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

Veel van jullie zijn geïnteresseerd in de percelen uit de Digitale Kadastrale Kaart (DKK) en willen dan ook kunnen zoeken naar een specifiek perceel. Tot op heden werd hier vaak de DKK-mapservice voor gebruikt door deze te configureren als zoekoptie binnen een webmap of informatieproduct. Misschien heeft u ondervonden dat dit niet altijd snel werkt. Dit komt omdat deze service hier niet voor geoptimaliseerd is. Deze is juist geoptimaliseerd voor snelle weergave t.b.v. visualisatie. Gelukkig heb ik goed nieuws! Want vanaf nu biedt het content-team van Esri Nederland de DKK Geocoder aan! Hiermee is het mogelijk snel en eenvoudig te zoeken naar een perceel uit de DKK. De geocoder (ook wel locator genoemd) is te gebruiken in uw eigen informatieproducten zoals die zijn gemaakt met de Web AppBuilder of GeoWeb.

 

De werking van de geocoder

 

Laat me u eerst meenemen in de achtergrond waarom het gebruik van de DKK-service niet altijd snel resultaten geeft. Zo is er soms geen maximum aantal zoekresultaten ingesteld en/of wordt er in de hele laag gezocht, over meerdere kolommen én niet alleen in het kaartbeeld. Maar de meest belangrijke reden is dat zoeken in de service achter de schermen simpelweg geen ‘slimme’ manier van zoeken is. Elk record wordt één voor één afgegaan en vergeleken met de zoekterm totdat er een juist record wordt gevonden. Vervolgens zijn de resultaten van de zoekopdracht dan de eerste records die overeenstemmen met de zoekterm, niet per definitie de records die het meeste overeenstemmen met de zoekterm. Bovendien is de uitkomst bij een tweede zoekopdracht met dezelfde zoekterm hoogstwaarschijnlijk weer anders omdat de zoektocht in de service niet op een vast punt begint. Als laatste zorgt een moment van meerdere bevragingen ervoor dat er een wachtrij ontstaat met als gevolg een nog langere periode voor er een antwoord op het scherm verschijnt.

 

De nieuwe DKK Geocoder brengt hier verandering in. Door juist wél ‘slim’ te zoeken is de geocoder veel sneller in het geven van een resultaat dan zoeken met de service. De geocoder werkt achter de schermen namelijk met een soort van puntensysteem. Net zoals bij het Songfestival (Rotterdam 2020!) worden er in verschillende rondes punten uitgedeeld. Nou ja, in dit geval eigenlijk strafpunten. De geocoder verdeelt de zoekterm in delen en vergelijkt per deel het record met de zoekterm. Aan de hand daarvan worden strafpunten gegeven als het record niet overeenkomt met het zoektermdeel. Door deze techniek zijn de antwoorden die worden teruggegeven door de geocoder ook passender. Met de geocoder zal u als u verschillende keren met dezelfde term zoekt, steeds hetzelfde antwoord terugkrijgen. Dit komt omdat de geocoder de antwoorden geeft met de hoogste scores, niet de antwoorden die het bij het zoeken het eerste is tegengekomen. Mocht u nou nog sneller resultaten willen krijgen, stel dan in dat er alleen gezocht wordt binnen het kaartbeeld (niet mogelijk in GeoWeb) en/of stel een maximaal aantal resultaten in.

 

De DKK Geocoder is eenvoudig te gebruiken waarbij erop gelet moet worden dat een perceelnummer opgedeeld moet worden met spaties naar [kadastrale gemeente] [sectie] [perceelnummer], bijvoorbeeld “RTD06 S 4403”. In GeoWeb is het alleen mogelijk om naar een heel perceelnummer te zoeken, maar in ArcGIS Online, ArcGIS Pro of in een webapp is het met gebruik van gedeeltelijke zoektermen, zoals “RTD06” of “4403”, ook mogelijk om suggesties terug te krijgen.

 

Aan de slag

 

De DKK Geocoder is niet alleen handig in het gebruik, het is ook nog eens eenvoudig te configureren om er binnen ArcGIS gebruik van te maken.Het is mogelijk om de geocoder direct toe te voegen als zoekoptie in ArcGIS Online of ArcGIS Pro of eerst te registreren als item in uw portaal. Dit laatste kan bijvoorbeeld interessant zijn als de geocoder niet als standaard in het portaal staat ingesteld, maar het wel belangrijk is dat gebruikers binnen de organisatie het eenvoudig kunnen vinden om toe te voegen aan hun Pro-project of in de Web AppBuilder. Op de itempagina van de DKK Geocoder is rechts onderin de URL van de geocoder-service te vinden. Deze heeft u nodig om de geocoder te kunnen gebruiken binnen het ArcGIS-platform of om deze te registreren als item in uw eigen portaal.

 

DKK Geocoder URL

 

Om de geocoder te registreren in uw portaal kopieert u deze URL en registreert u dit als nieuw item via Content > Item toevoegen van internet. Als de geocoder eenmaal onderdeel is van uw eigen portaal kunt u ervoor kiezen deze bijvoorbeeld te delen met uw organisatie.

