Latest Contributions by Jeskevan_der_Velden2

De Points of Interest-lagen Met deze blog is het alweer de laatste dag van ons OpenStreetMap-driedaagse met vandaag informatie over onze nieuwe OSM Points of Interest-lagen, oftewel POI-lagen. Deze feature services bevatten interessante locaties zoals die zijn opgenomen in OSM. U kunt dan denken aan bijvoorbeeld winkels of geldautomaten. Graag vertel ik u hier meer over.   We hebben in totaal twaalf nieuwe kaartlagen en bijbehorende webmaps gepubliceerd in ArcGIS Online en deze POI's zijn zowel als losse lagen beschikbaar als in één gecombineerde laag: Eten & Drinken Geldautomaten Gezondheidszorg Hotels & Pensions Laadpalen Onderwijs Postkantoren Sport Tankstations Vrije Tijd Winkels Points of Interest (gecombineerde laag)   In de gecombineerde laag vindt u alle objecten uit de andere items terug, met bijbehorende opmaak. Als attributen hebben we daarbij een aantal basiskenmerken opgenomen zoals naam, openingstijden etc. De individuele lagen hebben uitgebreidere attributen, afhankelijk van hun onderwerp.   Sleutels en attributen De meesten van u zullen gewend zijn om met vectoren te werken met een geografische locatie (of dat nou een punt, lijn of vlak is) en daarbij behorende attributen in tabelvorm. OpenStreetMap werkt iets anders en ik wil u graag uitleggen hoe wij die vertaalslag hebben gemaakt. OSM maakt gebruik van zogenaamde sleutels. Dit zijn stukjes informatie die toegevoegd worden aan een object. Dit kan bijvoorbeeld zijn shop=clothes. Dat houdt in dat het object een winkel is met als specificatie kleding. Maar het is bijvoorbeeld ook mogelijk om shop=yes te hebben. Dat houdt in dat er een winkel aanwezig is, maar specificeert niet wat voor winkel. In principe kan elk object een onbeperkt aantal sleutels hebben en is geen enkele sleutel verplicht. Er worden op de OSM Wikipedia-pagina wel sleutels per onderwerp aanbevolen. Ook is er een conventie zoals het gebruik van bepaalde (altijd Engelse) termen. Meer informatie over de sleutels in OSM kunt u hier terugvinden.   Op deze sleutels hebben wij queries gebaseerd. Voor de laag Winkels bijvoorbeeld wilden we alle objecten die een sleutel shop=* hadden, terwijl de laag Vrije Tijd een gecombineerde query bevat van bepaalde sleutels met amenity=*, leisure=* en tourism=*. Daarmee hebben we dus bepaald welke objecten in welke lagen moesten worden opgenomen. In de gecombineerde laag Points of Interest kunt u per object terugvinden op welke sleutel het object is gebaseerd en in welke losse laag deze is opgenomen.   Voor de attributen gebruikten we hetzelfde systeem. In combinatie met de sleutels die per onderwerp worden aangeraden door de OpenStreetMap gebruiksinformatie en de sleutels die wij zelf veel in de data terug zagen komen, zijn we per onderwerp tot een aantal attributen gekomen.   Zelf bijdragen aan OpenStreetMap Nadat we de inhoud van de lagen hadden bepaald en gepubliceerd, hebben we ook tijd besteed aan het opmaken van de pop-ups in ArcGIS Online. We vonden het belangrijk om een directe link naar OpenStreetMap zelf te maken. OSM wordt gemaakt door de community en daarom is het belangrijk dat in stand te houden. In de pop-up hebben we daarom twee links opgenomen die direct de pagina van het object in OpenStreetMap openen. Hiermee is het niet alleen mogelijk om het object in OpenStreetMap te bekijken, maar is het ook om met de tweede link meteen wijzigingen door te voeren.   OpenStreetMap wordt volledig gevuld en beheerd door gebruikers en het is altijd mogelijk om daar zelf aan bij te dragen. Mocht u hierin geïnteresseerd zijn, dan kunt u een account aanmaken op deze pagina. Met een account is het mogelijk om via onze pop-ups direct naar de wijzigingspagina van een object te gaan om het aan te passen, of natuurlijk om nieuwe objecten in te tekenen. De POI-lagen worden elke dag bijgewerkt zodat u eventuele verbeteringen de volgende dag al terug zult zien in deze kaartlagen. Op termijn zullen deze wijzigingen ook terug te zien zijn in de basiskaart. Meer informatie over het bijdragen aan OSM is hier terug te vinden in het Nederlands, de originele pagina in het Engels is hier te vinden.   De Points of Interest kaartlagen zijn op dit moment nog in bèta. Dit betekent dat de structuur van de kaartlagen nog aangepast kan worden. Feedback horen we graag via een bericht hieronder of direct via content@esri.nl.   Hiermee zijn we aan het einde gekomen van ons drieluik, waarin we u hebben verteld over de drie OpenStreetMap-producten die we hebben geïntroduceerd. Maar dit is zeker niet het einde van ons OSM-aanbod. Een voorbeeld van onze toekomstige plannen is dat we de locaties die nu beschikbaar zijn gemaakt in deze POI-lagen willen gaan gebruiken als basis voor een zoekfunctie in de kaart. Tot die tijd is het mogelijk om dit zelf in te stellen in uw webmap, door in te stellen dat op de kaartlaag te zoeken is. Zie de afbeelding hieronder voor de instellingen.   Veel plezier met deze nieuwe data en alvast fijne feestdagen! ... View more

