Remote sensing is leuk. Hoogtekaarten, satellietbeelden, NDVI, DSM’s, BGT-panden, AI-classificaties, rekenmodellen: allemaal prachtig. Maar dan komt de vraag waar het uiteindelijk om draait: hoe ga je de resultaten presenteren? Want een analyse is pas echt waardevol als anderen ermee kunnen werken. Niet alleen de geo-specialist die de berekening heeft gemaakt, maar ook de beleidsmedewerker, projectleider, bestuurder of bewoner die wil weten: waar liggen de kansen, wat levert het op en waar begin je?
In dit vijfde deel van de serie laat ik daarom zien hoe je remote sensing-resultaten vertaalt naar een dashboard. We verlaten Ezinge even en wijken uit naar Capelle aan den IJssel. Niet omdat Ezinge minder interessant is, maar omdat een grotere en anoniemere stedelijke omgeving beter laat zien waarom een dashboard zo belangrijk is.
Terugblik: eerst kijken, dan visualiseren
In de vorige delen hebben we stap voor stap gekeken naarwateroverlast, hoogtekaarten, groene daken en het detecteren van vegetatie met satellietdata. In deel vier heb ik vooral benadrukt dat je eerst moet begrijpen waar je naar kijkt. Welke sensor gebruik je? Wat is de resolutie? Waar komt de data vandaan? En wat zegt die data eigenlijk wel en niet? Dat is belangrijk, want een dashboard kan heel overtuigend ogen. Mooie kaarten, grafieken, totalen en kleuren geven al snel het gevoel dat alles klopt. Maar als de onderliggende data niet goed begrepen wordt, bouw je vooral een mooie misvatting. Daarom is dit dashboard niet het beginpunt, maar het resultaat van een reeks stappen: waarnemen, combineren, berekenen, controleren en daarna pas presenteren.
Van Ezinge naar Capelle aan den IJssel
Ezinge is ideaal om de basis uit te leggen. Je ziet het dorp, de wierde, de hoogteverschillen en de waterstromen overzichtelijk terug. Maar voor een dashboard wil je ook schaal laten zien. Wat gebeurt er als je niet naar enkele straten of een dorp kijkt, maar naar duizenden panden in meerdere wijken en buurten?
Daarom gebruik ik hier Capelle aan den IJssel als voorbeeld. In de dataset achter het dashboard staan ruim 14.000 panden met tientallen kenmerken. Denk aan bouwjaar, woningtype, wijk, buurt, potentieel dakoppervlak, type groendak, waterbufferend vermogen, fijnstofafvang en materiaalkosten. Als je die gegevens opent als tabel zie je vooral rijen en kolommen. Veel rijen en veel kolommen. Je kunt ermee rekenen, maar je ziet nog niet waar de kansen liggen. En precies daar komt het dashboard in beeld.
Waarom een CSV-bestand alleen niet genoeg is
In de aangeleverde dataset staan ruim 14.000 regels en 49 kolommen. Dat is voor een computer prima te verwerken, maar voor een mens is het niet direct overzichtelijk. Je ziet kolommen zoals NatDaktuin, Sedum10gr, Sedum28gr, GroeDakpan, Totaal_m2, WatB_Verm, Mat_Kosten en FS_Afvang. Voor een geo-specialist is dat herkenbaar. Voor iemand die moet beslissen over vergroening, waterberging of budgetten wordt het al snel een brij aan data.
Toch zit er veel waarde in. In de CSV is ongeveer 916.000 m² aan potentieel groendakoppervlak opgenomen. Op basis van de gebruikte rekenwaarden komt daar een potentieel waterbufferend vermogen uit van bijna 39 miljoen liter. Ook de fijnstofafvang wordt doorgerekend: ruim 125 miljoen gram per jaar. De geraamde materiaalkosten komen uit op ongeveer 91 miljoen euro. Dat zijn grote getallen. Maar grote getallen geven nog geen antwoord. Want waar ligt die potentie? In welke wijk? In welke buurt? Gaat het om veel kleine daken of juist om enkele grote oppervlaktes? En welk type groendak past waar?
Zonder dashboard moet je dat allemaal uit tabellen en kaart halen. Met een dashboard zie je het meteen.
Wat laat het dashboard zien?
Op de kaart zie je per pand waar potentie is voor een groendak. De kleuren maken onderscheid tussen verschillende typen of hoeveelheden potentieel dakoppervlak. Je kunt inzoomen op een wijk, buurt of zelfs op één gebouw. Klik je op een pand, dan krijg je niet alleen te zien dát er potentie is, maar ook welke berekeningen erbij horen. Denk aan de oppervlakte, het type groendak, het waterbufferend vermogen, de fijnstofafvang en de geschatte materiaalkosten. Daarmee verandert de kaart van een mooi plaatje in een stuurinstrument.
Aan de linkerkant en onderkant van het dashboard staan de samenvattingen. Daar zie je bijvoorbeeld hoeveel gebouwen potentie hebben, hoe de dakoppervlaktes verdeeld zijn en welke wijken het meeste bijdragen. Aan de rechterkant zie je de buurten met de grootste potentie. Dat is belangrijk, want niet elk dak vraagt om dezelfde aanpak. In de dataset valt bijvoorbeeld op dat een groot deel van de panden een potentieel oppervlak heeft tot 50 m². Tegelijkertijd is er ook een kleinere groep panden met meer dan 250 m² potentieel dakoppervlak. Beide groepen zijn interessant, maar vragen om een andere strategie. Veel kleine daken kunnen interessant zijn voor een bewonersaanpak. Grote daken zijn juist interessant als je snel veel vierkante meters, waterberging of fijnstofreductie wilt realiseren.