 

Om de geocoder te kunnen gebruiken in ArcGIS Online, bijvoorbeeld in de kaart, gaat u naar Organisatie > Instellingen > Utility Services > Geocodering. Daar kunnen de beheerders van het portaal de geocoders die uw organisatie gebruikt beheren door de volgorde te wijzigen of geocoders toe te voegen of te verwijderen. Om de DKK Geocoder toe te voegen kunt u de URL van de DKK Geocoder (zoals hierboven aangegeven) direct toevoegen of kiezen voor een geocoder-item in uw portaal. Omdat bij het zoeken met de DKK Geocoder de zoekterm opgedeeld moet zijn met spaties, kunt u er voor kiezen om dit aan te geven bij de Tekst van tijdelijke aanduiding, zodat duidelijk is hoe een zoekterm ingevoerd dient te worden. Deze werkwijze is ook van toepassing wanneer u dit wilt toepassen in ArcGIS Enterprise.

 

ArcGIS Online geocoder toevoegen

 

Als de beheerder van uw organisatie de geocoder beschikbaar heeft gesteld zoals hierboven is uitgelegd, is de geocoder ook beschikbaar voor u in ArcGIS Pro. Mocht dit niet het geval zijn, dan kan u nog steeds van de DKK Geocoder gebruik maken in uw Pro-project door het item van de geocoder toe te voegen. Via Map > Locate > Add Locate Provider kunt u in All Portal zoeken naar het item van Esri_NL_Content genaamd “Esri Nederland DKK Geocoder” of in uw eigen content als u het item zelf heeft geregistreerd.

 

ArcGIS Pro geocoder toevoegen

 

Ook is de DKK Geocoder te gebruiken in de zoek-widget in de Web AppBuilder. Zo kunt u gebruikers van uw apps laten zoeken op percelen. Als u de geocoder al heeft toegevoegd aan uw organisatie, kunt u deze uit de lijst kiezen. Heeft u dit niet gedaan, dan kunt u de URL van de DKK Geocoder direct toevoegen via Zoekbron toevoegen > Geocoder. In dit venster kunt u ook aangeven of u wilt dat gebruikers alleen zoeken in het kaartbeeld. Dit zal de zoekactie nog verder versnellen.

 

Web AppBuilder geocoder widget

Voor toepassing in GeoWeb maakt u gebruik van de URL die u in het item van de geocoder kunt kopiëren. In de GeoWeb Manager opent u via GIS Services > Add Geocoding Service de Geocoding Service Wizard. Hier vult u in dat het om een ArcGIS Geocoding Service gaat en kopieert u de URL. Vervolgens vinkt u Include in Global Search aan om in de viewer te kunnen zoeken naar percelen via de Global Search zoekbalk.

 

GeoWeb

 

We hopen dat de DKK Geocoder u gaat helpen om sneller te kunnen werken en we horen graag uw feedback via content@esri.nl, of natuurlijk via een bericht hieronder.

Vorige week was de 26e editie van de Esri GIS Conferentie. Meer over de inhoud van de conferentie is te lezen in de Terugblik. Ter ere van het één-jarige bestaan van deze GeoNet-ruimte werden er twee boeken verloot onder de GeoNet-inschrijvingen op de conferentie. Zowel op de woensdag als op de donderdag werd het boek Cartography van Ken Field verloot. Hierin staan veel tips en voorbeelden voor het maken van bijzondere kaarten.

 

 

 

De winnaar van de woensdag is geworden:

 

Dirk Jan Oostwoud Wijdenes

 

 

 

 

"Lijkt me een mooi boek om doorheen te bladeren maar ik denk dat er ook veel handige tips & tricks in staan om onze kaarten nog beter te maken."

 

  

 

   

De winnaar van de donderdag is geworden:

 

  Philip Steenkamp

 

 

 

"Deze maand ben ik begonnen met mijn masterstudie Geographical Information Management & Applications (GIMA). Mooie kaartjes maken staat hierin niet centraal maar is wel iets wat ik graag zo vaak mogelijk doe. Net als de auteur van het boek, Kenneth Field, voel ik me ook wel een 'carto-nerd'. Ik denk dat ik nog heel veel kan leren van zijn inspirerende boek Cartography. Daarnaast is het een mooi boek voor op de koffietafel."

 

Gefeliciteerd voor de winnaars!

 

Voor degenen die niet gewonnen hebben en andere geïnteresseerden in cartografie: gebruikers van ArcGIS kunnen ook de MOOC Cartography. volgen. Hierin geeft Kenneth Field samen met Edie Punt, John Nelson, Wesley Jones and Nathan Shephard veel inspiratie op het gebied van cartografie. Ook zitten er opdrachten in ArcGIS Pro bij voor hands-on toepassingen. In mijn blog Mapdesign met ArcGIS Content geef ik meer tips over hoe je de content van Esri Nederland kan toepassen bij het ontwerpen van kaarten.

In november 2018 heb ik een blog geschreven over een analyse op de BAG om woningtypes te onderscheiden. Daar zijn veel reacties op gekomen en daarom hebben we besloten om hier als content-team wat verder in te duiken. En met trots kan ik mededelen dat onze nieuwe dataset Woningtypering nu beschikbaar is voor onze klanten als feature service en webmap in ArcGIS Online! Maar daar is natuurlijk wel wat werk aan vooraf gegaan. Graag neem ik u mee in onze werkwijze. Een volledige beschrijving van al onze ontwerpkeuzes is terug te vinden in de Product Informatie. Deze is te downloaden van onze website

 

In mijn vorige blog had ik al ontdekt dat met het gebruik van de tools Polygon Neighbors en Frequency veel van de woningtypes te identificeren zijn. De Polygon Neighbors-tool vindt aangrenzende vlakken, in dit geval de aangrenzende buurpanden, en de Frequency-tool telt deze. Ook voor deze service hebben we veelvuldig gebruik gemaakt van deze tools. De Dissolve-tool bleek uiteindelijk de oplossing voor ons “hoekwoning-versus-twee-onder-een-kap-probleem”. Want hoe weet je nou of een woning een hoekwoning is of een twee-onder-een-kap? Beide soorten woningen hebben natuurlijk maar één buur. Die buur is hierin de sleutel. Want óf deze buur heeft zelf ook maar een buur (het originele pand), wat in dat geval een twee-onder-een-kapwoning is, óf deze buur heeft zelf meerdere buren waarna het originele pand als hoekwoning kan worden geclassificeerd.

