Skip navigation
All Places > ArcGIS Content - Esri Nederland > Blog

Tijdens mijn projectstage bij Esri Nederland ben ik aan de slag gegaan met de Kerstkaart die als ondergrond kaart gebruikt kan worden. Door middel van het veranderen van de kleuren en patronen op de Topo RD kaart in Kerst-stijl, ontstond er een mooie Kerstkaart. Met de Topo RD raster basiskaart kunnen kleuren en patronen niet worden aangepast, maar aan de hand van de Topo RD vector basiskaart wel. Dit komt doordat deze basiskaart bestaat uit vector tiles waaraan sprites, objecten die aangepast kunnen worden, gekoppeld zijn. In de ArcGIS Vector Tile Style Editor kunnen deze objecten worden aangepast. Naast het aanpassen van de stijl heeft de vector basiskaart nog meer voordelen ten opzichte van de raster basiskaart, Willem Jan Vierbergen vertelt hier meer over in zijn  webinar over vector basiskaarten.

 

Voorbereiding

Ten eerste maakte ik een kopie van de vector basiskaart in ArcGIS Online. De Lichtgrijze Canvas RD vector basiskaart vond ik handig om te gebruiken omdat de kleuren, die je per laag kan aanpassen, goed te zien waren op de grijze achtergrond. Nadat ik de kopie had gemaakt kon ik in de ArcGIS Vector Tile Style Editor beginnen met het maken van de creatieve vector basiskaart.

 

Kleuren kiezen

Voordat we patronen gaan geven aan de sprites is het slim om te beginnen met het selecteren van de kleuren die gebruikt zullen worden in de kaart zodat duidelijk wordt of de gekozen kleuren bij elkaar passen. Ik heb gebruik gemaakt van de website coolors en Adobe Illustrator om te kijken welke kleuren goed bij elkaar passen.   

Nadat ik klaar was met het kiezen van de kleuren, paste ik de kleuren in de kaart aan met behulp van Edit Layer Styles.

De code van de kleur die ik heb gekozen via van coolors, of Adobe Illustrator, kopieer en plak ik bij de kleurcode van de laag waar ik de kleur van wil veranderen. Ik merkte dat ik ging experimenteren met de kleuren om te kijken welke kleuren het beste bij elkaar pasten. Soms verander ik bepaalde kleuren tijdens het proces nog omdat ik vind dat een andere kleur toch beter past bij het geheel dan de oorspronkelijke kleur. De lijnkleur heb ik bijvoorbeeld op een gegeven moment rood met wit gemaakt om het kerst-thema extra te benadrukken.

 

 

Patronen

Vervolgens gaan we aan de slag met het toevoegen van patronen aan de kaart. Eerst bedacht ik welke patronen bij welke vlakken zouden kunnen passen. Bijvoorbeeld bij de groene kleur van het bos blijft de kleur groen, maar een groen patroon voegt wel wat extra’s toe aan de kaart. Ook heb ik gebruik gemaakt van een donkerblauwe kleur voor de zee, die ik in de vorige stap heb ingesteld. Deze kleur heb ik overgenomen in Adobe Illustrator en vervolgens heb ik er sneeuwvlokken op geplakt van Freepik en de afbeelding opgeslagen als PNG-bestand met een doorzichtige achtergrond. Als u gebruik maakt van Freepik vergeet dan niet dat de afbeeldingen auteursrechten bevatten.

Ik heb ervoor gekozen om de sneeuwvlokken vaker te laten terugkomen in de kaart om een extra Kerst-gevoel te geven aan de kaart. De enige aanpassing die ik daarvoor moest doen was het veranderen van de achtergrond kleur van de sneeuwvlokken. Dit kan gedaan worden in Adobe Illustrator of een ander programma waarmee foto’s bewerkt kunnen worden.

                                                                           

 

Het patroon voor de sprite zal horizontaal en verticaal gedupliceerd worden op de kaart. Om te zorgen dat het patroon mooi op elkaar aansluit testte ik het patroon in Adobe Illustrator. Dit kan ook gedaan worden in een soortgelijk programma, of vijf keer in Word worden geladen om te kijken of de afbeeldingen goed op elkaar aansluiten. Hoe een niet goed aansluitend patroon eruit ziet is te zien op de afbeelding hieronder.

 

 

 

 

                                                             

Om de afbeeldingen goed op elkaar te laten aansluiten heb ik de originele afbeelding bijgesneden in een foto bewerkprogramma. Als de afbeelding goed is bijgesneden zijn er geen witte lijnen meer te zien zoals op de vorige afbeelding het geval was.

De afbeelding kan toegevoegd worden via de Edit Icons and Patterns knop in de ArcGIS Vector Tile Style Editor. Na het uploaden van de afbeeldingen kan de afbeelding worden toegevoegd worden per laag met de Edit Layer Styles knop.

 

Op een gegeven moment vond ik het kerstbomen-patroon te druk. Om dit patroon minder druk te maken paste ik de helderheid van het patroon aan via Opacity.

 

  

 

Iconen voor labels

Naast patronen kan er ook gebruk gemaakt worden van iconen. Voor de Kerstkaart heb ik bijvoorbeeld de plaats-, land-, wijk- en buurtnamen een icoon gegeven in de vorm van een lint waar tekst in paste.  

 

                                                                   

Het lint bleek te groot te zijn, door middel van Size heb ik de grootte veranderd. Met Icon Translate veranderde ik de  X en Y positie zodat de tekst in het midden van het lint kwam te staan.

 

Ik had nog een aantal leuke opvallende iconen over. Om deze op een veel voorkomende laag te plaatsen vond ik wat te veel van het goede. Daarom koos ik ervoor om deze iconen op lagen te plaatsen die niet zo vaak voorkwamen en die een diep zoomniveau hadden.

