top of page

Interview met Damiaan van Hartveld

Damiaan van Harteveld (26 jaar) heeft een paar weken geleden zijn master afgerond in GIS en Remote Sensing aan de Universiteit Wageningen. Ik kwam hem tegen in de trein en we begonnen een interessant gesprek. Wat is GIS eigenlijk en wat heeft het ruimtelijke planning te bieden?


Je hebt vanaf 2016 tot 2020 Ruimtelijke Planning en Sociale Geografie gestudeerd in Utrecht, waarom ben je naar Wageningen gegaan voor de Master Geo-information science? 

Mijn zus heeft haar bachelor en master gedaan in Wageningen. Van haar hoorde ik goede verhalen.  Ik was op zoek naar GIS-studie en toen bleek dat de beste opleiding hiervan te vinden was in Wageningen. Na mijn uitwisseling had ik ook zin om naar een andere stad te gaan; een andere frisse vibe te hebben. En de campus is ook nog eens een stuk mooier. Sindsdien heb ik eigenlijk geen seconde spijt gehad.


Wat houdt Geo-information Science in?

GIS houdt zich bezig met uitvoeren van analyses met data die een locatie hebben. Uit onderzoek blijkt dat 80% van de data een locatie heeft (de zogenoemde geo-data), hiermee kan je natuurlijk enorm veel doen. Alle kwantitatieve analyses die je hiermee kan doen, vallen eigenlijk wel onder de noemer GIS.


In 2022 begon je met je master thesis voor GIS. Op welke manier gebruik je geo-information in je master thesis?

Mijn master thesis ging over bosbranden. Bosbranden hebben drie componenten nodig om te ontstaan: brandstof, zuurstof en een ontbrandingstemperatuur, de welbekende verbrandingsdriehoek. Zuurstof is onmogelijk te verwijderen. Hetzelfde geldt voor de ontbrandingstemperatuur: soms wordt het gewoon heel heet door natuurlijke omstandigheden, gooit iemand een sigaret op de grond of worden branden expres aangestoken, dat laatste gebeurt helaas vaak. Enkel aan de brandstof van een bosbrand kan echt iets worden gedaan: als vegetatie wordt weggehaald kan het vuur zich niet of minder snel verspreiden.


Tijdens mijn thesis heb ik een AI model ontwikkeld die zelf bepaalt welke ruimtelijke indeling van  brandbare vegetatie het beste is om toekomstige bosbranden te voorkomen. Het algoritme heeft drie doelen. Ten eerste moet het totale oppervlakte verbrande areaal zo klein mogelijk zijn, ten tweede moet het aantal huizen dat verband wordt zo laag mogelijk zijn en ten derde moeten de kosten voor het wegehalen van vegetatie zo laag mogelijk blijven. De AI, het genetische algoritme (multi-objective optimization; Non Dominant Sorting Genetic Algorithm (NSGA) II specifiek), kan bepalen wat de optimale plek is om vegetatie te verwijderen voor elke budgetoptie. In de praktijk is er, zoals bij elk probleem, maar beperkt geld beschikbaar. Daarom is deze methode een hele geschikte planningstool.


Afbeelding 1: Grafiek van de optimale vegetatie indelingen per kosten (Pareto Front)


Om deze AI te kunnen laten werken heb ik eerst een wildfire simulatie model geprogrammeerd dat simuleert hoe een bosbrand zich gaat verspreiden op basis van bepaalde assumpties en condities. Er zijn bestaande modellen voor vuur-verspreiding, alleen verschillen ze in precisie en zijn sommige erg tijdrovend voor een simulatie: tot wel 4 dagen. Mijn eigen model is snel, maar helaas minder werkelijkheidsgetrouw daardoor: hij runt 120 simulaties in een minuut. 


Het model test hoe goed het weghalen van vegetatie de vuurverspreiding beperkt. De AI haalde soms stroken bos weg op hele handige plekken, waardoor het vuur zich niet ver verspreidde, maar soms ook niet. Het genetisch algoritme combineert delen van de beste kaartjes (cross-over; net als in genetica), totdat de nieuwe kaartjes niet meer beter werden dan de oudere. Dit wordt convergentie genoemd.  


Afbeelding 2: Resultaten van de case-study

Afbeelding 3: Workflow van het genetisch algoritme (het AI model)


Je hebt het laatste half jaar stage gelopen bij stage in Den Haag bij Geokapti, een bedrijf dat zich specialiseert in aardobservatie. Wat deed je daar?

Ik werkte bij GeoKapti vooral veel met remote sensing, iets wat erg interessant is voor ruimtelijke planning, omdat het gaat over de dataverzameling achter ruimtelijke data. Remote sensing houdt zich bezig met het meten en observeren van het aardoppervlak. Dit kan gedaan worden met allerlei meetinstrumenten, zoals drones, maar het gebeurt meestal met satellieten die rondom de aarde zweven. Deze satellieten vangen licht op in verschillende spectra, zoals het zichtbare rood-geel-blauw licht maar ook in het niet-zichtbare; infrarood en microgolf straling. Elke soort aardoppervlak reflecteert licht op zijn eigen manier, hierdoor zijn ze te onderscheiden. Aan de hand van deze weerkaatsing kunnen oppervlakten op de aarde geclassificeerd worden, zonder dat hiervoor foto’s van nodig zijn van hoge resolutie. 