 

De meest eenvoudige manier om deze informatie te achterhalen was om een Dissolve uit te voeren. Hierbij worden alle aan elkaar grenzende panden met elkaar tot één vlak verbonden. Eerst hadden we het idee om alles te Dissolven, waarbij multipart niet was toegestaan, en vervolgens te kijken of de panden met maar één buur zich in een Dissolve bevonden van twee of van meerdere panden. Met behulp van een Spatial Join kan je namelijk achterhalen hoeveel panden er in het opgeloste vlak liggen. Een woning met maar één buur, maar in een vlak met meerdere panden, zou in deze Dissolve dan als hoekwoning geclassificeerd worden. Twee twee-onder-een-kapwoningen zouden alleen met elkaar geDissolved worden aangezien zij geen andere buren hebben. Hierbij konden we dus concluderen dat als een woning met maar één buur zich in een Dissolve bevindt dat uit twee woningen bestaat, het een twee-onder-een-kapwoning is.

Maar zo “eenvoudig” bleek het niet te zijn. Na een test kwamen we wat problemen tegen. Zo bleek dat garages vaak onterecht als buren werden aangewezen. Volgens de technische analyse was dat logisch, maar niet een uitkomst die gewenst was. Daarnaast kwamen we erachter dat niet alle panden netjes naast elkaar waren getekend. Voor het vinden van buren was dit geen probleem aangezien we daar een zoekmarge van drie centimeter konden instellen en dit loste de meeste problemen op. Maar voor een Dissolve was dit niet mogelijk zonder veel extra verwerkingstijd. Hierdoor kon de situatie ontstaan dat een pand wel als buur werd aangemerkt, maar niet meegenomen werd in de Dissolve. Ook ontdekten we dat meerdere soorten panden werden aangemerkt als twee-onder-een-kap, bijvoorbeeld een appartementencomplex en een hoekwoning die naast elkaar gelegen waren.

 

Om al deze situaties te voorkomen hebben we onze aanpak aangepast. Allereerst hebben we alle panden met één enkel verblijfsobject met gebruiksdoel “overig” uit onze analyse verwijderd. Panden met één verblijfsobject met gebruiksdoel “overig” zijn vaak garages en op deze manier konden we ons eerste probleem oplossen. Daarna hebben we opnieuw de Polygon Neighbors-tool toegepast. Aan de hand van deze uitkomst hebben we alle panden geselecteerd die maar één aangrenzend pand hadden. Daarvan hebben we een sub-selectie gemaakt van panden met maar een enkel verblijfsobject. Op deze manier voorkwamen we dat woningen naast appartementen als twee-onder-een-kapwoning zouden worden aangeduid. Vervolgens hebben we een Dissolve uitgevoerd op alleen deze panden met maar één aangrenzende buur en maar één verblijfsobject (wat geen gebruiksdoel “overig” had). Bevond het pand zich daarna in een Dissolve bestaande uit maar één pand (zichzelf), dan was het een hoekwoning want zijn buren hadden zelf meerdere aangrenzende panden of meerdere verblijfsobjecten en zijn dus niet meegenomen in de Dissolve. Bevond het pand zich daarna in een Dissolve bestaande uit twee panden, dan was het pand een twee-onder-een-kapwoning. Op deze manier hebben we ook het probleem van de niet-aansluitende panden opgelost én onze verwerkingstijd verkort omdat minder panden gedissolved hoefden te worden.

Natuurlijk hebben we nog veel meer ontwerpkeuzes gemaakt. Zo hebben we er bijvoorbeeld voor gekozen om alle panden met verblijfsobjecten mee te nemen in onze analyse, omdat het gebruik van het naastliggende pand minder belangrijk is (met uitzondering van garages). Volgens ons is een woning tussen twee winkelpanden namelijk een tussenwoning en geen vrijstaand pand. Uit deze denkwijze volgde ook ons besluit om panden met meerdere verblijfsobjecten aan te duiden als appartementen, mits natuurlijk een van die verblijfsobjecten gebruiksdoel “wonen” had. Een woning boven een winkel bijvoorbeeld is in onze ogen namelijk een appartement.

 

Deze en al onze andere ontwerpkeuzes kunt u terug vinden in onze Productinformatie Woningtypering. Dit document bevat informatie over het analyseproces en de ontwerpkeuzes met voorbeelden van de gevolgen die deze keuzes hebben gehad met betrekking tot de uitkomst van de dataset. U kunt deze productinformatie downloaden via onze website.

 

Als klant heeft u vanaf vandaag kosteloos toegang tot onze feature service en webmap waarin de landsdekkende dataset Woningtypering is opgenomen. Deze data zal maandelijks worden geüpdatet.

