker. In de afbeelding hieronder zien we een deel van de binnenstad waar alles wat grijs is vanaf de openbare weg te zien is.

Het meest interessante deel is wanneer het volledige viewshed-raster wordt omgezet in een vectorlaag en wordt geclipt op alleen de geregistreerde gebouwen in de binnenstad. Dan zien we het eindresultaat van de viewsheds op alle dakdelen die zichtbaar zijn vanaf de openbare weg.

Het resultaat

Deze drie datasets zijn op zichzelf al nuttige informatieproducten, maar hun volledige potentieel komt pas echt tot zijn recht als ze worden samengevoegd. Hieronder zie je de classificaties van dataset #2 (gekleurd) gecombineerd met de viewsheds van dataset #3 (zwart gearceerd bovenop de dakdelen).

Vanuit deze view kun je precies zien welke dakdelen plat, schuin, historisch en in het zicht zijn.

Op basis van deze geautomatiseerde resultaten kon de gemeente een beleidskaart opstellen. De kaart kun je hier bekijken. Met deze beleidskaart op hun openbare website kan de gemeente Haarlem nu voor elk dakdeel duidelijk aangeven welke gebieden in aanmerking komen voor plaatsing van zonnepanelen.

Ben je benieuwd naar de gehele case? Download hier de volledige casestudie.