Iedereen die wel eens met ruimtelijke data heeft gewerkt, kent het probleem: je hebt verschillende datasets die je wilt vergelijken, maar ze zijn allemaal in verschillende formaten en met verschillende geometrieën. Bijvoorbeeld de vierkantsstatistieken van het CBS, de grenzen van gemeenten en de luchtkwaliteitsrasters van het RIVM. Hoe kun je deze datasets op een snelle en eenvoudige manier met elkaar vergelijken, combineren en analyseren?
Je zult dan op zoek moeten naar een manier om de informatie in elke dataset te vertalen naar een gemeenschappelijk formaat. Een van de meest effectieve manieren om dit te doen is door gebruik te maken van een vast grid van hexagonen. Maar waarom zou je kiezen voor hexagonen in plaats van andere vormen zoals vierkanten of cirkels? En hoe werkt het precies?
Voor de atlas van de leefomgeving hebben we een flink aantal datasets omgezetzet naar een hexagonaal grid. In dit artikel leg ik uit hoe wat de hebben gedaan en wat je er vervolgens mee kunt.
Waarom hexagonen?
Hexagonen vormen een ideale benadering voor ruimtelijke data-analyse. Ze zijn vanzelfsprekend zeshoekig en hebben een aantal unieke eigenschappen die ze bijzonder geschikt maken voor het werken met geografische informatie:
- Gelijke Afstand: Alle zijden van een hexagoon zijn gelijk, wat betekent dat de afstand van het middelpunt naar elke hoek altijd hetzelfde is, in tegenstelling tot vierkanten. Dit maakt het eenvoudiger om afstanden te berekenen en vergelijkingen te maken.
- Efficiënte Ruimtelijke Dekking: Hexagonen vullen de ruimte op een efficiënte manier, zonder dat er veel overlap is. Dit is in tegenstelling tot bijvoorbeeld cirkels, die vaak leiden tot ongewenste overlappingen en gaten.
- Aantrekkelijke Visualisatie: Hexagonen zijn visueel aantrekkelijk en kunnen gemakkelijk worden weergegeven op kaarten. Ze zorgen voor een overzichtelijke en gestructureerde weergave van gegevens, waardoor het eenvoudiger wordt om patronen en trends te herkennen.
- Zie logo:
Als je dus al je ruimtelijke datasets omzet naar dezelfde hexagonen maakt dat het mogelijk om deze te combineren en te vergelijken zonder dat je rekening hoeft te houden met de specifieke eigenschappen van elke dataset. Ze kun je bijvoorbeeld gebruiken om bevolkingsdichtheid, luchtkwaliteit en verkeersdrukte in één oogopslag te vergelijken.
De aanpak
Bij elke transformatie naar een grid verlies je informatie. Dat geldt zeker voor het omzetten naar hexagonen omdat je de oorspronkelijke complexiteit van de geometrieen onmogelijk kunt vangen in een kunstmatige structuur. Daarom is het belangrijk om voor elke dataset afzonderlijk een vertaling te verzinnen die recht doet aan de informatie in die dataset en er zo min mogelijk informatie verloren gaat.
Een voorbeeld: Het CBS levert vierkantstatistieken aan in cellen van 100 meter. Je weet dus hoeveel mensen er in dat vierkant wonen, hoeveel huurwoningen er zijn en wat de gemiddelde afstand tot het dichtstbijzijnde winkelcentrum is. Zodra je deze vierkanten omzet naar hexagonen (zie figuur), moet je een manier vinden om deze informatie te vertalen. Een mogelijkheid is om elk vierkant te koppelen aan het dichtstbijzijnde hexagon, waarbij soms meerdere vierkanten terecht komen in een hexagon. Deze waarden moet je weer middelen of sommeren afhankelijk van het type. Op deze manier blijf je het dichtste in de buurt van de orginele statistische verdeling.
Voor rasterdatasets, zoals geluidsniveaus, hebben we er voor gekozen om van meerdere rastercellen een gemiddelde te nemen, ongeacht de mate waarin ze overlappen. Hiermee introdudeer je een onnauwkeurheid die waarschijnlijk niet groot genoeg is om de analyse te verstoren, maar die wel moet worden meegenomen in de interpretatie van de resultaten.
Vectordatasets zoals de grenzen van natura2000 gebieden hebben we meestal omgezet op basis van waar het middelpunt van de hexagoon ligt. Daarmee is het dus mogelijk dat kleinere structuren binnen een hexagoon niet worden meegenomen.
Op deze manier hebben we zo veel mogelijk datasets van de atlas omgezet naar hexagonen van 100 meter doorsnede. Dat levert ongeveer 2,7 miljoen hexagonen op verdeeld over heel Nederland, met ieder de informatie van tientallen datasets.
Wat kan je ermee?
Nu je voor elke hexagon in Nederland weet hoeveel mensen er wonen, wat de geluidsoverlast is, hoe groot de kans op een overstromings is en nog veel meer kan je deze gegevens gebruiken voor verschillende analyses en visualisaties. Enkele voorbeelden van toepassingen zijn:
Hoe veel mensen worden er getroffen bij een overstroming op Schouwen Duiveland?Een snelle optelsom in onderstaande dataset laat zien dat er 1015 inwoners getroffen worden.
Hoeveel mensen ondervinden een hoge geluidsoverlast in de gemeente Nijmegen?
In inderstaande figuur zie je waar de plekken in geel met een geluidoverlast hoger dan 60dB (lden) en het aantal inwonders dat er woont in rood. In totaal zijn dat er 805.
Hoe verhoud zich het landgebruik tot de biodiversiteit in Nijmegen?
Je hoeft altijd van kaartjes gebruik te maken. In tegendeel, nu de data in hexagonen zitten is het heel makkelijk om de statistieken met elkaar te gaan vergelijken in getallen en grafieken. Onderstaande grafiek laat zien wat de gemiddelde soortendiversiteit per landgebruiksklasse is. Dus voor elke hexagon met bijvoorbeeld overwegend 'bos' kijken we wat de gemiddelde soortendiversiteit is (op een schaal van 1 tot 8). Hier komt het aannemelijke resultaat uit dat zonneparken een zeer lage soortendiversiteit hebben terwijl bosgebied een redelijke score haalt. (Merk op dat de witte getallen het aantal hexagonen weergeeft, als dat erg laag is dan is het statistisch gezien niet relevant. En zijn er bloembollenvelden rondom Nijmegen? Kennelijk wel een paar).
Conclusie
Je hebt nu gezien dat je met het omzetten van je datasets naar een uniform grid in hexagonen al snel veel inzichten kunt doen. Dit artikel is te kort om alle voor en nadelen nauwkeurig in kaart te brengen of uit te leggen hoe de hexagonen precies tot stand komen. Ook mist hier natuurlijk nog een live demo waarin je zelf aan de slag kunt met de data. In een volgende reeks zullen we daar meer mee doen.
Links:
Een aantal bronnen die ter inspiratie hebben gediend voor dit werk:
Hexagons are the bestagons is een vermakelijk en leerzaam filmpje over eigenschappen en nut van hexagonen
Kontur is een bedrijf dat gebruik maakt van dezelfde soort hexagonale index op wereldschaal voor onder meer beslissingsondersteuning bij grote maatschappelijke vraagstukken.
Scandinevian highlands gebruikt de hexagonen voor het in beeld brengen en analyseren van voorraden natuurlijke bronnen (bijv. mijnindustrie).