 

Heeft u nog vragen, opmerkingen of ideeën voor toepassingen van deze dataset? Dan horen wij dat natuurlijk graag! Ik en mijn collega’s zijn te bereiken via content@esri.nl, of natuurlijk gewoon via een comment hieronder.

Sinds kort zijn er nieuwe Infographic templates en reports toegevoegd aan Web AppBuilder for ArcGIS, om consumentendata van 4orange eenvoudig te gebruiken en visualiseren. Een Infographic is een grafische weergave van informatie over een bepaald onderwerp, bestaande uit tekst en beeldmateriaal. Het doel van een Infographic is om (complexe) informatie op een eenvoudige wijze te communiceren. De Infographic templates zijn eenvoudig in gebruik en geven de 4orange data op een mooie en overzichtelijke manier weer. Door de dynamische aard van de Infographics, die de informatie aanpassen aan de hand van de locatie die wordt gekozen, zijn deze voor iedere gebruiker geschikt.

 

De 4orange data komt uit de 4orange Infobase, een database met socio-demografische en lifestyle kenmerken, waardoor er een ruime keuze is aan relevante variabelen die op postcodeniveau beschikbaar zijn. Denk hierbij onder andere aan het aantal auto’s of telefoons per huishouden, of de mate van supermarkt loyaliteit. Deze soort gegevens kunnen gebruikt worden voor data verrijking of uitvoeren van ruimtelijke analyses om tot nieuwe inzichten te komen.

 

Er zijn vijf templates gemaakt die verschillende data van 4orange visualiseren. Dit zijn: 

 

  •      Housing Profile, met onder andere informatie over bouwjaar en woningwaarde
  •      Insurance Profile, met informatie over type verzekeraar en verzekeringen 
  •      Media Profile, met onder andere informatie over social media gebruik en aantal tijdschriften per huishouden
  •      Personicx Segmentation, met onder andere informatie over opleidingsniveau's en aantal personen per huishouden. 
  •      Spending Profile, met onder andere informatie over inkomen van huishoudens en verhoudingen van online shoppen. 

 

Deze Infographic templates zijn beschikbaar in de Business Analyst Widget. In deze widget kan u selecteren welke templates u wilt opnemen in uw applicatie en configureren wat het resultaat van deze Infographics is. Het is mogelijk om binnen het gebied van een door u opgegeven reistijd een Infographic of report te creëren. Deze instellingen zijn aan te passen in de widget.

 

 

In de applicatie kunt u zoeken naar een plaats waarna de geconfigureerde instellingen te zien zijn. Door op uitvoeren te klikken worden de Infographics automatisch gegenereerd. Vervolgens kunnen ze gedownload of geëxporteerd worden.   

 

De informatie die te zien is in de Infographic zit standaard in de Business Analyst widget. Voor deze Infographics hoeft u zelf geen informatie aan uw kaart toe te voegen. Het is echter ook mogelijk om zelf een template te ontwerpen waar u uw eigen data overzichtelijk kunt presenteren. Dit kan met de Business Analyst Web App. U kunt van het begin beginnen of verder bouwen op templates die aangeleverd zijn door Esri, waaronder deze 4orange templates. Op dit blog is hierover meer informatie te vinden.

 

Vragen of voorbeelden van uw resultaten ontvangen we graag via content@esri.nl.

Deze maand presenteert Esri Nederland een nieuwe landsdekkende dataset: 3D-Bomen (bèta).

3D-Bomen (bèta) is beschikbaar gesteld in het Content aanbod van Esri Nederland en kan vanaf nu worden toegevoegd aan scenes in ArcGIS Online en ArcGIS Pro.

 

Dit blog is geschreven door Marleen Mulder, presales engineer bij Esri Nederland.

 

Waarvoor is de 3D-Bomen dataset bedoeld?

De 3D-Bomen dataset is een benadering van de werkelijkheid. Het merendeel van de dataset is gegenereerd en komt daardoor niet overeen met de exacte locatie van bomen in Nederland. De dataset is dan ook bedoeld om op een snelle wijze een meer volledige 3D-weergave te maken in ArcGIS Pro of ArcGIS Online. Het is nu mogelijk naast gebouwen en een terreinmodel ook snel de omgeving te voorzien van 3D-bomen voor een betere benadering van de werkelijkheid, met slechts een aantal klikken. 

 

Welke informatie bevat de dataset?

De dataset bestaat uit bijna 30 miljoen 2D-punten waaraan een 3D-symbool is toegewezen.

 

De volgende informatie is aan de puntdata toegevoegd:

  • Boomsoort (Loofbos, Naaldbos, Gemengd bos of Groenvoorziening bosplantsoen). Gebaseerd op BGT: Begroeid Terreindeel.
  • Boomhoogte (in meters). Deze waarden zijn random en variëren tussen 6 en 14 meter.
  • Positie (in honderdsten). Deze waarden zijn random en variëren tussen 0,01 en 0,99.
  • Symbooltype (Genus). Gebruikt voor de Thematische Preset Symbology.

 

Hoe is de dataset tot stand gekomen?