 

 

 

 

Vervangen van bestaande iconen

De boom-iconen wilde ik vervangen door kerstballen. Dit heb ik gedaan via Edit Icons and en daarna klikte ik op Replace Icon/Pattern. Zo kon ik in een keer alle boom-iconen vervangen door kerstballen.

 

 

Extra’s

Voor de finishing touch heb ik de kleuren van het lettertype aangepast en een leuk effect gegeven aan de tekst door een wit wazig wolkje als icoon toe te voegen aan de tekst.  

 

 

  

 

Voor het delen van de creatieve vector basiskaart maakte ik gebruik van de Web App Builder for ArcGIS omdat hier bijna alles veranderd in kon worden.

 

Resultaat

Soms was het even puzzelen om de juiste patronen te vinden zonder dat de kaart te druk werd. Ook zijn er zo ontzettend veel kaartlagen dat er soms lagen fel rood gemaakt moesten worden om de juiste laag te vinden. Maar dat betekent wel dat al die lagen ook aangepast kunnen worden naar een eigen stijl. Juist door alle mogelijkheden die de ArcGIS Vector Tile Style Editor te bieden heeft kun je je creativiteit erop loslaten en van alles uitproberen tot er een mooi eindresultaat ontstaat waar jij zelf, je vrienden, familie en je collega’s trots op zullen zijn!

 

Fijne Kerst! Bekijk de Kerstkaart hier

 

 

Worstel jij ook met de alsmaar toenemende hoeveelheid rasterdata? Wij wel! Bijvoorbeeld met de AHN-data: de actuele hoogtekaart van Nederland. Hoe slaan we dat zo kosteneffectief mogelijk op, maar bieden we het tegelijk ook snel en schaalbaar aan als webservice. Dat zijn uitdagende puzzels om aan te werken, maar ook leerzaam en het levert weer nieuwe inzichten. Ik deel de opgedane inzichten graag via dit artikel.

 

Het Actueel Hoogtebestand van Nederland (AHN) kent meerdere edities. Op dit moment wint de Nederlandse overheid de 3e versie in: AHN3 (over meerdere jaren). Meerdere gebieden van Nederland zijn al beschikbaar en in de komende jaren volgen de resterende gebieden. Er komt elk jaar dus meer data bij en voor je het weet ga je van vele GB’s aan data, naar TB’s.

 

Wij waren op zoek naar een slimme manier op deze rasters van het AHN op te slaan. In onze zoektocht stuiten we op het Meta Raster Formaat (MRF). Dit is een rasterformaat bedacht door NASA, waar Esri gebruik van maakt in het kader van rasters serveren op het web en via cloud-infrastructuur.

 

Bij MRF worden een aantal onderdelen van het traditionele raster opgesplitst in losse bestanden en wordt de data logisch gerangschikt. Via een indexbestand worden de groottes en geometrische organisatie van de rasterpixels opgeslagen en een metadatabestand geeft de belangrijkste informatie weer, zoals het aantal rijen en kolommen, het datatype, de opzet van de tegels (tiling) en projectie. Hierdoor hoeft niet het hele rasterbestand te worden gelezen of verstuurd. Door deze techniek is het zelfs ook mogelijk om deze verschillende typen bestanden te scheiden en op verschillende opslagvolumes te zetten. Wel zo handig voor het schalen. De indexbestanden en metadatabestanden zet je dan bijvoorbeeld op een snelle SSD-schijf en de databestanden op een langzamere schijf. Door de indexbestanden kan snel worden bepaald welke databestanden moeten worden bevraagd en het metadatabestand geeft aan hoe deze te interpreteren of plaatsen in de ruimte. Dit zorgt ervoor dat de performance bewaard blijft, maar dat niet alle bestanden op snelle opslagvolumes hoeven te staan, waardoor je kosten kunt besparen.

 

Meta Raster Formaat opbouw

 

In aanvulling op het MRF bestandsformaat, hebben wij ook een relatief nieuwe manier van compressie gebruikt. Bij compressie worden bestanden vaak kleiner qua opslag, maar voor het serveren van data over het web, betekent dit wel dat de data telkens moet worden uitgepakt om te kunnen gebruiken. Huidige technieken zoals JPEG2000, PNG, Deflate en LZW kunnen prima gebruikt worden in combinatie met MRF, maar hebben nadelen qua volume reductie of qua CPU-gebruik. Esri heeft een nieuwe compressiemethode ontwikkeld, genaamd Limited Error Raster Compression (LERC). LERC is specifiek ontwikkeld om snelle compressie/decompressie en een laag CPU-gebruik te faciliteren. LERC kan zowel gebruikt worden voor ‘Lossless’ (hierdoor worden rasterpixels niet aangepast) en voor ‘Lossy’ (hierdoor worden de rasterpixels aangepast om optimaal te kunnen comprimeren). Als de tolerantie wordt ingesteld op 0, dan wordt er een lossless compressie toegepast en bij een waarde hoger dan nul juist een lossy compressie. Dit laatste hebben wij toegepast op het AHN met een tolerantie van 0,01 m. Hierdoor blijft de waarde van elke cel ruim binnen de stochastische afwijking (5 cm voor AHN2/3), maar bereiken we toch een compressie van ongeveer een factor 5-7 ten opzichte van GeoTIFF zonder compressie en een factor 3-4 ten opzichte van GeoTIFF met LZW-compressie. Natuurlijk is het mogelijk om de data nog kleiner te maken, maar dan zullen ook de pixelwaarden variëren en dit is voor het AHN niet gewenst.

