Note to self: numpy.where gebruiken in de rasterio calculator

rio calc "(where (== 0 (read 1) ) (read 2) (read 1))" input01.tif input02.tif output01.tif --overwrite --not-masked --dtype float32

Dit is gelijk in numpy aan:

numpy.where(input01 == 0, input02, input01.

--not-masked zorgt ervoor dat nodata 0 in input01 niet wordt genegeerd.

Op mijn woon-werk route zie ik drie reclamemasten langs de snelweg. Ze zijn groot, fel-verlicht en van verre-zichtbaar; ze beinvloeden de landschaps-beleving en gevoel van plaats. Voor mij persoonlijk maken ze het landschap en de wereld kleiner. Omdat ze lang zichtbaar zijn versmelt een lang stuk snelweg tot eenzelfde identiteit: ‘dat stuk met die reclamemast’. En ze zijn zo hoog dat ze bijvoorbeeld bomen, geluidwallen en gebouwen klein doen lijken.

Rijdend in m’n Fiat Panda vroeg ik me zodoende af: hoeveel reclamemasten zijn er in Nederland? Waar staan ze? Komen er meer bij? Hoe hoog zijn ze? Oftewel: bestaat er een kaart van reclamemasten? Zo niet, kan ik die maken?

Op deze kaart staan de locaties en hoogtes van 190 reclamemasten langs snelwegen en provinciale-wegen. Het is duidelijk dat ‘mijn’ drie reclamemasten niet de enige zijn, maar dat ik verder door een redelijk reclamemast-luw gebied rijd. Forenzen rondom Amsterdamn, Utrecht en Den Haag zien er veel meer.

Hieronder beschrijf ik kort hoe de kaart gemaakt is.

Het bleek dat reclamemasten gekarteerd worden in de BRT, in de kaartlaag ‘inrichtingselement_punt’, onder de categorie ‘markant object’. Dit was makkelijk te vinden door de kaartlaag te bekijken op plek van een bekende reclamemast.

De categorie ‘markant object’ bleek veelomvattender dan alleen reclamemasten. Ook kunstwerken, uitkijktorens en diverse andere maffe objecten zijn markant genoeg om gekarteerd te worden. De opgave was om alle markante objecten te sorteren op ‘reclamemast’ en ‘niet-reclamemast’.

De beste manier hiervoor leek me om naar de luchtfoto’s te kijken. Ik heb ik een scriptje geschreven om de PDOK actuele RGB luchtfoto WMS te bevragen voor een 50×50m image-chip rondom elk markant object. Dit leverde 407 plaatjes op, waaronder

een voetbal

een uitkijktoren

en een… een ding op een rotonde.

Gelukkig waren reclamemasten duidelijk herkenbaar:

Dit is het moment waar ik had willen schrijven over een geavanceerd-complex-Aritficial-Intelligence-Neural-Network-ImageClassification-Algorithm dat de 407 markante objecten feilloos classificeerde. Helaas, de snelste, makkelijkste en betrouwbaarste manier om dit te doen bleek handmatig te zijn. Binnen ~15 minuten had ik 190 reclamemasten gespot in de plaatjes-verzameling.

Vervolgens wou ik de hoogte van de reclamemast weten. Hiervoor bevroeg ik de PDOK AHN4 DSM WebCoverage Service. Dit leverde 407 DSM bestanden op, waarin de hoogtecontouren van de reclamemast duidelijk aanwezig waren:

De hoogte van de reclamemast heb ik gesteld op het verschil tussen de hoogste- en laagste waarde in de DSM uitsnede.

De informatie in het BRT-veld ‘objectbegintijd’ had ik willen gebruiken als indicatie voor het bouwjaar van de reclamemast. Een snelle vergelijking met Topotijdreis liet echter zien dat de reclamemast vaak al ver voor deze ‘begintijd’ geplaatst was.

Dit is dezelfde reclamemast als in ‘t QGIS screenshot, al in 2015 zichtbaar op Topotijdreis, maar volgens Top10NL aanwezig vanaf 2016.