De 3D-Bomen dataset is gegenereerd op basis van data uit de Basisregistratie Grootschalige Topografie (BGT). Indien beschikbaar is gebruik gemaakt van de BGT: Vegetatie Object Punt. Deze puntenlaag bevat officiële locaties van bomen die door enkele gemeenten in Nederland worden bijgehouden. Omdat dit een plus-object is en niet verplicht is om vast te leggen in de BGT, hebben we de dataset aangevuld met gegenereerde data. Hiervoor is een tweede laag uit de BGT gebruikt: Begroeid Terreindeel. Met de Create Random Points Tool zijn op deze vlakken random punten geplaatst. De twee samen vormen de bijna 30 miljoen tellende 3D-Bomen dataset die voor heel Nederland kan worden gebruikt.

 

Tips voor het gebruik

  • Er is gekozen voor een thematische symbologie. Vanzelfsprekend is de symbologie te veranderen in een realistisch bomensymbool. Tevens kan de kleur en grootte van de symbolen in een scene aangepast worden.

  • Bekijk deze Webscene om een idee te krijgen van de 3D-Bomen dataset.
  • Voor het maken van een lokale selectie van de data is de data beschikbaar gesteld in een file geodatabase die u kunt downloaden in de Esri Nederland Datasets-groep.
  • De dataset kan hierdoor ook aan 2D-kaarten worden toegevoegd.
  • Op dit moment is de dataset in bèta beschikbaar en kan dus nog veranderen.

 

Heeft u opmerkingen of tips voor ons hoe we de dataset kunnen verbeteren, stuur dan een email naar content@esri.nl.

 

Veel plezier met de dataset, we kijken uit naar jullie toepassingen!

Nieuw in ons content-aanbod zijn de incidenten uit de Nationale Databank Wegverkeersgegevens (NDW), een gezamenlijk initiatief van en voor deelnemende wegbeheerders. In het NDW worden verschillende gegevens omtrent het verkeer bijgehouden. Deze service bevat informatie over de locatie en aard van incidenten op de Nederlandse wegen. Hieronder vallen bijvoorbeeld ongevallen, defecte voertuigen, botsingen en verschillende belemmeringen zoals bergingswerkzaamheden. We bieden de data aan via twee feature services; één met actuele incidenten en een archief met historische incidenten vanaf (eind mei 2019). Beide services zijn near real time, waarbij de data elke minuut geüpdatet wordt. Het voordeel van feature services is dat analyses hierop direct mogelijk zijn in zowel ArcGIS Pro als ArcGIS Online zonder de data eerst lokaal te hoeven halen. Deze services zijn te bekijken in de webmap, welke een volledig opgemaakte pop-up bevat. Naast de webmap bieden we ook een dashboard aan waarin de data op verschillende manieren weergegeven wordt. Hierin is het mogelijk om bijvoorbeeld het aantal incidenten per type door de tijd heen te bekijken.

 

Dit blog is geschreven door Maud Soetens en Jeske van der Velden, beide actief in het content-team van Esri Nederland.

 

Bij het creëren van de nieuwe webmap en het dashboard hebben we gebruik gemaakt van een aantal nieuwe mogelijkheden van het ArcGIS-platform zoals het opmaken van basiskaarten en de scripting-taal Arcade. We willen dan ook graag met u delen hoe deze nieuwe NDW-items tot stand zijn gekomen.

 

Het ontwerp van de webmap

 

Nadat we de twee services hadden gepubliceerd, zijn we aan de slag gegaan met de webmap.

 

Webmap NDW incidenten

Allereerst is het belangrijk om na te gaan wie de doelgroep is en welk doel heeft de webmap? De doelgroep is iedere geïnteresseerde, van inwoners tot analist. Daarom is het belangrijk dat de webmap overzichtelijk is. Het doel van de webmap is om duidelijk in één oogopslag te kunnen zien wat voor incidenten er op dit moment op de weg zijn in ons land. Om dit te bereiken hebben we ervoor gekozen om symbolen te maken om de data te visualiseren. Door deze symbolen per incidenttype anders te ontwerpen is het eenvoudig om direct onderscheid te maken tussen de verschillende incidenten, zoals een ongeval of een defect voertuig. De actuele service is weergegeven met deze symbolen, maar de historische data is gesymboliseerd met firefly symbolen. Deze keus is gemaakt om de kaart beter leesbaar te houden. Firefly bood dus een mooie uitkomst. Zie deze pagina voor andere visualisatie mogelijkheden met firefly.

 

Een unieke basiskaart opmaken

 

De tweede stap in de creatie van de webmap is het ontwerpen van de basiskaart. De basiskaart is anders dan de standaard basiskaarten in ons content aanbod. Dat komt omdat deze basiskaart is aangepast met de nieuwe Vector Style Editor, welke nu in ArcGIS Online is ingebouwd. Hierdoor is het mogelijk basiskaarten direct op te maken binnen de Map Viewer in ArcGIS Online. Het is alleen mogelijk om vector basiskaarten aan te passen, omdat deze zijn opgebouwd uit vectoren die het mogelijk maken de opmaak van de kaart naar eigen wens aan te passen. Dit kan door bij basiskaart op het Symbologie-teken te klikken:

Basiskaart stijlen

De stijl moet vervolgens eerst opgeslagen zijn om te starten met bewerken.   