 

Lang verhaal kort… de volgende tabel maakt het punt over opslag wel duidelijk:

 

 

Opslag als GeoTIFF (zonder compressie)

Opslag als GeoTIFF 

met LZW-compressie

Opslag als MRF met LERC-compressie

AHN2 i

408 GB

272 GB 

72,7 GB

AHN2 r

465 GB (geschat)

316 GB

97,1 GB

AHN3 i (circa 70% compleet voor NL)

391 GB (geschat)

241 GB

46,3 GB

AHN3 r (circa 70% compleet voor NL)

448 GB (geschat)

276 GB

61,1 GB

 

Voor meer informatie over MRF en LERC zie ook het artikel van Peter Becker, Productmanager voor Beeldmateriaal bij Esri Inc.

Over de visualisaties van het AHN (de hoogtekaart van Nederland) krijgen we regelmatig vragen, waarbij de meest gestelde vraag is hoe de verschillende visualisaties tot stand komen. We gebruiken hiervoor zogenaamde rasterfuncties, welke gemaakt kunnen worden in ArcGIS Pro. Zo is er een hele lijst van raster functies standaard (in de ‘Imagery’-ribbon) beschikbaar om toe te passen op rasterbeelden:

 

 ArcGIS Pro - Rasterfuncties 

 

We bieden nu al een tijd voor de AHN-services een aantal kleurvariaties en aanvullende rasterfuncties zoals Aspect, Hillshade, Shaded Relief en Slope. Aanvullend hebben we sinds kort ook de Contour en Multidirectionale Hillshade toegevoegd. De contour-functie geeft een gevoel alsof er contourlijnen zijn gemaakt van het AHN, maar in feite wordt dit gedaan on-the-fly vanuit de bronrasters, zonder dat wij een losse contourlaag hebben gemaakt of opgeslagen. We hebben dus maar 1x de data opgeslagen, waar vervolgens de verschillende visualisaties op worden toegepast.

 

AHN - Contour visualisatie

 

Voor de nieuwe multidirectional hillshade wordt er van meerdere kanten belichting gesimuleerd, waardoor van alle kanten reliëf te zien is. Met de reguliere hillshade rasterfunctie wordt dit maar van 1 kant gedaan, waardoor veel reliëf niet goed zichtbaar is. De nieuwe kaartlaag is uitermate goed geschikt om bijvoorbeeld extra hoogteverschil te tonen in een basiskaart door de lagen te combineren en te spelen met de transparantie. Hieronder heb ik een aantal screenshots geplaatst van de nieuwe visualisaties om te inspireren welke beelden je ermee kunt maken.

  

AHN - Multidirectionale Hillshade (stortplaats Spinder)

Locatie: stortplaats Spinder

 

AHN - Multidirectionale Hillshade (ENCI groeve)

Locatie: ENCI groeve

 

1. Basiskaart                                            2. Multidirectional Hillshade                   3. Combinatie van beide

Basiskaart plus Multidirectionale Hillshade met transparantie

Effect van toevoegen Multidirectionale Hillshade over een basiskaart met transparantie (in dit geval 80%)

Locatie: Rangeerterrein Amersfoort

 

Hopelijk laten deze visualisaties zien dat er heel veel mogelijk is met de services van het AHN. Ik nodig je graag uit om zelf de visualisaties van het AHN te bekijken. Wil je graag de Multidirectionale Hillshade bekijken, klik dan hier voor het maaiveld en hier voor de ongefilterde variant.

Je kunt in zowel ArcGIS Online als ArcGIS Pro (en ook ArcMap) de rasterfunctie van de service aanpassen via de volgende opties:

 

ArcGIS Online - Image Display

ArcGIS Online - Image Display

 

ArcGIS Pro - Processing Templates

ArcGIS Pro - Processing Templates

 

 

Mochten er vragen rijzen na het lezen van deze blog, dan horen wij dat graag via een reactie hier op GeoNet of met een e-mail naar content@esri.nl.

We krijgen van gebruikers regelmatig het verzoek voor een dataset waarin woningtypering is terug te vinden. We hebben dit onlangs verder onderzocht en hoewel we op korte termijn geen plannen hebben om hier een landsdekkende dataset van te maken, wil ik u graag laten zien hoe u een dergelijke dataset zelf zou kunnen maken met onze BAG gegevens.

 

Deze analyse bestaat uit een aantal stappen. We gaan aan de hand van omliggende panden bekijken of een pand vrijstaand is en zo niet hoeveel aangrenzende buurpanden het pand dan heeft om te bepalen of het een hoekhuis of tussenwoning is. Maar de BAG bevat natuurlijk niet alleen woonruimtes, dus we gaan de verblijfsobjecten gebruiken om hier meer duidelijkheid in te krijgen. Deze verblijfsobjecten gaan we ook gebruiken om panden met meerdere verblijfsobjecten, zoals appartementen, te onderscheiden. Aan het einde van dit blog zal ik een overzicht plaatsen van links met meer informatie.

 

Allereerst beginnen we met het downloaden van de BAG data. U kunt deze maandelijks downloaden uit onze Datasets-groep in ArcGIS Online. De reden dat ik hier de file geodatabase en niet de dagverse service gebruik is omdat ik de attributen ga bewerken. Analyses op een feature service zijn wel mogelijk, maar bewerkingen (zoals in attributen) niet.

 

Stap 1: Het identificeren van panden zonder woonfunctie

Uit de BAG file geodatabase heb ik een clip gemaakt van de panden en verblijfsobjecten in de gemeente Best, Noord-Brabant. Ondanks dat de naam al aangeeft dat dit de ‘beste’ locatie is voor een testdataset, is het ook nog eens het dorp waar ik zelf ben opgegroeid. Dit maakt het verifiëren van de uitkomst van de analyse een stuk eenvoudiger.

