Invoering
Het zal geen verrassing zijn dat het vinden van ideale locaties voor de bouw van een nieuw windpark niet zo eenvoudig is als het vinden van het dichtstbijzijnde open veld zonder torenhoge windturbine. Sterker nog, het vinden van de meest geschikte locaties vereist kennis van een hele reeks kenmerken van de betreffende locatie. Enkele hiervan zijn regelgevingsvragen zoals "Zijn we ver genoeg verwijderd van de dichtstbijzijnde stad?", "Welke mate van natuurlijke bescherming is voorgeschreven voor dit gebied?". Enkele praktische vragen zijn: "Is de grond geschikt voor de bouw?", "Krijgt dit gebied voldoende wind om een nieuwe windturbine rendabel te maken?". Het nauwkeurig beantwoorden van deze vragen, zoals voorgeschreven door belangrijke belanghebbenden, is een voorwaarde voor het succes van elk groot bouwproject. In dit project hebben we gebruikgemaakt van klimaatgegevens, aardobservatiebeelden en regelgeving om efficiënt gebieden in Salzburg te identificeren die voldeden aan een reeks vooraf gedefinieerde criteria. Dit is een modelvoorbeeld van hoe big data kan worden ingezet voor een praktijkvoorbeeld en geeft inzicht in de vele overwegingen die bij elke stap van het proces moeten worden gemaakt.
Het verkrijgen van de gegevens
De eerste stap voor elke taak die geospatiale datasets wil gebruiken om een vraag van praktische/commerciële aard te beantwoorden, is uiteraard het verkrijgen van de data. Zoals elke datawetenschapper weet, is dit de meest cruciale stap: elk probleem dat daaruit voortvloeit, vloeit uiteindelijk voort uit de beslissingen/keuzes die hier worden gemaakt. Van bijzonder belang bij het ontwikkelen van een oplossing voor een commerciële toepassing is dat de brondata niet alleen accuraat is, maar idealiter ook gecertificeerd is door de relevante autoriteiten. Een gedetailleerde kaart met bestemmingsplaninformatie heeft bijvoorbeeld geen enkele waarde als deze niet kan worden gecertificeerd als rechtstreeks afkomstig van de relevante bestemmingsplanautoriteit. Om deze reden zijn officiële databronnen van extreem hoge waarde, omdat ze niet alleen de benodigde basisinformatie verschaffen, maar ook de legitimiteit van alle conclusies of voorspellingen die daaruit worden getrokken. In dit project dienden het Bundesamt für Eich- und Vermessungswesen (Federaal Bureau voor Metrologie en Landmeetkunde) van Oostenrijk, evenals de Open Government Data Resource (OGD) van de deelstaat Salzburg, als een uitstekende basis voor de ontwikkeling van onze bruikbare landmeting voor windparken.
Inzichten benutten
Zoals reeds vermeld, wordt de identificatie van ideale locaties voor de bouw van nieuwe windparken opgesplitst in een aantal kwantificeerbare criteria die een binaire karakterisering van een bepaald interessegebied opleveren ("Geschikt voor de bouw van een windpark", "Niet geschikt voor de bouw van een windpark"). Indien aan één van deze criteria niet wordt voldaan, wordt het gebied bij verdere analyse buiten beschouwing gelaten. Deze methodologie maakt een "snel en eenvoudig" classificatieschema mogelijk om de geschiktheid van een regio voor de bouw van een windpark te bepalen.
De implementatie van het hierboven beschreven proces kan als volgt worden onderverdeeld:
Ten eerste werd elk criterium gekoppeld aan een gegevensbron die voldoende basisinformatie leverde om deze vraag positief of negatief te beantwoorden. Vervolgens werd voor elk criterium de bijbehorende basisinformatie verwerkt om de geschiktheid van elke regio in Salzburg te classificeren met betrekking tot de betreffende criteria. Op deze manier werd voor elk criterium een vectorlaag gegenereerd die gebieden in Salzburg classificeerde als "geschikte" of "ongeschikte" regio's. Hieronder zullen we kort de ontwikkeling van twee van deze lagen bekijken.
Identificatie van woonwijken
Een van de belangrijkste criteria voor de bouw van een nieuw windpark is dat het op een gepaste afstand van grote woonwijken ligt. Het voldoen aan deze criteria is in de meeste gebieden noodzakelijk vanwege de overheidsregelgeving die is ingesteld om tegemoet te komen aan de zorgen over geluidsoverlast, stadsplanning en de visuele impact van deze installaties. Het gebruik van grondgegevens van het Bundesamt für Eich- und Vermessungswesen geeft ons een goed startpunt voor het genereren van een geschikte laag die Salzburg in gebieden segmenteert op basis van hun geschiktheid voor deze criteria.
Zoals in dit geval te zien is, bestaan de grondgegevens uit een aantal polygonen die overeenkomen met bestaande structuren in de deelstaat Salzburg. Dit biedt een veelbelovend startpunt, maar er moeten nog een aantal vragen worden beantwoord om deze input om te zetten in de juiste binaire classificatielaag. Namelijk, hoe maak je een zinvol onderscheid tussen een stad, die hier verschijnt als een dichte clustering van polygonen, en twee alleenstaande huizen in een veld? In dit geval hebben we ons gericht op het Density-Based Spatial Clusterring-algoritme, dat een intuïtieve, op dichtheid gebaseerde classificatie van een gebied in "residentieel" of "niet-residentieel" biedt op basis van de dichtheid van deze structuurpolygonen en hun aantal buren. Op deze manier kunnen we bijvoorbeeld de volgende classificatie bereiken.
Niveauregio's identificeren
Een ander belangrijk criterium voor elk bouwproject is dat de grond de juiste helling heeft. Over het algemeen moeten bouwprojecten waterpas worden gebouwd om de juiste fundering voor de geplande constructie te vormen. Boven een bepaald hellingspercentage worden de kosten die nodig zijn om het gebied te egaliseren veel te hoog om het project uitvoerbaar te maken. Gelukkig zijn open source rastergegevens, verkregen uit metingen uitgevoerd met lasermetingen, beschikbaar met een resolutie van 5 meter.
Omdat het in dit geval om raster- en geen vectordata gaat, is de vertaling van deze laag naar een binair classificatiemasker iets ingewikkelder. In dit geval werd dit bereikt door een drempelhoek te definiëren waarboven een interessepunt als "te steil" werd beschouwd. Door de rasterdata voor al deze regio's te bevragen, deze regio's met OpenCV naar vectoren te extraheren en de geëxtraheerde gebieden van een drempelwaarde te voorzien, krijgen we de gewenste classificatie.
Conclusie
Nadat er met succes een binair classificatiemasker is geëxtraheerd voor elk criterium dat de geschiktheid van een regio voor de bouw van een windpark definieert, is het vervolgens eenvoudig om dit samen te voegen: combineer simpelweg alle classificatiemaskers tot één masker. De resulterende regio's zijn de optimale regio's zoals bepaald door officiële grondwaarheidsgegevens van de deelstaatregering van Salzburg en de federale regering van Oostenrijk. Een hele vondst!