 

Om de data beter tot zijn recht te laten komen leek het ons een goed idee om alleen de wegen uit te lichten en de rest van de kaart rustig te houden. Hierdoor ligt de aandacht alleen op de wegen, wat beter is voor het visualiseren van incidenten op de weg. Per onderdeel van de basiskaart zijn er de opties om onder andere eigen kleuren, schaalniveaus en transparantie in te stellen. Om de wegen goed tot zijn recht te laten komen hadden we een basiskaart nodig met een rustige achtergrond. De Topo RD Vector Lichtgrijs bleek hiervoor geschikt. We hebben ervoor gekozen om de kleur van de regionale wegen, hoofdwegen en autosnelwegen aan te passen. Dit is gedaan door naar de juiste gegevens van de basiskaart te gaan, in dit geval infrastructuur > wegdeel lijn, en hier per type weg een kleur te selecteren.

Basiskaart stijlen venster

 

De lokale wegen hebben we grijs gelaten omdat de kaart anders te druk werd. Bovendien bevat de services alleen incidenten op A, N en E waardoor het uitlichtten van lokale wegen niet nodig is. Daarnaast hebben we de regionale wegen een andere lijndikte gegeven waardoor de kaart nog iets rustiger oogt. Kortom, veel leuke mogelijkheden! Er zijn eindeloze manieren om uw creativiteit los te laten op deze Vector Style basiskaarten. Lees er alles over in dit blog.

 

Pop-ups maken met Arcade

 

Arcade is een krachtige manier om pop-ups op te maken. Onze collega Ellen van den Berg heeft Arcade ingezet om de Hectometerpunten popup levendig te maken en ook voor de pop-ups in deze webmap hebben we Arcade gebruikt. We leggen u graag uit hoe wij dit hebben vormgegeven voor de NDW incidenten service. 

 

Allereerst hebben we een ontwerp gemaakt van de pop-up zoals we wilden dat het eruit zou komen te zien. Het idee was om de achtergrond als weg weer te geven met op de rijbanen de informatie. Bij de opmaak van de pop-up kozen we voor A custom attribute display en daarna kozen we voor de HTML-modus. Met HTML hebben we een tabel gemaakt waarbij we de kleur, breedte en hoogte van de velden zo hebben aangepast dat een weg werd voorgesteld.

 HTML code en afbeelding lege pop-up

Om de pop-up niet overvol te maken hebben we gekozen voor drie onderdelen informatie: aard van het ongeval, datum en tijd en plaats van het ongeval. Op de linkerrijbaan wilden we hiervoor symbolen weergeven, op de rechterrijbaan de daadwerkelijke informatie in tekst.

 

De aard van het ongeval is al opgenomen als attribuut in de dataset, echter is dit wel in het Engels. Met Arcade hebben we dit omgezet naar het Nederlands.  Hiervoor moesten we een nieuwe expressie starten in het pop-up scherm. Vervolgens hebben we een simpele else – if constructie gebruikt.

If ($feature.recordSubtype == “brokenDownVehicle”) return “Defect voertuig” betekent eigenlijk: Als een feature het attribuut recordSubtype “brokenDownVehicle” heeft, geef dan “Defect voertuig” terug. We hebben op deze manier alle mogelijke attributen vertaald naar het Nederlands. Een dergelijke uitkomst hadden we overigens ook kunnen bereiken door domeinen in te stellen.

 

De iconen die we wilden weergeven wisselen per aard van ongeval. Voor een gekantelde vrachtwagen wilden we een ander icoon weergeven dan voor een botsing. Eerst hebben we alle iconen geüpload naar ArcGIS Online. Dit kan eenvoudig door naar Content te gaan en dan te kiezen voor Voeg Item Toe > Van Mijn Computer. Let erop dat de afbeeldingen wel publiekelijk gedeeld moeten zijn om te kunnen worden weergegeven in de pop-up. Nu hebben alle iconen hun eigen URL, die rechtsonder in de Item pagina terug te vinden is. Met deze URL konden we een soortgelijke code toepassen als dat we hierboven al hadden gebruikt. Alleen was het resultaat hier geen Nederlandse vertaling, maar een afbeelding die bij de aard van het ongeval hoorde.

 Arcade expressie van vertaling

We hebben dus nu twee Arcade expressies. In de pop-up kan de uitkomst van zo’n expressie aangeroepen worden met {expression/expr[nummer]}. Het enige wat ons hier dus nog restte was om dit in het juiste veld in de HTML code te plakken. Het gevolg was dat de eerste regel van onze pop-up klaar was:

 

Pop-up met eerste regel klaar

 

De tweede regel, datum en tijd, was eenvoudiger te realiseren. Het icoon daarvoor is een klok die ongeacht het attribuut hetzelfde zou blijven. Dit icoon hebben we dus ook geüpload naar ArcGIS Online, maar in plaats van dat we een Arcade expressie hebben gebruikt, konden we deze link direct in het juiste veld in onze HTML code gebruiken.

 HTML code

De datum en tijd zijn al opgenomen als attribuut in de dataset. Hierdoor hoefden we in de HTML code alleen te verwijzen naar het attribuut, genaamd recordCreationTime, door {recordCreationTime} te gebruiken.

 HTML code

Dit maakte de tweede regel in onze pop-up nu ook compleet.

 

Het icoon voor de locatie werkte hetzelfde als de klok: ook dit is een standaard icoon wat geüpload is naar ArcGIS Online en waarnaar direct wordt verwezen in de HTML code.