De Basisregistratie Adressen en Gebouwen (BAG) is onderdeel van het overheidsstelsel van basisregistraties. Gemeenten zijn bronhouders van de BAG. Zij zijn verantwoordelijk voor het opnemen van de gegevens in de BAG en voor de kwaliteit ervan. De BAG bevat gegevens van alle adressen en gebouwen in Nederland, zoals bouwjaar, oppervlakte, gebruiksdoel en locatie op de kaart. Esri Nederland biedt al geruime tijd de BAG-gegevens aan met dagelijks actualiteit, welke door klantorganisaties van Esri Nederland direct gebruikt worden binnen het ArcGIS-platform. Met de overgang van BAG 1.0 naar BAG 2.0 zullen er wijzigingen optreden in de vorm waarop wij de BAG-gegevens verstrekken. Graag informeren we over wat u kunt verwachten van ons.   Wat houdt BAG 2.0 in en wanneer gaan de wijzigingen in?   Op de website van het Kadaster is meer te lezen over BAG 2.0: https://zakelijk.kadaster.nl/bag-2.0. In essentie komt het er op neer dat de structuur van de wet- en regelgeving, de inrichting van de kwaliteitszorg en -toezicht veranderen. Ook worden kleine wetswijzigingen doorgevoerd. Deze wijzigingen zijn inmiddels ook al van kracht. Als u meer wilt weten over de inhoudelijke wijzigingen in de BAG adviseren wij u om de volgende informatie door te nemen: https://zakelijk.kadaster.nl/wat-verandert-er#Inhoudelijke%20wijzigingen%20in%20de%20BAG.   Sinds deze zomer is de eerste bronhouder aangesloten op de BAG 2.0-omgeving van het Kadaster; de Gemeente Zuidplas. Zij stuurt uitsluitend berichten naar de Landelijke Voorziening BAG volgens BAG 2.0 eisen. Het is begrijpelijk dat klantorganisaties ons nu vragen in hoeverre zij bij afname van de BAG-gegevens via de door Esri Nederland aangeboden services ook over deze gegevens beschikken. Nou, we kunnen u geruststellen: u beschikt er automatisch over binnen het huidige dataschema van de BAG 1.0! U hoeft dus geen actie te ondernemen. Dat wil overigens niet zeggen dat er niets zal wijzigingen, daarom brengen we u graag in meer detail op de hoogte.   De globale planning   Bronhouders kunnen inmiddels dus aansluiten op BAG 2.0 en doen dit ook al. Er is echter nog geen afname-product beschikbaar bij het Kadaster voor BAG 2.0. Zie voor meer informatie over de beschikbare BAG-producten te volgende pagina van het Kadaster: https://zakelijk.kadaster.nl/bag-2.0. Op deze pagina staat beschreven dat de levering van BAG 1.0 door blijft lopen, inclusief via BAG 2.0 ontvangen data. Dit houdt in dat de data die bronhouders in BAG 2.0 aanbieden, via de landelijke voorziening ook wordt doorgezet in BAG 1.0. Kortom, BAG 1.0 is dus nog altijd actueel en compleet en dit blijft voorlopig ook nog zo. De planning voor de uitfasering aan de kant van de landelijke voorziening is dat deze levering van BAG 1.0 (zowel extracten van heel Nederland als ook de mutaties) tegen december 2020 zal stoppen.   