{"id":79998,"date":"2024-12-11T14:36:59","date_gmt":"2024-12-11T13:36:59","guid":{"rendered":"https:\/\/www.sogelink.com\/?p=79998"},"modified":"2024-12-11T14:37:03","modified_gmt":"2024-12-11T13:37:03","slug":"datadinsdag-groene-tuinen","status":"publish","type":"post","link":"https:\/\/www.sogelink.com\/nl\/nieuws\/datadinsdag-groene-tuinen\/","title":{"rendered":"#DataDinsdag: Groene tuinen"},"content":{"rendered":"
\n
\n
\n

#DataDinsdag: Groene tuinen<\/strong><\/h2>\n

Dat vergroening van de publieke ruimte belangrijk is om klimaatverandering tegen te gaan, wist je waarschijnlijk al. Maar heb je hierbij ook aan jouw eigen achtertuin gedacht? De keuzes die we maken over de inrichting van onze tuinen hebben een directe invloed op het klimaat. Deze DataDinsdag gaat stagiaire Kirsten Blokin op haar stageonderzoek bij Sogelink over het grondgebruik in onze tuinen.<\/p>\n

Verdeling gebieden<\/h4>\n

Ruim 50 tot 70% van het stedelijk gebied is in priv\u00e9bezit. Denk hierbij aan bedrijven, maar ook aan particulieren zoals huiseigenaren. Die 50 tot 70% bestaat dan ook met name uit gebouwen (zoals kantoorpanden en huizen) en tuinen. Je kunt je wel voorstellen dat als al die mensen nou eens alle stenen uit hun tuin halen en vervangen door gras, planten en bomen, dit een groot effect kan hebben op klimaatverandering gerelateerde problemen. Denk aan hittestress, wateroverlast en verlies aan biodiversiteit. Maar hoe groot is het probleem nu eigenlijk? En hoe groen zijn de tuinen al?<\/span><\/p>\n

Open data<\/h4>\n

\u2018Deze vragen stonden centraal in mijn stageonderzoek\u2019, vertelt Kirsten. \u2018Om het antwoord te vinden ben ik met verschillende open data bronnen aan de slag gegaan. Door middel van het combineren van deze data – waaronder data uit het Basisregistratie Grootschalige Topografie, Basisregistratie Kadaster, Algemeen Hoogtebestand Nederland (AHN) en luchtfoto\u2019s vrijgegeven door de overheid – heb ik het grondgebruik in tuinen kunnen classificeren.\u2019<\/span><\/p>\n

Verschillende type grondgebruik<\/h4>\n

\u2018De eerste stap was het onderscheid maken tussen groen, grijs en overig grondgebruik. Dit heb ik gedaan door middel van classificatie op basis van de support vector machine methode. Met deze methode wordt er niet alleen gekeken naar de spectrale waardes van de luchtfoto pixels, maar ook naar hun ruimtelijke eigenschappen. Hierbij worden zo genoemde objecten of segmenten gedetecteerd, op basis van pixels met gelijkwaardige eigenschappen. Vervolgens werd ook data uit het AHN toegevoegd, om binnen de groene en grijze klassen, ook onderscheid te kunnen maken tussen gras, bosjes, bomen, bestrating en bijgebouwen zoals schuurtjes. Op deze manier zal een pixel die bijvoorbeeld groen is en lager dan 10 cm, worden geclassificeerd als gras, terwijl een pixel die grijs is en hoger dan 2 meter, geclassificeerd zal worden als een bijgebouw.’ <\/span><\/p>\n

Hoeveelheid groen in tuinen<\/h4>\n

\u2018Om ten slotte een goed beeld te krijgen wat de verhouding groen in een tuin is, is voor ieder perceel het percentage groen grondgebruik uitgerekend. Met deze data kan snel en overzichtelijk worden weergegeven welke gebieden al voldoende groen zijn, en waar juist nog winst te behalen valt.’<\/span><\/p>\n

Waardevolle data<\/h4>\n

Deze informatie is niet alleen interessant om jou bewuster te maken over je eigen tuin, maar met name ook voor organisaties die zich richten op klimaatadaptatie. Met deze data kunnen zij bijvoorbeeld per locatie zien hoe groen de tuinen al zijn, en beleid of maatregelen zo vormgeven dat het de juiste doelgroep bereikt. Tevens zal ook de impact van genomen maatregelen gemonitord kunnen worden over tijd door de analyse te herhalen met nieuwe luchtfoto\u2019s.<\/span><\/p>\n

Deze analyse is tot nu toe alleen toegepast op een onderzoeksgebied ten westen van Gouda, maar deze methode kan landelijk worden ingezet. Er wordt momenteel gekeken naar mogelijkheden om dit landelijk uit te rollen.<\/span><\/p>\n

\n
\n

Tuinfeitjes<\/h4>\n