 

De grootste uitdaging lag bij het weergeven van de locatie, aangezien er behalve de coördinaten geen locatie-informatie gegeven wordt in de NDW dataset. Deze informatie moest dus uit een andere dataset gehaald worden. Hiervoor hebben we de NWB wegvakken toegevoegd aan de webmap. Dit zijn lijnen met daarin de naam van de weg en de gemeente waarin het wegvak zich bevindt. Wij wilden dat de locatie van het ongeval verbonden zou worden aan een wegvak zodat we de naam van de weg en de gemeente zouden kunnen extraheren. Net zoals bij de geoprocessing tools in ArcMap of ArcGIS Pro is ook Arcade in staat om Intersection uit te voeren. Helaas is voor een intersect met Arcade een polygonlaag nodig en wij hadden een lijnenbestand (NWB) en een puntenbestand (incidenten). Gelukkig was dit met een buffer snel opgelost. Ook bufferen kan namelijk met Arcade, zonder dat er een nieuwe dataset gemaakt hoeft te worden met geoprocessing tools. Zo maakten we eerst een buffer rondom de incidenten en voerden we daarna een intersect uit met de NWB wegvakken. Van het wegvak waar een overlap werd geconstateerd, is de naam van de weg (STT_NAAM) en de naam van de gemeente (GME_NAAM) teruggegeven. Deze uitkomst is weer toegepast in de HTML code. Dit is de Arcade-expressie die we hebben gebruikt:

 

var buff = Buffer($feature,1,'meter')

var intersectLayer = Intersects(FeatureSetByName($map,"NWB - wegvakken"), buff)

 

for (var f in intersectLayer){

    return f.STT_NAAM + ", " + f.GME_NAAM

}

 

En dit is het uiteindelijke resultaat van de pop-up:

 Uiteindelijke pop-up

 

Nu onze webmap klaar is, kunnen we deze gebruiken als de basis voor een dashboard.

 

Het NDW dashboard

 

Om de data goed tot zijn recht te laten komen en de meeste informatie over te brengen hebben we een dashboard gemaakt.

 

Dashboard NDW incidenten

 

Dit is gemaakt met Operations Dashboard for ArcGIS. Operations Dashboard is een configureerbare webapplicatie die met interactieve dashboard functies naar eigen wens kan worden ingericht. We hebben een aantal verschillende van deze functies gebruikt, namelijk indicator, list, en serial chart.

 

Lijst Functies

 

De functies en de kaart zijn aan elkaar gelinkt waardoor er bij in of uitzoomen van de kaart alleen van dat gebied de data wordt weergegeven. Dit is één van de mooie dingen aan het Operations Dashboard. De indicator-functie laat getallen zien, oftewel indicaties. Ook bij het maken van het dashboard is het belangrijk om het doel weer goed in het  achterhoofd te houden. De bedoeling van de indicator met getallen aan de rechterkant is om als eerste de aandacht van de lezer trekken, want zo is in een paar tellen de situatie op de weg geschetst. Vervolgens zijn we gaan nadenken hoe we meer informatie kunnen verstrekken. Dit hebben we gedaan door de serial chart-functie te gebruiken om specifiek type incidenten te tonen. We bedachten dat uit het dashboard niet te halen was welke incidenten het meest recent zijn. Om dit weer te geven bleek de list-functie een goede optie. Door de list zijn de meest recente incidenten opgesomd en kunnen ze door de link met de kaart ook geselecteerd worden. Geïnteresseerd om te zien hoe u in uw eigen organisatie gebruik kunt maken van Operations Dashboard for ArcGIS? Kijk in deze galerij voor pagina’s vol met voorbeelden.

 

We hopen dat we u met deze voorbeelden hebben geïnspireerd om ook zelf aan de slag te gaan met de datasets die we al voor u klaarzetten binnen ArcGIS. Of dat u, gebaseerd op de gehanteerde techniek in deze voorbeelden, met uw eigen gegevens ook soortgelijke informatieproducten kunt maken. Vragen of voorbeelden ontvangen we graag via content@esri.nl

Veel overheden en organisaties staan vandaag de dag voor de uitdaging om aan de slag gaan met het klimaatvraagstuk. Bij verschillende provincies en kennisinstellingen ontstond een aantal jaar geleden de behoefte om landelijke klimaatinformatie samen te brengen op een laagdrempelige manier. Uit deze behoefte is in 2007 de Klimaateffectatlas ontstaan. De Klimaateffectatlas geeft een eerste indruk van de toekomstige dreigingen van overstromingen, wateroverlast, droogte en hitte als gevolg van klimaatverandering. Er zijn verschillende kennisinstellingen en adviesbureaus betrokken bij de ontwikkeling van de Klimaateffectatlas. Stichting Climate Adaptation Services (CAS) coördineert en beheert de Klimaateffectatlas sinds 2012. De klimaatinformatie is via de site van de Klimaateffectatlas al laagdrempelig beschikbaar, maar er ontstond ook een wens om deze data eenvoudiger te combineren met andere data in geografische informatiesystemen.

 

Vanuit deze wens begon er vorig jaar een mooie samenwerking tussen Arjen Koekoek van Climate Adaptation Services (CAS) en Esri Nederland. CAS levert de data en wij zetten dit om in een vorm waarin de kaartlagen snel binnen ArcGIS gevisualiseerd worden. Sinds maart 2018 bieden we de kaartenlagen uit de Klimaateffectatlas aan als content. Over Morgen maakt hier veelvuldig gebruik van. Over Morgen is een adviesbureau en werkt aan een toekomstbestendige leefomgeving. Zij maakten al gebruik van de kaartlagen uit de Klimaateffectatlas en deden af een toe een data aanvraag om deze te kunnen gebruiken. De wens om de lagen te combineren met andere geografische data werd steeds groter en op dat moment kwamen de kaartlagen beschikbaar als ArcGIS Content.

