Return to site

Asbestdaken. Hoe herken je ze in luchtfoto’s?

Een zoektocht naar de beste methode

· Luchtfoto,asbestdaken,machine learning

Readaar detecteert asbestdaken uit luchtfoto’s. Maar hoe herken je asbest? En waarom willen we dat?

We zijn een startup gespecialiseerd in datamining uit luchtfoto’s. Met die achtergrond krijg je de gekste vragen: “zou jullie trampolines in achtertuinen in kaart kunnen brengen”, of “witte muren voor graffiti artiesten”. Er was één vraag die ons bleef achtervolgen: “zouden jullie ook geautomatiseerd asbestdaken kunnen herkennen?”

Asbestdaken zijn vanaf 2024 verboden door de overheid. Het bleek daarom al snel dat er een hoop reuring is op dit gebied. Van asbestsaneerders die gouden tijden zien aankomen, adviseurs die asbest herkennen aan het printje op het linoleum tot gemeenten die nu al aan de slag moeten om dit verbod in 2024 te kunnen handhaven. Gemeenten die vaak niet weten hoe groot het probleem eigenlijk is, of waar die daken precies liggen.

Dit leek ons een interessant vraagstuk om onze tanden in te zetten. We belden een aantal experts op het gebied van asbest en planden een aantal verkennende gesprekken. Daaruit ontstond al snel een hele lijst aan kenmerken van asbestverdachte panden. Criteria zoals “heeft het pand een bouwjaar van voor 1994”, “heeft het een schuin dak”, of “liggen er golfplaten op het dak”. Daar konden we wel wat mee en we gingen aan de slag. Terwijl we aan de algoritmes bouwden sloten we ook overeenkomsten met de eigenaren van landelijke luchtfoto’s, om onze ambitie van een landelijke inventarisatie mogelijk te maken.

In de zomer van 2016 hebben we samen met de gemeente Lelystad een eerste pilot gedaan. We classificeerden de panden in eerste instantie handmatig en herhaalden dat daarna met versie 1.0 van onze algoritme. En warempel, het algoritme haalde zelfs fouten uit het handwerk. Uiteraard was het nog niet foutloos, maar het zag er goed uit.

Tijd om de lat wat hoger te leggen, immers Lelystad is niet representatief: geen vooroorlogse bebouwing en onze steekproef bestond enkel uit agrarische erven, bedrijfspanden en vrijstaande woningen. Met 3 gemeenten in de achterhoek werd een tweede pilot gestart, daar bleken de presentaties toch aanzienlijk lager te liggen. Hoe kon dat? We ontdekten een aantal zaken, zoals

  • Bouwjaren in de BAG bleken regelmatig niet te kloppen, zeker voor agrarische schuren. Voorbeeld: van een pand uit 2008 bleek alleen 20m2 aan aanbouw nieuw te zijn, de achterliggende schuur was al zichtbaar op de luchtfoto van 1996. En belangrijker nog, er lagen overduidelijk asbest golfplaten op.
  • Veel panden bestaan feitelijk uit meerdere (aan elkaar gebouwde) panden, met verschillende dakbedekkingen. Waarbij sommige delen verdacht zijn, en andere weer niet.
  • Veel particuliere schuurtjes en carports hebben een hellingshoek waarop normaal bitumen wordt gebruikt, terwijl er toch echt verdachte golfplaten op lagen.
  • Vooroorlogse bebouwing bleek ook veel vaker verdacht dan we hadden aangenomen op basis van een ander onderzoek.

Voor ons was dit een behoorlijke tegenslag. Terug naar de tekentafel. Voor elk probleem bedachten we oplossingen.

  • Bouwjaren controleren we nu aan de hand van historische hoogtedata.
  • Elk pand knippen we nu op in dakvlakken, en elk dakvlak wordt individueel beoordeeld.
  • We bouwden diverse patroonherkenningsalgoritmes om de verschillende dakbedekkingen uit elkaar te kunnen houden.
  • Verder switchten we van een “harde-filter-aanpak” een meer integrale statistische beoordeling gebaseerd op machine learning.

De gewijzigde aanpak gingen we opnieuw testen, nu in de gemeente Twenterand. Daar brachten we 23.000 panden (een kleine 100.000 dakvlakken) in kaart en testten we ons algoritme. De resultaten waren spectaculair, een indicatie dat we op het juiste spoor zaten. Inmiddels hadden we wel geleerd dat de ene gemeente de andere niet is, dus niet te vroeg juichen. De verschillen in samenstelling van de pandvoorraad en het aantal verdachte panden zijn significant, dus was het tijd om het algoritme in een heel ander type gemeente toe te passen: Schiedam. Daar presenteerde het algoritme weer goed, de sfeer bij ons op kantoor werd steeds beter terwijl we duizenden panden controleerden.

Inmiddels zijn we bezig om de methode verder te verfijnen en gereed te maken om heel Nederland in kaart te brengen. Voor een aantal stappen is dat nu al geen probleem, we hebben bijvoorbeeld reeds alle dakvlakken, hellingshoeken en oppervlaktes van 10.000.000 panden bepaald. Om de gewenste kwaliteit wat betreft asbestinventarisatie te garanderen is een handmatige controle nog steeds nodig. Maar alleen als laatste stap in een efficiënt en betrouwbaar proces waarmee we grote gebieden in kort tijd betrouwbaar in kaart kunnen brengen. En daar zijn we best trots op!

Voor meer informatie zie asbest.readaar.com

All Posts
×

Almost done…

We just sent you an email. Please click the link in the email to confirm your subscription!

OKSubscriptions powered by Strikingly