Machine Learning voor wijktypen
Er zijn verschillen tussen wijken en dus ook tussen passende maatregelen per wijk, bijvoorbeeld rond klimaatadaptatie. De Hogeschool van Amsterdam maakte met machine learning wijktypenkaarten op postcode- en op wijkniveau en vergeleek die met de indelingen van experts. Met een nauwkeurigheid van 86 procent zijn er interessante toepassingen voor beleidsmakers te bedenken.
De gevolgen van klimaatverandering stellen de gebouwde omgeving voor uitdagingen die vragen om een scala aan klimaatadaptatiemaatregelen. Om klimaatadaptatie vroeg in het (ontwerp-) proces mee te kunnen nemen, biedt de indeling van het bebouwd gebied in wijktypen en daarbij passende maatregelen de mogelijkheid een voorselectie te maken. Met de duiding van wijktypen worden ruimtelijke kenmerken direct duidelijk: bouwstijl, mate van stedelijkheid, type en grootte van woningen, hoeveelheid groen en water en inrichting van het wegprofiel (zie ook figuur 1). Een verdeling in zestien wijktypen1 helpt lokale en regionale overheden kansrijke klimaatadaptatie maatregelen te selecteren. Zo biedt bijvoorbeeld het groen rondom de hofjes in bloemkoolwijken uit de jaren ‘70 de mogelijkheid een groene en koele plek te creëren en vraagt de weinige publieke ruimte in volkswijken om andere oplossingen.
Inzet van kunstmatige intelligentie voor wijktypen
Een eerste kaart uit 2017 op basis van een handgemaakte beslisboom in Python en ArcGIS ModelBuilder had beperkingen in het herkennen van ruimtelijke variaties die bepalend zijn voor het onderscheiden van de typologieën. Om dit te verbeteren is machine learning ingezet, een manier waarop computers kunnen leren van gegevens, zodat ze beter kunnen worden in het doen van taken zonder dat ze specifiek geprogrammeerd hoeven te worden.
Om het model te trainen en te toetsen is er een validatieset gemaakt met karakteristieke voorbeelden van alle wijktypen op basis van een handmatige toekenning door experts. De validatieset is opgedeeld in een train- en testset om te kunnen beoordelen hoe nauwkeurig de voorspelling van het model is. De validatieset valt binnen vijf testgemeenten waarvoor openbaar beschikbare geografische gegevens zoals bouwjaar, bouwhoogte, woningdichtheid, wegennetwerk en functie van de gebouwen zijn verwerkt in een dataset. Voor het percentage groen is een kaart gegenereerd op basis van de nieuwste hoogtekaart van Nederland (AHN4) en LiDAR (NDVI) door ingenieursbureau Tauw.
De dataset en de trainset samen geven input aan het machine learning– model. De testset geeft inzicht in de prestaties van het model waarmee in een iteratief (zich herhalend, red.) proces verbeteringen zijn gedaan door het toevoegen en verbeteren van data-input of uitbreiding van de trainset. De dataset geeft alle gegevens op postcode 6 (PC6) niveau (zoals 1234 AB). Op dit niveau is de bebouwde kom vaak homogeen en is er een duidelijk onderscheid te maken tussen wijktypen. De vijf testgemeenten verschillen in mate van stedelijkheid zodat verschillende verschijningsvormen van wijktypen naar voren komen. De validatieset is belangrijke input voor het machine learning-model, dat hiermee de meest onderscheidende patronen kan bepalen met goede voorspellende prestaties van het classificatiemodel.
Een zogeheten Random Forest-classificatie is gebruikt om de onderscheidende patronen te herkennen uit de validatieset. Het Random Forest-classificatiemodel is een supervised learning-methode trainingsmethode (‘leren onder toezicht’ ofwel op data met labels) die werkt door een veelvoud aan beslisbomen te construeren. Het model zoekt naar patronen in de data die zo goed mogelijk de verdeling van categorieën kunnen reproduceren zoals die zijn bepaald door de experts. Deze patronen kunnen vervolgens ook toegepast worden op nieuwe data om daarvan het best passende wijktype te schatten. Er is hiervoor gekozen omdat het bijzonder goed is in het opnemen van interactie-effecten (het vinden van combinaties van verschillende variabelen zoals bijvoorbeeld het percentage groen en bouwjaar die typisch zijn voor een bepaalde categorie) en niet-lineaire effecten (plotselinge veranderingen zoals het verdwijnen van een bouwstijl binnen vijf jaar).