Hoe betrouwbaar is de kaart? Steekproefsgewijs weet ik dat niet alle reclamemasten gekarteerd zijn de ‘inrichtingselement_punt’ kaaartlaag. Dit gold o.a. voor een van de drie reclamemasten op mijn route; de 190 reclamemasten zijn dus een onderschatting. Daarnaast zag ik een paar reclamemasten die wel op de foto, maar niet in het DSM stonden. Deze vielen op omdat de berekende hoogte heel laag was. Deze heb ik achterwege gelaten. Tenslotte zal de handmatige classificaties niet 100% correct zijn, maar dit heb ik niet kunnen kwantificeren.

Interessante vervolgvragen zouden zijn: hoeveel reclamemasten staan er per strekkende kilometer snelweg per provincie en/of gemeente? Vanaf welke afstand is een reclamemast zichtbaar? Ook een nadere indeling naar passief-verlichte of actief-lichtgevende en bewegende (‘full motion’) reclamemasten zou interessant zijn. De aanwezigheid van uitstekende schijnwerpers duiden op een passieve reclamemast:

De geodata van de reclamemasten is op verzoek verkrijgbaar, net als de image- en DSM chips.

De vernieuwde CLO indicator “Zichtbaarheid en invloed op landschapswaardering van windturbines” is online.

De indicator is opgebouwd uit twee componenten. Ten eerste het aantal zichtbare windturbines. Dit heb ik berekend met de de QGIS visibility-analysis plugin. Ten tweede de afstand tot dichtstbijzijnste windturbine. Hiervoor heb ik de gdal-proximity tool gebruikt.

De berekening van de indicator, plus voor- en nabewerking is beschikbaar in deze gitlab repository: https://git.wur.nl/roelo008/wt_kaart.

Een GIS versie van de windturbine-kaart is op verzoek verkrijgbaar.

Mij is dit jaar gevraagd de CLO indicator Zichtbaarheid en invloed op landschapswaardering van windturbines te vernieuwen. De laatste versie van deze indicator stamt uit 2012. De CLO indicator is gebaseerd op berekeningen met ViewScape, waarmee ik eerder heb gewerkt voor de Monitor Landschap.

Voor de update van indicator zal ik niet met ViewScape werken, maar met de qgis visibility plugin. Hiermee bereken ik het aantal zichtbare windturbines per pixel, waarbij gebouwen, bomen etc. windturbines deels aan het gezicht kunnen onttrekken. De resultaten daarvan zullen binnenkort op het CLO verschijnen. Hier wil ik wat ‘bij-vangst’ kaartjes laten zien.

Ik werk met een windturbinedataset van het RIVM. Om inzicht te krijgen in de verpsreiding van windturbines maakte ik onderstaande heatmap.

Daarna leek ‘t me aardig om een afstand tot windturbine kaart te maken:

Dit is al behoorlijk informatief! Zo blijken er maar een paar plekken te zijn waar je verder dan 20km van een windturbine verwijderd bent.

In de bufferkaart telt elke windturbine even zwaar mee. Uit ervaring met door Flevoland rijden weet ik echter dat een relatief hoge windturbine veel eerder (en dus langer) zichtbaar is, imposanter is en daarmee grotere beinvloeding van het landschap dan een kleine ‘huisturbine’ op een boerenerf. Kan ik daar iets mee doen in de bufferkaart?

In deze kaart zijn de buffers niet de afstand tot de turbine, maar de locaties waarin de turbine zichtbaar is in een bepaalde kijkhoek. In de buitenste, gele ring, vult de windturbine een kijkhoek van 0.4°. In de groene ring is de kijkhoek 0.8° in de blauwe ring 2° en in de binnenste ring 10°.

Het verschil in impact van de hogere en lagere windturbines is duidelijk zichtbaar. Noord-West Friesland en west Groningen bevatten veel lage windturbines. De ruimtelijk impact van turbines in die gebieden is duidelijk beperkt. Van de hoge turbines in bijvoorbeeld Flevoland en oost Groningen rijkt de impact veel verder.

Van eind 2023 tot ongeveer april dit jaar heb ik gewerkt aan de Kennisagenda Groen-Blauwe Dooradering. Donderdag 13 juni mocht ik het resultaat aanbieden aan mevr. van der Wal, minister voor Stikstof & Natuur.

De kennisagenda is mede geschreven door Shera van den Wittenboer, Martijn Horst, Jurre Dekker, Meike Josemans en Theo Spek en is hier te lezen.