 

We zijn geïnteresseerd in de panden met verblijfsobject(en) met gebruiksdoel ‘Woonfunctie’. Verblijfsobjecten kunnen meerdere gebruiksdoelen hebben. In onze BAGv2 data (zie ook mijn eerdere blog) hebben we deze gebruiksdoelen uitgesplitst in aparte attributen, zodat hier eenvoudiger analyses op uit te voeren zijn. Elke kolom geeft met een 1 of een 0 aan of het gebruiksdoel wel of niet aanwezig is in dit verblijfsobject.

 

 

En daar gaan we gebruik van maken. Dus eerst maak ik een selectie op attribuut op de verblijfsobjecten:

 

 

 

Ik exporteer deze selectie naar een nieuwe feature class Verblijfsobject_Best_Woning, omdat we hier later ook nog gebruik van gaan maken.

 

Vervolgens voeg ik een nieuw veld toe aan mijn Pand feature class genaamd ‘Woningtype’. Hier sla ik later de uitslag van mijn analyse in op. Dit veld zal bestaan uit de volgende categorieën:

  • Vrijstaande woning
  • Hoekwoning
  • Tussenwoning
  • Appartement
  • Geen woning

 

We beginnen met de laatste categorie. Met een selectie op locatie selecteer ik alle panden die geen verblijfsobjecten met gebruiksdoel ‘Woonfunctie’ hebben. Dit doe je door de panden te selecteren die juist wel kruizen met een verblijfsobject met woonfunctie, maar het vinkje bij “Invert spatial relationship” aan te zetten, waardoor de selectie wordt omgedraaid.

 

 

 

Vervolgens gebruik ik de Calculate Field tool om voor deze panden hun nieuwe Woningtype-attribuut te vullen met de waarde ‘Geen woning’.

 


 

Vervolgens exporteren we ook deze features naar een nieuwe dataset en verwijderen we deze features uit onze Panden dataset. Veel van de panden die geen woning zijn, zijn garages of schuurtjes. Dit is een soort pand wat vaak grenst aan een hoekhuis of vrijstaande woning. Onze volgende stap is om een analyse te maken van het aantal aangrenzende panden waarop we de woningtypering baseren. Als we deze features dus in de dataset zouden laten zitten dan worden deze woningen onjuist gecategoriseerd als tussenwoning of hoekhuis. We zullen deze panden zonder woonfunctie later weer toevoegen aan de dataset.

 

Stap 2: Het identificeren van het aantal aangrenzende panden met woonfunctie

Voor het identificeren van het aantal aangrenzende panden gebruiken we de Polygon Neighbours tool. Deze tool berekent hoeveel aangrenzende panden een pand heeft en welke dat zijn. De uitkomst wordt gegeven in een tabel. We zetten hierbij het vinkje bij “Include both sides of neighbor relationship” aan, zodat beide panden die een buur hebben worden meegenomen en niet alleen het eerste pand die een buur heeft.

 

 

De tabel die gecreëerd wordt door deze tool bevat een aantal kolommen:

 

 

Voor ons doel om het aantal aangrenzende panden te weten is alleen de src_OBJECTID interessant. Deze kolom geeft de object ID’s aan van de panden die een of meerdere aangrenzende panden heeft. Per aangrenzend pand wordt het object ID eenmaal weergegeven, dus voor meerdere buren staat het object ID er meerdere malen in.

 

Om te weten hoeveel aangrenzende woningen een pand heeft moeten we de unieke src_OBJECTID dus tellen. Dit doen we met de Frequency tool. Ook deze tool geeft een tabel als uitkomst.

 


 

 

Met deze tabel kunnen we de frequentie van het aantal buurpanden toevoegen aan de Panden dataset door de src_OBJECTID van de frequentie tabel te linken aan het OBJECTID van de Panden dataset.

 

Deze informatie geeft ons informatie over welke panden twee of meerdere buren hebben, dit zijn tussenwoningen. We selecteren deze panden op attribuut en gebruiken de Calculate Field tool weer om deze de waarde ‘Tussenwoning’ te geven. Hetzelfde doen we voor de hoekwoningen; deze woningen hebben één buur.

 


 

Stap 3: Het identificeren van appartementen en vrijstaande woningen

Het klinkt logisch dat de panden zonder aangrenzende woningen automatisch vrijstaande woningen zouden zijn (deze panden hebben een Frequency van “<Null>”), maar helaas is dit niet het geval. Flatgebouwen worden namelijk als één pand aangeduid in de BAG, waarna er meerdere verblijfsobjecten (de appartementen zelf) worden toegevoegd. We zullen dus voor de panden zonder buren moeten bepalen hoeveel verblijfsobjecten er in het pand zijn ondergebracht. Als dit er meerdere zijn classificeren we het pand als een appartement. Dit hoeven dus niet persé vrijstaande woningen te zijn, ook bijvoorbeeld een tussenwoning kan appartementen bevatten.

 

Esri Inc heeft hier al ooit een technisch artikel over geschreven en er zijn verschillende manieren om het aantal punten in een polygon te tellen. Ik gebruik hier de Spatial Join tool met de Verblijfsobject_Best_Woning feature class voor. Sommige vrijstaande gebouwen kunnen bijvoorbeeld zowel een winkel als een woning bevatten, maar dit zou in mijn ogen nog steeds een vrijstaande woning zijn, aangezien we alleen in de typering van de woning geïnteresseerd zijn.

 

 

De Spatial Join tool telt hoeveel verblijfsobjecten met woningtypering zich bevinden in een enkel pand. We selecteren dus de panden met een Join_Count van meer dan 1 en classificeren dit vervolgens als “Appartement” met de Calculate Field tool. Omdat dit ook niet-vrijstaande panden betreft, zullen deze voorheen als tussenwoning of hoekwoning aangeduide panden worden overschreven als appartement.