Van pand naar wijk en buurt
Een dashboard maakt het mogelijk om te schakelen tussen schaalniveaus. Je kunt naar één pand kijken, maar ook naar een hele wijk. In deze dataset springen Schollevaar Noord en Schollevaar Zuid eruit. Samen zijn deze wijken goed voor meer dan de helft van het totale potentieel dakoppervlak. Als je alleen naar de getallen kijkt, zie je dat ook wel. Maar op de kaart zie je pas hoe die potentie verdeeld is. Ligt het verspreid door woonstraten? Zit het vooral op grotere gebouwen? Zijn er clusters waar je met een gebiedsgerichte aanpak meer kunt bereiken? Dat soort vragen kun je niet goed beantwoorden met alleen een tabel.
Ook op buurtniveau wordt het interessant. Buurten zoals Hoofdweg sector A, Hoofdweg sector E/F, Hoofdweg sector G en de Ervenbuurt komen duidelijk naar voren. In een dashboard zie je niet alleen dát deze buurten hoog scoren, maar ook waarom. Je ziet de ligging, de clustering en de samenhang met de gebouwstructuur.
En dat is precies waar visualisatie waarde toevoegt.
Meer dan vierkante meters groen
Een groendak is niet alleen een groen vlak op een gebouw. Het kan bijdragen aan waterberging, verkoeling, biodiversiteit en luchtkwaliteit. In dit dashboard zijn vooral waterbufferend vermogen en fijnstofafvang goed zichtbaar gemaakt. Dat maakt het gesprek concreter. Je hoeft niet meer alleen te zeggen: “hier liggen kansen voor groene daken.” Je kunt ook laten zien wat die kansen mogelijk opleveren. Hoeveel liter water kan er worden vastgehouden? Hoeveel fijnstof kan er worden afgevangen? Wat is de geschatte investering? En in welke wijk levert een maatregel relatief veel op? Voor gemeenten, waterschappen en gebiedsontwikkelaars is dat waardevol. Niet omdat het dashboard de werkelijkheid perfect voorspelt, maar omdat het helpt om keuzes te onderbouwen. Het dashboard maakt de stap van data naar gesprek.
Een dashboard is geen eindpunt
Toch blijft één ding belangrijk: een dashboard vervangt geen inspectie, geen constructeur en geen gesprek met bewoners of eigenaren. Een model kan berekenen dat een dak kansrijk is. Maar daarna moet je nog steeds kijken naar draagkracht, eigendom, onderhoud, bereikbaarheid en draagvlak. De computer kan veel zien en veel berekenen, maar uiteindelijk moet de mens betekenis geven aan de uitkomst.
Dat zagen we ook in de vorige delen. Een sensor ziet veel, maar begrijpt niets. Een dashboard toont veel, maar beslist niets. Het helpt je wel om betere vragen te stellen. Waar starten we? Welke buurten zijn logisch? Welke daken leveren het meeste effect op? Wat is financieel haalbaar? En hoe maken we de koppeling tussen klimaatadaptatie, leefbaarheid en uitvoering?
Wat kun je met deze inzichten?
Met remote sensing en data-analyse kun je complexe vraagstukken zichtbaar maken. Maar met een dashboard maak je ze ook bespreekbaar. De kracht zit niet alleen in de kaart of in de cijfers, maar juist in de combinatie. De kaart laat zien waar iets gebeurt. De grafieken laten zien hoeveel het is. De totalen laten zien wat het effect kan zijn. En de filters maken het mogelijk om scenario’s te verkennen.
Daarmee wordt een dashboard een brug tussen techniek en beleid. De geo-specialist kan uitleggen hoe de berekening tot stand is gekomen. De beleidsmedewerker kan prioriteiten bepalen. De projectleider kan kijken waar uitvoering logisch is. En de bestuurder kan zien wat een investering mogelijk oplevert. Remote sensing levert de data. Het dashboard maakt de data bruikbaar. Of iets eenvoudiger gezegd: je gaat het pas gebruiken als je het kunt zien.
Vooruitblik: van dashboard naar digital twin
In dit deel hebben we gekeken hoe je resultaten uit remote sensing presenteert in een dashboard. De volgende stap is om deze informatie nog dynamischer te maken. Bijvoorbeeld door scenario’s toe te voegen, budgetten door te rekenen of de effecten van maatregelen in de tijd te volgen. Dan kom je al snel uit bij een digital twin: een digitale weergave van de leefomgeving waarin data, modellen en scenario’s samenkomen. Maar ook daar geldt dezelfde les: begin niet met visualiseren omdat het mooi is. Begin met begrijpen wat je meet. Pas dan kun je iets bouwen dat niet alleen indruk maakt, maar ook echt helpt.
Meer informatie
Harald is Business Consultant bij IMAGEM. Hij schakelt tussen business, commercie en de techniek en is inhoudelijk bezig met de klant. Hij werkt samen met de ontwikkelaar aan oplossingen voor de openbare orde en veiligheidsmarkt, onderwijsinstellingen of voor digital twins.
Wil je meer weten over dit onderwerp? Stuur Harald een e-mail of stuur een berichtje via ons contactformulier.
Harald Görtz
Business Consultant