In een volgende stap zijn de PC6-gebieden geaggregeerd van PC6-niveau tot buurten op basis van de meest voorkomende typologie per buurt. Een interpretatie in twee stappen was nodig omdat veel buurten in de praktijk niet homogeen zijn, maar uit verschillende wijktypen bestaan (door inbreiding en stadsvernieuwing). Door data ook op buurtniveau te aggregeren, blijven de kaarten voor heel Nederland overzichtelijk en ook bruikbaar op hoger schaalniveau.
Machine learning herkent ruimtelijke variaties goed
De output van het model laat zien dat de variabelen ‘bouwjaar’ en ‘bouwhoogte’ het meest invloedrijk zijn bij het onderscheiden van de wijktypen. Ook worden sommige wijktypen beter herkend dan anderen. Bijvoorbeeld hoogbouw; deze wijktypologie wordt goed herkend omdat hoogbouw een zeer onderscheidend aspect heeft, namelijk een bouwhoogte van meer dan dertig meter. Villa scoort vrij laag omdat villawijken verschillende verschijningsvormen kunnen hebben, waardoor het voor het model lastig is om dit buurttype te voorspellen.
Professional in de openbare ruimte? Dan lees je Stadswerk Magazine!
Hoe goed het model een wijktypologie herkent komt tot uiting in de confusion matrix (zie figuur 2). Deze vat de prestaties van een classificatiealgoritme samen en visualiseert ze. In de matrix worden de voorspelde wijktypes (op de horizontale as) en expertclassificaties (op de verticale as) met elkaar vergeleken. Wanneer het voorspelde label overeenkomt met het expertlabel, heeft het model een correcte voorspelling gedaan (de waarden op de diagonaal in de matrix). De confusion matrix geeft ook inzicht in welke categorieën vaak verward worden met welke andere. Voor die combinaties waar stedelijke kenmerken van verschillende typologieën meer op elkaar lijken, zijn de voorspellingen van de PC6-gebieden meer verspreid over verschillende wijktypen (bloemkoolwijken worden bijvoorbeeld nog verkeerd geclassificeerd als naoorlogse woonwijken die in dezelfde periode zijn gebouwd).
Het model heeft het postcodegebied geclassificeerd naar het wijktype dat overeenkomt met de hoogste waarschijnlijkheid. De voorspelling gemaakt door machine learning, vergeleken met de expertclassificaties, heeft een nauwkeurigheid van 86 procent. Voor de gebieden die het model met minder dan 30 procent zekerheid voorspelt, krijgt het wijktype de waarde ‘Onbepaald’ toegekend. Het eindproduct is een kaart van de gebouwde omgeving, ingedeeld in wijktypen op PC6- en buurtniveau (zie figuur 3). Met de huidige methode kan de kaart tussentijds een update krijgen wanneer er nieuwe databronnen beschikbaar komen.
Wijktypologie als basis voor kansrijke klimaatadaptatie maatregelen
In 2017 publiceerde de Hogeschool van Amsterdam praktische oplossingen voor klimaatbestendig inrichten in het voorbeeldboek Klimaatbestendig inrichten van woonstraten. Dit onderzoek suggereert op basis van wijktypen welke ingrepen het meest geschikt zijn gezien de ruimtelijke opgaven en kansen per wijktype.3 Recent verscheen in deze lijn ook Inspiratieboek Klimaatadaptatie & Biodiversiteit Westfriesland4. Het onderzoek illustreert kostenbatenanalyses en diverse waterrobuuste voorbeeldontwerpen voor acht verschillende wijktypen. De Coolkit5 geeft per wijktype advies over de optimale inrichting van de buitenruimte – inclusief het streefpercentage groen, de vorm en plaats van maatregelen – om de straat of wijk hittebestendiger te maken.
Het gebruik van de wijktypenkaart in combinatie met andere kaartlagen geeft nog meer toepassingsmogelijkheden. Bijvoorbeeld het type ondergrond, grondwaterstanden of sociaaleconomische aspecten bieden extra inzicht in specifiek gebiedsgerichte maatregelen. De kaart met wijktypen kan ook bruikbaar zijn voor toekomstige toepassingen met meer uiteenlopende thema’s zoals de energietransitie of biodiversiteit in de stedelijke omgeving. Zo gebruiken gemeenten de wijktypen in hun planningen ontwerpproces. En grootschalige renovatieprojecten zoals het Nederlandse project Integrale Energietransitie in Bestaande Gebouwen-IEBB6 kunnen de wijktypen gebruiken om verschillende opties voor energietransitie te evalueren.
Van onze partner, Stadswerk Magazine (nummer 6, 2023). Tekst: Laura Kleerekoper en Lisanne Corpel, Hogeschool van Amsterdam (HvA)