 

Van alle woningen hebben we nu hoekwoningen, tussenwoningen en appartementen geïdentificeerd. De woningen die nog niet geclassificeerd zijn, zijn vrijstaande woningen. Om dit te controleren selecteer ik alle woningen met Woningtype <Null> (met andere woorden de woningen die nog niet geclassificeerd zijn,) en alle woningen met een Join_Count van 1 en een Frequency van <Null>. Beide selecties geven dezelfde aantallen als uitkomst dus tot nu toe kloppen de cijfers. Met de Calculate Field tool vul ik voor deze selectie het Woningtype “Vrijstaande woning” in.

 

Stap 4: Het samenvoegen van de datasets

We hebben nu twee datasets, een met woningen en een met panden die geen woning bevatten. Om een overzicht te krijgen van alle panden in de BAG voeg ik deze weer samen met de Append tool waarna ik het eindproduct in handen heb: een dataset met daarin een classificatie naar woningtype.

 

 

Overwegingen

Natuurlijk is nooit iets zo eenvoudig als het lijkt en ook hier zijn er een aantal dingen om te overwegen. Allereerst zijn dat mogelijke ‘fouten’ in de onderliggende data. Het is belangrijk om te weten dat de bronhouders verantwoordelijk zijn voor het updaten van de data en dat als er bijvoorbeeld een pand mist, dit invloed heeft op de uitkomst van de analyse. Een missend pand kan namelijk een tussenwoning onjuist aanduiden als een hoekwoning en een aangrenzende hoekwoning zal in dat geval geclassificeerd worden als een vrijstaande woning. Hieronder heb ik een voorbeeld gemaakt van een dergelijke situatie (komt niet overeen met de werkelijkheid). Controleer daarom altijd de brondata. Klopt de inhoud hiervan niet, neem dan contact op met content@esri.nl.content@esri.nl

 

 

Ten tweede is er de definitie van een vrijstaande woning. Ik heb gekozen om alleen te kijken of een woning grenst aan een andere woning, maar een woning kan natuurlijk ook grenzen aan een pand met een andere verblijfsfunctie. Omdat dit in mijn onderzoeksgebied voornamelijk schuurtjes of garages zijn, heb ik ervoor gekozen deze panden niet mee te nemen. Het ligt aan uw eigen doelstellingen over de informatie die u aan de data wil onttrekken welke keus u hierin zal maken.

 

Definities zijn ook het onderwerp van mijn derde punt om te overwegen. Wanneer is iets namelijk een appartement? Stel er bestaat een rij panden waarvan de onderste verdieping een winkel betreft en de bovenste verdieping(en) gebruikt wordt als woning. Zijn die woningen dan appartementen of tussenwoningen? Op dit moment heb ik deze aangeduid als tussenwoningen aangezien ik alleen de verblijfsobjecten met een woondoel heb geteld, maar hierin zou u dus een andere keus kunnen maken.

 

Uitdaging

Deze analyse is een eerste aanzet om een complete dataset met woningtyperingen te kunnen realiseren. Hoe zou u de vervolgstappen inkleden om bijvoorbeeld de hoekhuizen van de twee-onder-een-kapwoningen te onderscheiden? En wat zouden voor u relevante overwegingen zijn om mee te nemen? Ik ben erg benieuwd naar uw ideeën!

 

Houdoe en fijn weekend!

 

Relevante links:

BAG informatie (Kadaster)

Esri Nederland Datasets groep in ArcGIS Online

Blog over de BAGv2

Clip tool

Copy Features tool

Selecteer op attribuut

Selecteer op locatie

Calculate Field tool

Polygon Neighbours tool

Frequency tool

Spatial Join tool

Append tool

Eerder dit jaar hebben we de Verkeersongevallen dataset als content gepubliceerd. Ondanks het vervelende onderwerp is dit een heel rijke en interessante dataset met informatie over het soort ongeval, de gevolgen van dit ongeval en de omstandigheden van het ongeval. Voor beleidsmedewerkers kan deze informatie bijvoorbeeld heel waardevol zijn. Deze zomer is de dataset echter drastisch aangepast vanwege de nieuwe Algemene Verordening Gegevensbescherming (AVG), waardoor de privacy van de personen betrokken bij de ongevallen gewaarborgd moest worden.

 

Wat ik u graag wil laten zien is dat ondanks deze aanpassingen de Verkeersongevallen dataset nog heel veel relevante informatie bevat voor een analyse. Mijn collega Thijs Briggeman heeft hier tijdens de Esri GIS Conferentie een presentatie over gegeven waarin hij gebruik maakte van de analyse tools in ArcGIS Pro. Aan de hand van een gedeelte van de analyse van Thijs zal ik een voorbeeld geven van hoe onze content gebruikt kan worden in een analyse in Pro.

 

Thijs heeft met een hypothetisch vraagstuk onderzocht of de strooiroutes in Amsterdam verbeterd kunnen worden door deze te vergelijken met de verkeersongevallen.

 

Stap 1: Het toevoegen van de relevante Verkeersongevallen data

Allereerst beginnen we met het toevoegen van de Verkeersongevallen service aan de kaart. Dit kunt u doen door via de Catalog pane naar Portal en vervolgens Living Atlas te gaan. Als u hier zoekt naar Verkeersongevallen vindt u vanzelf de juiste service. Het is ook mogelijk om de Esri Nederland Content add-in voor ArcGIS Pro te installeren. Hierin zijn alleen de Esri Nederland Content services terug te vinden, onderverdeeld in categorieën.

 

De Verkeersongevallen service is een feature service waar direct analyses op uitgevoerd kunnen worden. U hoeft de data dus niet zelf eerst lokaal te halen. De enige uitzondering hierop is als u veranderingen door wilt voeren in de data zelf, bijvoorbeeld door een attribuut te wijzigen, te berekenen of toe te voegen. In dat geval kunt u de data van een feature service lokaal halen door gebruik te maken van de tool Copy Features of door de dataset te downloaden uit onze Datasets groep in ArcGIS .

