ng door verkeer
formatie
2019-4 I Geo-Info 35
gemeentes verplicht om de luchtverontrei
niging die wordt veroorzaakt door verkeer
te monitoren en hiervoor (momenteel
handmatig) wegtypes toe te kennen aan hun
wegennetwerk (het betreft hier de grotere
en drukkere wegen). Dit zal per i januari 2021
niet wijzigen. Daarnaast worden berekeningen
gedaan voor specifieke projecten.
Door de landelijke beschikbaarheid van
verkeersintensiteit en snelheidsgegevens, voor
geschreven door de nieuwe geluidwetgeving,
kan echter een eerste orde schatting worden
gemaakt van de luchtkwaliteit in alle binnen
stedelijke straten. Voorwaarde hiervoor is dat
een goede, landelijke schatting gemaakt wordt
van het wegtype.
Dit kan ook relevant zijn als er bijvoorbeeld
EU-regelgeving komt met strengere normen
voor de luchtkwaliteit waardoor ook bin
nen kleinere gemeentes luchtkwaliteit een
knelpunt kan worden. Ook bij een grotere
aandacht voor de relatie gezondheid en
luchtkwaliteit kan het relevant worden om de
luchtkwaliteit in kleinere straten te berekenen.
Tenslotte kan met een automatische clas
sificatie methode voor de wegtypen, deze
classificatie worden gestandaardiseerd en
gekeken worden naar verbeteringen van de
rekenmethode.
Wegtypering
De SRMi-methode kent vier wegtyperingen
gebaseerd op bebouwing die zich binnen
60 meter bevindt van de wegas (zie kader
voor een meer gedetailleerde beschrijving).
Wegtype 1 heeft bebouwing aan beide zijden
van de weg en min of meer aaneengeslo
ten gevels. Wegtype 2 is vergelijkbaar met
wegtype 1, maar dan met relatief hoge gevels
ten opzichte van de breedte van de straat.
Wegtype 3 heeft bebouwing aan één zijde
van de weg, eveneens met een min of meer
aaneengesloten gevel. Bij wegtype 4 staat de
aanwezige bebouwing verspreid in de omge
ving, bijvoorbeeld een weg met twee-onder-
een-kapwoningen of vrijstaande woningen.
De vier wegtypes worden op dit moment voor
de relevante wegen handmatig 'geschat' door
luchtkwaliteitsexperts. Zij maken daarvoor
gebruik van panoramafoto's, 3D-GIS-data en
doen schattingen in de straat zelf. De vereiste
waarden voor afstand tot gebouwen en
bouwhoogten zijn daardoor ruwe schat
tingen. Bovendien vraagt deze handmatige
classificatie veel tijd en kan dus slechts voor
een gering aantal straten worden uitgevoerd.
Tenslotte worden de wegtyperingen op dit
moment alleen verzameld voor de gemeen
ten die luchtkwaliteit moeten monitoren en
voor ad hoc studies.
In samenwerking met RIVM hebben MSc
Geomatics-studenten (zie figuur 2 links)
daarom in het kader van projectonderwijs
gewerkt aan een automatisch classificatie
algoritme op basis van landsdekkende 3D- en
2D-geo-informatie (figuur 2 rechts).
Input data
Voor de hoogtes van de gebouwen maken we
gebruik van de 3D-BAG-dataset, die maandelijks
wordt gegenereerd door de 3D-onderzoeks-
groep van de TU Delft vanuit de BAG en AHN [4].
Deze dataset bevat dakhoogten op verschil
lende percentielen (25, 50, 75, 90, 95 en 99).
Vanwege de vele ondergrondse constructies
in Amsterdam (ons testgebied) die helaas in
de BAG niet te onderscheiden zijn van boven
grondse constructies, hebben we de 3D-BAG-
hoogtes via het BAG-ID gekoppeld aan
BGT-geometrieën van panden (gedownload
via PDOK). De BGT kent namelijk alleen maar
de geometrie van bovengrondse objecten en
ondergrondse geometrie wordt hiermee dus
genegeerd.
Voor het bepalen van de gebouwhoogte voor
de wegtypering gebruiken we het 95e percen-
tiel van de hoogtepunten van de gebouwen.
Volgens RIVM moet het hoogste gebouw-
punt in aanmerking worden genomen voor
luchtkwaliteitsberekeningen. Echter, het 99e
percentiel kan ook uitschieters op schoorste
nen bevatten, welke door gebruik te maken
van het 95e percentiel worden uitgefilterd. Als
input voor de wegen gebruiken we de wegas-
sen van het Nationaal Wegenbestand (NWB),
beschikbaar via PDOK.
Eerstelijnsbebouwing identificeren en
koppelen aan wegsegmenten
We hebben verschillende methodes ontwik
keld die allemaal de eerstelijnsbebouwing als
input nodig hebben. Het bepalen van de eer
stelijnsbebouwing lijkt een triviaal probleem,
maar dat is het niet. Het gebruik van een of
Figuur 2 - Links: het studentenprojectteam. Rechts: resultaat van het project: automatisch geclassificeerde wegen in Amsterdam (zie legenda in figuur 5).