Bij Geokapti heb ik gewerkt met twee satellieten, Sentinel 2 en Sentinel 3, om de evapotranspiratie (verdamping van water uit de grond en vegetatie) uit te rekenen op een landbouwperceel. Dit is een dagelijks globaal algoritme die deze evapotranspiratie kan berekenen. Als je de verdamping weet, kan je hier het watergebruik of afstellen en hoeft er minder geïrrigeerd te worden. Dit bespaart veel water en het is ook nog eens beter voor de plant. Als een plant een optimale hoeveelheid water krijgt, is ie namelijk minder vatbaar voor ziekten. Zo hoeven ook minder pesticiden gebruikt te worden.


Een bedrijf zoals eLEAF wordt door de overheid ingehuurd om deze techniek van remote sensing te gebruiken. Door het watergebruik op de gemete verdamping af te stellen, halen ze tot 80% waterreductie. In de landbouw worden bizarre hoeveelheden water gebruikt, niet te vergelijken met als je zelf zou douchen bijvoorbeeld. Nu de komende tijd water steeds schaarser wordt, biedt deze techniek een uitkomst. 


Afbeelding 4: Met remote sensing kan evapotranspiratie berekend worden op een landbouwperceel















Je hebt tot 2020 een bachelor ruimtelijke planning gedaan in Utrecht. Wat heeft volgens jou GIS ruimtelijke planning te bieden?

Heel veel. Door GIS kunt je heel goed letterlijk in kaart brengen wat er ergens aan de hand is. Soms zie je dingen en denk je dat dingen op een bepaalde manier werken, maar met data kan je dit bevestigen of ontkrachten. Stel: je wil bepalen welke route een treinspoor moet nemen tussen twee steden. Je zou dit vanuit de planner’s expertise kunnen doen. Mensen zijn echter bevooroordeeld en vinden ieder andere dingen belangrijk. Tijdens mijn bachelor merkte ik dat er vaak discussies waren tussen verschillende studenten, waarbij ieder een goed punt had, maar men er samen niet uit kwam.  


Als je GIS gebruikt werk je met een kwantitatieve basis: je maakt een beslissing op basis van variabelen met een weging. Als je een route moet berekenen dan doe je dit bijvoorbeeld door het land waar het treinspoor over zou kunnen lopen een bepaalde geschiktheidswaarde te geven. Bij ieder is deze weging anders, maar daarna kan de computer met een rationele afweging bepalen waar het spoor moet komen. Het treinspoor zal bij iedere planner misschien op een andere plek komen te liggen, maar je weet door welke variabelen dit komt. Dit geeft je de mogelijkheid om te spelen met de weging van de variabelen, en te onderzoeken waar de middenweg zit middenweg zit.


Wat soms blijkt: zelfs al verschillen twee planners erg van mening over de geschiktheid van plek voor een treinspoor, toch loopt de treinspoor op dezelfde plek. Het kan zijn dat je erg van mening verschilt maar het één het ander niet uitsluit. 


Vanuit je studie Human geografie & Spatial planning weet je dat de menselijke wereld heel complex is. Kan GIS ook met sociale problematiek helpen?

Jazeker, want GIS heeft vaak een sociale kant. Zo kan het bijvoorbeeld inzicht geven in plekken waar mensen wonen met een laag inkomen. Of: laten zien waar veel covid-uitbraken zijn voorkomen en waar je dus beter een feestje kan mijden. 


Tijdens mijn bachelor scriptie heb ik ook geprobeerd om sociale variabelen te meten. In die tijd was net de stikstofquotum afgeschaft. Door de invoering van de PAS werd vooruitgelopen op  stikstofvermindering in de toekomst, waardoor er weer meer vrijheid was om te bouwen. Veel boeren breidden daarom hun stal uit. Die stallen zie je heel erg sterk terug in het landschap, wat veel mensen erg vervelend vinden. Ik heb dus gekeken naar al het landbouwareaal, gefocust op Groningen en Limburg en heb gekeken of het aantal gebouwen op dat areaal was vergroot. Vroeger zou je misschien met de fiets langs al die gebieden moeten gaan, maar met GIS is dit veel makkelijker: er bestaat namelijk gewoon een dataset waarin alle gebouwen staan.


Ik heb daarna een literatuuronderzoek gedaan, waarin ik dieper in ging op het ‘NIMBY ‘verschijnsel. Hiervoor gebruikte ik geen GIS. Dat was echter zeker mogelijk geweest. Ik had bijvoorbeeld in kaart kunnen brengen of het aantal mensen dat irritatie heeft van megastallen was toegenomen op plekken waar het aantal megastallen was toegenomen.  


Tot slot: je hebt ook vrijwilligerswerk als cartograaf had gedaan bij Missing Maps, hoe helpt GIS hier?

Als er een natuurramp plaatsvind, zoals een grote overstroming, aardbeving of aardverschuiving, is humanitaire hulp van levensbelang. Hulp is echter afhankelijk van begaanbare wegen. Bij de aardbeving in Turkije van vorig jaar, waren hele gebieden weggevaagd, en lagen er huizen op de weg. Danis het van levensbelang dat je snel kan identificeren welke wegen niet getroffen zijn. Bij Missing Maps werk je samen met een groot netwerk vrijwilligers, om in kaart te brengen welke wegen nog wel toegankelijk zijn en welke niet.


Veel mensen denken vaak dat GIS heel complex is, maar dat hoeft niet! Missing Maps geeft je een satelietafbeelding te zien en jij geeft aan waar een weg onderbroken wordt. Het is een voorbeeld van hoe GIS vandaag de dag een directe maatschappelijke impact heeft!


Afbeelding 5: Missing Maps: how we work (https://www.missingmaps.org/)

0 opmerkingen

Recente blogposts

Alles weergeven

Comments


bottom of page