 

Vervolgens passen we een definition query toe op de data zodat we alleen de ongevallen in Amsterdam in de recentere jaren sinds 2010 over houden en ons focussen op ongelukken waarbij de weersgesteldheid is aangeduid als Sneeuw/Hagel.

 


 

Stap 2: Het selecteren van ongelukken die plaats hebben gevonden op gemeentelijke wegen

De meeste wegen binnen de gemeentegrenzen vallen onder de verantwoordelijkheid van de gemeente, maar een aantal, zoals snelwegen, vallen onder de verantwoordelijkheid van de provincie, het Rijk of een andere instantie. Daarom selecteren we alleen de ongelukken die plaats hebben gevonden op een gemeentelijke weg.

 

Allereerst voegen we de NWB wegvakken toe, waarvan we met een selectie per attribuut alleen de gemeentelijke wegen selecteren.

 

 

Daarna doen we een selectie per locatie waarbij we de ongelukken selecteren die plaats hebben gevonden op een afstand van een meter of minder tot een gemeentelijke weg.

 

 

Stap 3: Het toevoegen van de strooiroutes in GeoJSON formaat met een batch-tool

De strooiroutes in Amsterdam zijn per wijk beschikbaar in GeoJSON formaat via data.overheid.nl. Natuurlijk willen we deze routes omzetten naar een feature class. Voorheen zouden we dit per wijk apart moeten doen met de tool JSON to Features, maar nu hoeft dat niet meer. Een nieuwe mogelijkheid in ArcGIS Pro is het uitvoeren van tools over meerdere lagen of datasets in zogenaamde batches. Hiervoor klikken we met de rechtermuis op een tool en kiezen we voor Batch. We kiezen hier voor een tijdelijk model dat na het draaien weer verwijderd zal worden maar het is ook mogelijk om de nieuwe batch-tool permanent op te slaan zodat deze opnieuw te gebruiken is. Met deze batch-tool kunnen we dus snel de meerdere GeoJSON bestanden in een keer omzetten naar een Feature Class en toevoegen aan onze kaart.

 

 

Stap 4: Bewerk de data met ModelBuilder

Het maken van een Data Clock-grafiek is een nieuwe mogelijkheid in ArcGIS Pro en dit kan goed gebruikt worden om patronen of en cyclussen te ontdekken in data. Daardoor is het een mooie eerste stap om te kijken of er op bepaalde momenten in het jaar er veel ongelukken in Amsterdam gebeuren wanneer het gesneeuwd of gehageld heeft. Wellicht moet er dan vaker gestrooid worden.

 

Om de data te kunnen invoegen in een Data Clock-grafiek hebben we een veld nodig in het datum-formaat. Daarom exporteren we de data eerst uit de service waarna we een extra veld toevoegen en de datum berekenen met behulp van Python en Arcade. We doen dit door gebruik te maken van de maand en het jaartal gegeven in de Verkeersongevallen data en voegen hier het dagnummer 01 aan toe. Vervolgens zetten we het veld om naar een datum-formaat.

 

 

Stap 5: Wanneer moet er gestrooid worden? Het maken van een Data Clock-grafiek

Een grafiek wordt gegenereerd door eerst de grafiek-knop te selecteren in het Contents pane en vervolgens uit de lijst de juiste grafiek te kiezen.

 

 

Uit de gemaakte Data Clock-grafiek kunnen we opmaken dat het aantal ongelukken tijdens deze weersomstandigheden zeker zijn toegenomen in de laatste jaren en dat de gemeente vooral tijdens januari en februari (en sinds kort ook in december) materieel zou moeten inzetten.

 

 

Stap 6: Waar is de nood het hoogst? Een density analyse maken.

De kaart geeft op dit moment bijna 130 ongelukken aan als punten, wat het lastig maakt om te bekijken waar de problemen het grootst zijn. Een density analyse kan hier uitkomst bieden. We gebruiken hiervoor de Kernel Density tool. Deze analyses zijn gebaseerd op gecompliceerde algoritmes. Meer informatie hierover vindt u hier terug.

 

 

Uit de analyse kunnen we opmaken dat de meeste ongelukken die we hebben geselecteerd voorkomen in de wijk de Pijp.

 

Stap 7: Waar moet er gestrooid worden? Het maken van een selectie gebaseerd op locatie.

Nou we de ongelukken en strooiroutes beiden in de kaart hebben kunnen we gaan kijken waar ongelukken plaats vinden waar nog niet gestrooid wordt en waar al wel gestrooid wordt. Allereerst maken we een selectie van de ongelukken die plaats hebben gevonden waar op dit moment nog niet gestrooid wordt. We doen dit weer met de Select Layer by Location tool.

 

 

Het blijkt dat er meerdere ongelukken zijn gebeurd waar op dit moment nog niet gestrooid wordt. Op deze punten kan de gemeente kijken of een strooiroute kan worden toegevoegd. Van de 28 geselecteerde ongelukken op wegen waar niet gestrooid is, hebben er zes plaats gevonden in de wijk de Pijp. Een nieuwe Kernel Density analyse op de 28 geselecteerde ongelukken laat dan ook wederom een hot spot in deze wijk zien.

 

 

Ik heb u laten zien dat met onze content en onze software veel interessante analyses uit zijn te voeren. Als u hier meer over wilt weten, stel dan een vraag of start een discussie op GeoNet. Hieronder heb ik een overzicht gemaakt van alle relevante links naar de gebruikte tools.

 

Happy Mapping en rij voorzichtig! 

