Geospatial Data Science inzetten voor een duurzame wereld

Geospatial Data Science wordt in de praktijk vaak gebruikt voor analyses die met duurzaamheid te maken hebben. Dit om twee redenen. Ten eerste zijn er vrijwel altijd geografische gegevens nodig om duurzame thema’s te analyseren. En ten tweede zijn er vaak heel veel factoren van invloed waardoor de inzet van geavanceerde technieken absoluut noodzakelijk zijn. In deze blog geef ik meer toelichting op basis van twee voorbeeldcasussen.

Voorbeeld 1: de strijd tegen klimaatverandering

Nederland heeft 162 Natura 2000-gebieden. Een groot gedeelte van deze gebieden zijn stikstofgevoelig, wat inhoudt dat de kwaliteit van aanwezige flora en fauna wordt aangetast door stikstofneerslag. Een bedrijf dat binnen de grenzen van één van deze gebieden is gevestigd mag bij nieuwe bedrijfsactiviteiten (lees: alles waarvoor een natuurvergunning aangevraagd moet worden) geen extra stikstof uitstoten.

Provinciale overheden zijn er bij nieuwe vergunningaanvragen verantwoordelijk voor om deze waarde te toetsen. Bij een vergunningaanvraag kan er stikstofruimte vrijgemaakt (intern salderen), gekocht (extern salderen) of zelfs geleased worden. Extern salderen mag bovendien maar voor 70%, wat ‘de rekensom’ nog complexer maakt.

Het stikstofdepositievraagstuk bevat alles wat vraagt om Geospatial Data Science: geografische relaties zijn van groot belang, de hoeveelheid benodigde data is heel groot en er zijn vele factoren die de uitkomst beïnvloeden. Zonder GDS is de stikstofmeting voor de natuurvergunning extreem arbeidsintensief. Met behulp van bestaande datasets (bijvoorbeeld van het RIVM) kun je het vraagstuk visueel maken.

In onderstaande afbeelding zie je een voorbeeld. Op deze kaart zie je de uitstoot in twee Natura 2000-gebieden in de buurt van Tilburg. De gele rechthoeken zijn boerderijen. Voor een wegenbouwproject zou de uitkomst dus kunnen zijn: we kopen één van deze boerderijen uit zodat er stikstofruimte ontstaat waardoor er een natuurvergunning verstrekt mag worden.

Tekst gaat verder onder de afbeelding.

Waarom dit een voorbeeld is van Geospatial Data Science

De rekensom die bepaalt welke boerderij het meest geschikt is om uit te kopen is complex. Vanuit je actuele data zijn er meerdere factoren die invloed hebben op de uitkomst: de hoeveelheid stikstofuitstoot, de financiële waarde van de boerderij en de grondoppervlakte bijvoorbeeld. Een analyse op basis van actuele data kun je verrijken met een voorspellend model.

Ik schets een hypothetisch voorbeeld ter verduidelijking. Boerderij A kan op dit moment een hoge uitstoot hebben, maar wel actief bezig zijn om duurzame ingrepen te doen. Boerderij B heeft een lagere uitstoot, maar heeft nog geen enkele duurzame ingreep gedaan. Kortom: de beslissing om boerderij A uit te kopen op basis van actuele gegevens is in dit voorbeeld (mogelijk) de verkeerde beslissing. Deze afhankelijkheid van patronen maakt dit voorbeeld tot een schoolvoorbeeld van Geospatial Data Science.

Voorbeeld 2: bevordering van de energietransitie

Een tweede casus waarbij Geospatial Data Science een bijdrage heeft geleverd aan een duurzamere wereld is die van de zonnepanelenkaart die we voor de Gemeente Haarlem hebben gemaakt. Datavraagstukken die met duurzame energie te maken hebben zijn in de regel complex. Dit heeft meerdere oorzaken:

1. De derde dimensie speelt een rol:
2. Het weer speelt een rol (en dat is nooit een vast gegeven);
3. De hoeveelheid objecten én overige factoren dat een rol speelt is groot.

De derde dimensie

Alle vormen van duurzame energie worden beïnvloed door de hoogte, breedte en diepte van objecten. Windmolens functioneren beter in een wijde, vlakke omgeving. Zonnepanelen presteren het beste bij een hellingshoek van 35 graden. De turbine van een stuwdam wekt meer energie op naarmate het water dieper neerstort.

Het weer

Dat een regenachtige augustus slecht is voor de energie-opwekking op je dak ligt voor de hand. Dat een windturbine niet draait zonder wind ook. Het weer als factor is gemaakt voor Data Science: niet voor niets is de weersvoorspelling het oudste voorbeeld van dit fenomeen.

Het aantal objecten

De Gemeente Haarlem wilde een kaart waarop burgers van de binnenstad in één oogopslag konden zien of hun dak geschikt was voor zonnepanelen. Om dit vast te stellen moest er per woning en per dakdeel vastgesteld worden of het plat of schuin was, of het een monumentaal pand was en of de dakdelen vanaf de openbare weg zichtbaar waren. Dit handmatig in kaart brengen was extreem arbeidsintensief. Tensing heeft de Gemeente Haarlem geholpen met dit datavraagstuk. Details lees je in onze casestudy over dit project. Onderstaand screenshot geeft je een 2D beeld van het resultaat.

Tekst gaat verder onder de afbeelding. 

Bij het voorbeeld van de Gemeente Haarlem hebben we open data gebruikt uit de 3D BAG dataset van de Technische Universiteit Delft. Maar we experimenteren daarnaast ook met Deep Learning-technieken om in de (nabije) toekomst op basis van beeldherkenning met een U-net architectuur de daktypes vast te stellen. De accuratie van deze technieken stijgen, simpelweg door te experimenteren en te verbeteren. Ik vind dat je moet blijven innoveren als je overtuigd bent van de waarde van Geospatial Data Science.

Ook Geospatial Data Science inzetten om duurzaamheid te bevorderen? Neem gerust contact op!