De vraag die dan logischerwijs naar boven komt is: en dan? De Landelijke Voorziening BAG is bezig om een nieuw extract product en bijbehorende mutaties (API) op te zetten voor BAG 2.0. Dit is echter nog niet gereed. Zodoende kunnen wij dus ook zelf daar nog niet een koppelvlak voor realiseren en een BAG 2.0-service voor u beschikbaar maken. De planning van de Landelijke Voorziening BAG voor deze nieuwe producten kunt u hier lezen: https://zakelijk.kadaster.nl/producten-2.0. Zoals het er nu naar uit ziet kunnen wij voor de extracten van heel Nederland medio oktober een proefbestand verwachten en komen productieleveringen beschikbaar in december 2019. Vanaf dat moment kunnen wij starten met het beschikbaar maken van een BAG 2.0-webservice. Dit vereist echter wel inspanning aan onze kant om nieuwe inleesroutines te ontwikkelen en aan te sluiten op het nieuwe datamodel van BAG 2.0. Initieel zullen we deze gegevens beperkt kunnen actualiseren, omdat er alleen extracten beschikbaar komen (geen mutaties). De planning voor mutatieleveringen (dagelijks en maandelijks) staat op de voorlopige planning voor proefbestanden medio februari 2020 met productieleveringen medio Q2 in 2020.   Hoewel wij u zo snel mogelijk over een BAG 2.0-service willen laten beschikken, zult u begrijpen dat wij niet sneller kunnen gaan dan wat mogelijk is via de Landelijke Voorziening. Kort samengevat kunt u van ons het volgende verwachten:   De huidige BAG-service bevat actuele gegevens en deze blijven wij nog lange tijd actualiseren en aanbieden. Het actualiseren zal stoppen zodra de Landelijke Voorziening stopt met BAG 1.0 bestanden uitleveren en de service zelf zullen we circa 3 maanden daarna uitfaseren. We willen benadrukken dat deze service dus ook gegevens bevat van bronhouders die in BAG 2.0 aanbieden aan de Landelijke Voorziening, omdat deze gegevens via de LV worden doorgezet naar BAG 1.0.   Wij zullen een eerste BAG 2.0-service kort nadat de Nederland extracten beschikbaar komen voor BAG 2.0 gaan aanbieden. Deze service zal beperkte actualiteit kennen en een ander datamodel dan BAG 1.0 bevatten. Mede daarom zullen we op dat moment dus ook twee services aanbieden, namelijk de huidige BAG-service en de nieuwe BAG 2.0-service.   Op langere termijn zal de huidige BAG-service (BAG 1.0) uitgefaseerd worden en zal alleen de BAG 2.0-service aangeboden worden. Dit uitfaseren zullen wij pas doen zodra de BAG 2.0-service met dezelfde actualiteit geboden kan worden als de huidige service (dagvers). Omdat de vereiste mutatieleveringen hiervoor nog niet beschikbaar zijn gemaakt aan de kant van de Landelijke Voorziening kunnen wij nog niets toezeggen over concrete datums en wat u wanneer kunt verwachten.   We hopen u hiermee voorzien te hebben van meer inzicht over wat u kunt verwachten van ons met betrekking tot de BAG-gegevens. Heeft u nog vragen of opmerkingen, reageer gerust op dit artikel of neem contact met ons op via content@esri.nl. ... View more

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. 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. 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. 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. 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. 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. ... View more

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. ... View more

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! ... View more

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 ... View more

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 ... View more