 

Relevante links:

Verkeersongevallen service in ArcGIS

Esri Nederland Content add-in voor ArcGIS Pro

Esri Nederland Datasets groep in ArcGIS

Copy Features tool

Definition queries

Selecteer op attribuut

Selecteer op locatie

Batch-tools

ModelBuilder

Data Clock-grafieken

Kernel Density

Vandaag is de grote dag: de Esri Nederland GIS Conferentie gaat van start! Een gastspreker van Esri (Amerika) die hier vandaag aanwezig zal zijn is John Nelson. Om kwart voor drie geeft hij een sessie over Texture, Reality, and Fakeness in ArcGIS Pro Cartography. Gisteren was hij al in Nederland voor een een Preconference workshop: ‘Een Pro in Mapdesign in één dag'. Mijn collega's Jeske van der Velden en Willem Jan Vierbergen en ik waren de gelukkigen die hierbij aanwezig konden zijn.

 

John Nelson maakt deel uit van het content-team van Esri. Hij maakt vele kaarten en werkt ondere andere aan het verbeteren van de user experience van de software. John schrijft veel blogs en maakt prachtige StoryMaps, waaronder deze die je kunt bekijken als je meer over John wilt weten.

 

John Nelson heeft veel mooie cartografie-stijlen ontwikkeld door te spelen met de symbologie in ArcGIS Pro. In de workshop zijn we aan de gang gegaan met aantal stijlen die hij gemaakt heeft. In dit blog zal ik ingaan op deze stijlen en aangeven met hoe je zelf zo'n kaart kunt maken met behulp van de ArcGIS Content van Esri Nederland.

 

Never underestimate the power of a good looking map! (John Nelson)

 

Beer vs Wine

In een symbologie is het mogelijk om verschillende variabelen combineren. Zo ook die van één van de belangrijkste vragen op de wereld: waar wordt er meer bier gekocht en waar meer wijn? Twee variabelen die je hierbij zou kunnen gebruiken is het de hoeveelheid gekochte bier en wijn en het bedrag dat hieraan wordt uitgeven. Door dit soort gegevens te combineren kan je een fenomeen meer of minder uitlichten. Eén van de grootste tips kwam bij dit onderdeel naar al voren: Format color scheme: the Gateway to Awesome Magic! In deze blog is te lezen hoe je dit kan doen.

  • Op dit moment is er binnen Esri Demographics al consumentendata van Michael Bauer Research beschikbaar, waarmee je dit soort informatie zou kunnen opvragen. Binnenkort zal hier ook data van 4orange bij komen, zodat je vergelijkbare analyses voor Nederland zou kunnen maken.
  • Je kan deze data dan combineren met eigen data of al beschikbare ArcGIS Content gebruiken, bijvoorbeeld:

Afbeelding 1: hoeveelheid bier (geel) en wijn (paars) en de uitgaven hieraan (hoe hoger, hoe minder transparantie).

 

 

Watercolor

Eén van mijn favoriete stijlen: de Watercolor-stijl. John vertelt in zijn blog hoe deze stijl is opgebouwd. Het is ook mogelijk om deze stijl door te trekken in afbeeldingen en teksten die je een lay-out plaats, zodat de kaart uniform is. Afhankelijk van de schaal zou je de watercolor-stijl bijvoorbeeld kunnen toepassen op de:

  • BGT (1:500 tot 1:5.000)
  • BRT (1:5.000 tot 1:1.000.000)

 

Afbeelding 2: Watercolor-stijl toegepast op Nederland.

 

Firefly

Er is een basiskaart beschikbaar van Esri met de Firefly stijl. Deze kaart biedt een prachtige ondergrond voor het maken van kaarten. In deze blog gaat John onder andere in op het gebruik van hexagonen in combinatie met een firefly symbologie voor een mooie weergave van fenomenen.

  • Esri Nederland heeft verschillende hexagonen-lagen beschikbaar in het Rijksdriehoekstelsel die je hiervoor zou kunnen gebruiken.
  • Je zou grote hoeveelheden punten, zoals de Rijksmonumenten of Verkeersongevallen kunnen visualiseren in deze hexagonen met een firefly-stijl.

 

Afbeelding 3: Firefly-basiskaart met piraterij weergegeven per hexgon van 50.000 km2.

 

Imhof-Like Topography

Eduard Imhof was een bekende cartograaf uit Zwitserland die veel met reliëf werkte. Aangezien wij ook in een bergachtig land leven met een open beschikbare hoogtekaart van Nederland, kan deze stijl natuurlijk ook goed worden toegepast in Nederland. In deze blog maakt John verschillende lagen op basis van één Digital Elevation Model (DEM), wat een mooi resultaat geeft als je deze lagen combineert. Zelf hebben wij lagen uit de AHN al met verschillende rasterfuncties in ArcGIS staan. In zijn blog noemt John een aantal "ingrediënten", hierbij de "ingrediënten" met een Nederlands sausje:

Afbeelding 4: Hoogte in de Gemeente Heemskerk waarbij een Hillshade, Hillshade (multidirectional) en Mist-laag op basis van de Imhof-stijl worden gecombineerd. Door de gemeentegrenzen toe te voegen en filters te gebruiken kan je een gemeente beter uitlichten.

 

Dit was de laatste stijl die we tijdens de workshop hebben toegepast. Het was leuk en inspirerend om met deze stijlen aan de slag te gaan. We zullen de opgedane kennis gaan meenemen bij het uitbrengen van nieuwe content Een groepsfoto met onze mede content-teamlid uit Amerika kon natuurlijk niet ontbreken na deze dag.

Willem Jan Vierbergen, John Nelson, Jeske van der Velden en Ellen van den Berg

 

Op de preconference zijn we met deze voorbeelden bezig geweest, maar John Nelson heeft nog vele andere blogs met stijlen die je ook op Nederlandse data zou kunnen toepassen. Kijk ook eens naar deze blogs:

 

En ga natuurlijk vanmiddag vooral kijken bij de sessie over Texture, Reality, and Fakeness in ArcGIS Pro Cartography. Om af te sluiten met een uitdrukking van John:

 

Happy Mapping!