 

Vandaag is de Klimaateffectatlas geüpdatet met een groot aantal nieuwe lagen, met name voor de thema's "Overstroming" en "Droogte". Een goed moment om wat meer te vertellen over wat je met de Klimaateffectatlas kan. In ons magazine is meer te lezen over de Klimaateffectatlas en hoe de kaartlagen binnen ArcGIS te gebruiken zijn. In dit interview vertelt Robin Ammerlaan van Over Morgen hoe zij de kaartlagen uit de Klimaateffectatlas toepassen.

 

 

Robin zou jij iets kunnen vertellen over de projecten waarbij jullie content uit de Klimaateffectatlas gebruiken en waarvoor gebruiken jullie deze content precies?


"Om gebieden toekomstbestendig te maken is inzicht in de klimaatadaptatieopgave essentieel. Of we nu gevraagd worden voor advies bij binnenstedelijke transformaties, een aanpak voor toekomstbestendige woonwijken, regionale gebiedsprogramma’s of de herbestemming van vastgoed: het gebied staat bij ons altijd centraal. We gebruiken data om op voorhand inzicht te krijgen in een gebied en de opgaven die er spelen.


Zo hebben we in Maassluis met de gemeente en verschillende belanghebbenden het programmaplan ‘Next Generation Woonwijken Maassluis’ opgezet. Het programmaplan vormt de leidraad om alle wijken van Maassluis op weg naar 2040 duurzaam, aantrekkelijk en toekomstbestendig te maken. Klimaatadaptatie vormt een belangrijke pijler in het plan. We hebben veel gebruikgemaakt van data om de huidige situatie in beeld te brengen en om samen met bewoners en belanghebbenden problematische plekken op te speuren. Een aantal wijken van Maassluis liggen een stuk lager dan de rest. Verwachte wateroverlast op de kaart werd herkend en er werd snel toelichting gegeven bij welke straten dit ook écht als hinderlijk was. Een recente hevige regenbui stond nog vers in het geheugen dus iedereen wist precies waar het over ging. Ook constateerden we dat een parkeerplaats waar voorheen bomen stonden ´zomers toch wel heel heet werd. Door belanghebbenden vanuit verschillende achtergronden te betrekken ontstaat niet alleen een gevoel van urgentie bij klimaatadaptatie, maar komen ook nieuwe manieren aan het licht om hiermee om te gaan. Het programmaplan zelf hebben we opgeleverd in de vorm van een Story MapZo krijgen deelnemers bij het lezen van het plan ook toegang tot interactieve kaarten waarin de data te zien en bevragen is.

 

 

 

Voor de gemeente Soest hebben we een verkenning uitgevoerd naar een diversiteit aan opgaven die speelt in de wijk t’ Hart. In de geest van de Omgevingswet gingen we met woningcorporatie Portaal, waterschap Vallei en Veluwe en de gemeente Soest om tafel en werkten aan een routekaart voor de wijk. Een van de opgaven was wateroverlast. De verwachte wateroverlast op straat was bij de gemeente al goed in beeld, en daarvoor was al een plan. Toch boden de wateroverlastkaarten uit de Klimaateffectenatlas hier en daar nog waardevolle aanvulling. Zo werd ook geregeld overlast ervaren op de verharde achterpaden tussen de huizen. In de gemeentekaarten kwamen deze plaatsen niet aan het licht, maar in de Klimaateffectenatlas kwamen ze wel naar boven."


Wat is het voordeel dat de kaartlagen nu in ArcGIS Online staan?


"We kunnen de kaartlagen nu bijzonder snel en efficiënt gebruiken. Bijvoorbeeld het toevoegen van de kaartlagen binnen webapps en StoryMaps is nu heel makkelijk. Alle styling en pop-ups zijn goed geconfigureerd en we zien dat het content team de inhoud actueel houdt en steeds verbeteringen doorvoert. Ook het gebruik bij analyses in ArcGIS Pro is een stuk makkelijker doordat de kaartlagen nu in de portal te vinden zijn."

 

 

Welke thema’s een kaartlagen zijn vooral belangrijk voor jullie?


"Voor analysen en gebiedsverkenningen zijn ze dat eigenlijk allemaal. Doordat alle vier de thema´s (hitte, droogte, wateroverlast en overstroming) goed gevuld zijn met verschillende kaarten krijg je grip op de situatie. In combinatie met inhoudelijke kennis en aanvullende kaarten kun je het landschap lezen en zie je onderliggende verbanden. Dit maakt het ook makkelijker om een helder verhaal te vertellen.

 

Binnen participatietrajecten merken we wel dat de kaartlagen Waterdiepte bij kortdurende hevige neerslag en Stedelijk hitte eiland effect het meest tot de verbeelding spreken. Bewoners kunnen deze informatie aan eigen ervaring toetsen. We zien dat de knelpunten vaak herkenbaar zijn voor bewoners."

 

Wij vinden het mooi om te zien hoe Over Morgen de kaartlagen uit de Klimaateffectatlas gebruikt in hun projecten. Hopelijk inspireert het u ook om meer gebruik te maken van deze kaartlagen voor uw proces. Alle kaartlagen zijn terug te vinden in de Klimaateffectatlas-groep.

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