Vector tiles hebben als voordeel ten opzichte van raster tiles dat ze altijd scherp zijn, dynamische labels hebben, weinig opslag vereisen én dat de opmaak achteraf door de gebruiker is aan te passen.

 

Vanaf juni 2018 biedt Esri Nederland ook een topografische kaart in het Rijksdriehoekstelsel aan als vector tiles, namelijk de Topo RD (vector tiled). Inmiddels bieden we vanuit het content-team de volgende stijlen aan:

 

-       Topo RD

-       Lichtgrijze Canvas RD

-       Lichtgrijze Canvas RD zonder labels

-       Waterkaart RD

 

Webmaps van deze stijlen zijn te vinden in de Basiskaarten - webmaps-groep in ArcGIS Online.

 

U kunt ook een stijl maken die helemaal is toegespitst op uw eigen gebruiksdoel.  Eerder hebben we al een how-to gedeeld waarin wordt beschreven hoe de Topo RD (vector tiled) kan worden aangepast naar uw eigen smaak. Hiervoor kan de, op dit moment nog in bèta, ArcGIS Vector Tile Style Editor gebruikt worden.

 

We delen nu ook een Referentie-document bij de Esri Nederland Vector Tiles. Dit document geeft inzicht in hoe de Esri Nederland Vector Tiles precies in elkaar zitten. Er wordt uiteengezet welke lagen er zijn opgenomen in de vector tiles, welke brondata er is gebruikt voor iedere waarde in de vector tiles en op welke schaalniveaus deze waarden zijn opgenomen.

 

Bekijk het document via deze link.

Vector tiles hebben als voordeel ten opzichte van raster tiles dat ze altijd scherp zijn, dynamische labels hebben, weinig opslag vereisen én dat de opmaak achteraf door de gebruiker is aan te passen. Meer over vector tiles en de nieuwe Topografische basiskaart in het blog:

 

De Topografische basiskaart: een vertrouwd beeld met nieuwe technologie | Blogs van Esri in Nederland 

Gepubliceerd op 21 december 2017

Cartografie is "hip" bij Esri! Voor onze conferentie komt carto-guru John Nelson een pre-conference workshop geven en Esri Press heeft een nieuw boek uitgegeven over cartografie genaamd Cartography. Tijd voor mijn collega Rosanne om mij een aantal vragen over cartografie te stellen. U kunt mijn antwoorden terugvinden in het blog:

 

Vijf vragen over cartografie | Blogs van Esri in Nederland  

Gepubliceerd op 10 juli 2018

ArcGIS Online bevat nieuwe functionaliteit die het eenvoudiger maakt om de content die u zoekt te vinden. Ruben Bruijning vertelt u er alles over in zijn nieuwste blog. 

 

Over content zoeken én vinden | Blogs van Esri in Nederland  

Gepubliceerd op 9 mei 2018

Op de Esri GIS Tech is het al voorbij gekomen; het aanpassen van kleuren in de pop-up met behulp van de expressietaal Arcade. Dit is één van de methoden die is toegepast om de pop-up van de Hectometerborden zo realistisch mogelijk te maken. De Arcade-expressies zijn toegevoegd in de HTML-code van de pop-up. Door het combineren van de opmaak (HTML) met expressies (Arcade) wordt de opmaak dynamisch aangepast, wat extra mogelijkheden biedt. Lees er mover in deze blog.

 

Combineer Arcade met HTML voor levensechte pop-ups | Blogs van Esri in Nederland 

Gepubliceerd op 1 mei 2018

 

Of lees de uitgebreide blog met stappenplan in het Engels.

 

Combining Arcade and HTML for a Real-life Pop-up Display | Blogs from Esri 
Gepubliceerd op 18 april 2018

Eerder dit jaar is de nieuwste BAG versie, oftewel de BAGv2, uitgekomen. Deze service wordt iedere nacht geüpdatet en is daarmee dus dagvers. Ook hebben we verbeteringen doorgevoerd in het dataschema zodat analyses op verblijfsobjecten eenvoudiger worden. Daarnaast hebben we ook nog... Nou weet u? Leest u maar even mijn blog waarin ik alles uitleg.

 

Heel Holland BAGt, met elke dag een nieuwe BAG | Blogs van Esri in Nederland 

Gepubliceerd op 15 januari 2018

Begin 2017 werd de nieuwe luchtfoto 25 centimeter uitgebracht. Dit betekende een grote verbetering in de resolutie van de openbare luchtfoto, maar er was nog iets nieuws. Naast de gebruikelijke RGB luchtfoto, werd nu ook de Colour InfraRed (CIR) luchtfoto beschikbaar. In mijn blog vertel ik hier meer over.

 

Vandaag is rood | Blogs van Esri in Nederland  

Gepubliceerd op 22 februari 2017

Onze content-omgeving, oftewel de architectuur waarin al onze content staat opgeslagen, is in de laatste jaren steeds verder ontwikkeld om mee te kunnen groeien met ons groter wordende aanbod. In twee opeenvolgende blogs beschrijft Patrick Deelman wat hier allemaal bij komt kijken.

 

ArcGIS Content, een kijkje in de keuken | Blogs van Esri in Nederland

ArcGIS Content, het nieuwe keukengereedschap | Blogs van Esri in Nederland 

Gepubliceerd op 19 september en 2 december 2016

Onze topografische basiskaart Topo RD is onze meest populaire achtergrondkaart. Willem Jan Vierbergen geeft in zijn blog een kijkje achter de schermen en legt uit hoe deze kaart tot stand komt.

 

Vernieuwde topografische basiskaart, een kijkje in de keuken | Blogs van Esri in Nederland  

Gepubliceerd op 27 juli 2016