Omgaan met onzekere planobjecten Fuzzy logica voor de ruimtelijke ordening

Transcriptie

1 Geo-info

2 Omgaan met onzekere planobjecten Fuzzy logica voor de ruimtelijke ordening Artikel in Geo-Info blz Coen Wessels, adviseur geo-informatie Nexpri BV Wies Vullings, onderzoeker geo-informatie, WUR-Alterra Jandirk Bulens, onderzoeker geo-informatie, WUR-Alterra Samenvatting Het BSIK-RGI-project 008: Geo3 Goed omgaan met onzekere objecten heeft onder meer als doel het inventariseren van onzekerheid in ruimtelijke plannen en het opstellen en ontwikkelen van richtlijnen, methodieken en instrumenten om met deze onzekerheid om te gaan. Dit heeft geresulteerd in een taxonomie voor het omgaan met onzekere objecten in de ruimtelijke planvorming. Daarnaast is een instrument ontwikkeld, de POM-Demonstrator, om de mogelijkheden en de meerwaarde van fuzzy logica als één van de methodieken voor het omgaan met onzekere objecten in ruimtelijke planprocessen te onderzoeken. Deze POM- Demonstrator is ingezet tijdens een casestudie met DLG en Kadaster voor het zoeken naar geschikte locaties voor het inplaatsen en bundelen van glastuinbouw in de stedendriehoek. Het Geo3-project is gestart in 2005 en wordt eind dit jaar afgesloten. Aanhef Dit artikel beschrijft een aantal resultaten van het BSIK-RGI-project 008: Geo3 Goed omgaan met onzekere objecten. Doel van dit project is opstellen en ontwikkelen van richtlijnen, methodieken en instrumenten om op een goede manier om te gaan met onzekere objecten in de ruimtelijke planvorming. Het project is gestart in 2005 en wordt eind dit jaar afgesloten. Inleiding Met de digitale verplichtingen vanuit de Wro verandert de ruimtelijke planning in hoog tempo van een analoog in een digitaal proces en komen er kansen voor vernieuwende toepassingen op het grensvlak van ruimtelijke ordening en GIS. Het hebben van digitale en uitwisselbare ruimtelijke plannen impliceert dat deze plannen ten behoeve van bedrijfsprocessen en dienstverlening kunnen worden vergeleken en geanalyseerd, al dan niet gecombineerd met informatie uit andere bronnen. In ons planstelsel met zijn diversiteit aan ruimtelijke plannen biedt de digitalisering van RO-processen de mogelijkheid om planobjecten uit verschillende plannen met elkaar te vergelijken. Ervaringen tonen echter aan dat dit niet altijd eenvoudig is. Dit komt onder andere doordat ruimtelijke plannen door diverse instanties op verschillende bestuursniveaus (locaal, regionaal, landelijk) worden opgesteld. De intenties, de planningsopgaven, de schaalniveaus, de mate van uitwerking en de wijze van visualisatie kunnen daarbij aanzienlijk verschillen. De Nota Ruimte is met zijn strategische visie op de 1

3 ruimtelijke ontwikkeling van Nederland heel anders van aard dan een concreet bestemmingsplan met zijn bindende karakter tussen overheid en burger. In strategische plannen is het ruimtelijke beleid niet tot in detail uitgewerkt en worden planobjecten veelal indicatief op de plankaarten gevisualiseerd. De planobjecten zijn niet scherp begrensd of er worden arceringen en symbolen gebruikt. Voor concrete plannen geldt in principe het tegenovergestelde; het beleid kent veel meer detail en de planobjecten staan exact begrensd op de kaart. Maar concrete plannen hebben soms ook betrekking op continue fenomenen zoals geluid- en luchtemissies. Deze worden meestal met een scherp begrensde contour op een plankaart weergegeven, terwijl ze in de werkelijkheid een continu en wisselend karakter hebben. In de praktijk leiden de mate van uitwerking en de wijze van visualisatie regelmatig tot onduidelijkheid over het ruimtelijke beleid en over de intenties en reikwijdte van planobjecten. Wanneer niet helder is wat met een planobject wordt bedoeld, ontstaat daarover onzekerheid bij de gebruikers van ruimtelijke plannen. Dat maakt het vergelijken of combineren van degelijke planobjecten onderling of met andersoortige informatie lastig. In het kader van het BSIK-RGI-project Geo3 wordt in dit verband gesproken van onzekere objecten in de ruimtelijke planvorming (figuur 1). Figuur 1: Onzekere objecten in de ruimtelijke planvorming 2

4 GeO3 Het BSIK-RGI-project Geo3 heeft als doel om richtlijnen, methodieken en instrumenten te ontwikkelen om op een goede manier met onzekere objecten in de ruimtelijke planvorming om te gaan. Het GeO3-project heeft onderzoek gedaan naar de verschillende oorzaken en karakteristieken van onzekere planobjecten in de ruimtelijke ordening en heeft daarvoor oplossingsrichtingen geformuleerd. Het begrip onzekerheid is daarbij gedefinieerd als de erkenning dat men vanwege onvolledige of imperfecte informatie de toestand van een systeem niet exact kent. Een nogal technische definitie, maar bedoeld wordt dat in de praktijk gebruikers van ruimtelijke plannen het daarin geformuleerde beleid en de weergegeven planobjecten niet altijd eenduidig kunnen interpreteren. Dat kan bijvoorbeeld ook voorkomen wanneer het beleid (al of niet bewust) in algemene termen is geformuleerd, of omdat planobjecten slechts indicatief op de plankaart staan aangegeven. In essentie betekent erkenning dan ook dat de onzekerheid onderkend wordt en dat daar bewust mee wordt omgegaan. Het wegnemen van onzekerheid is dan ook niet het doel van het onderzoek, maar wel het bewust eenduidig vastleggen van die onzekerheid en daarbij aangeven hoe er in het planproces toch goed mee omgegaan kan worden. Taxonomie In het kader van het GeO3 project is een taxonomie opgesteld voor het benoemen en omgaan met onzekerheid in ruimtelijke plannen. Hiervoor is literatuurstudie gedaan naar bestaande taxonomieën over onzekerheid. In het geo-domein zijn die er wel, maar voornamelijk beperkt tot de onzekerheid in ruimtelijke informatie door de afwijking tussen de digitale vastlegging van objecten in geo-bestanden ten opzichte van hun ligging in de werkelijkheid. De taxonomie van Fisher biedt echter een bruikbare basis met een onderscheid naar de aard van onzekerheid, de bronnen van onzekerheid en oplossingsrichtingen voor onzekerheid. Figuur 2: De taxonomie voor onzekerheid in ruimtelijke informatie [Fisher, 2005] 3

5 Deze taxonomie is tijdens het GeO3-project uitgebreid door er vanuit de praktijk het domein van de ruimtelijke planning aan toe te voegen. Met de GeO3-casestudie Integrale Zonering Noord-Brabant is onderzocht welke vormen van onzekerheid in een ruimtelijk planproces kunnen ontstaan, wat de aard daarvan is en op welke manier men met deze onzekerheid om zou kunnen gaan. Daarbij is aangesloten bij de wijze waarop ruimtelijke plannen tot stand komen volgens in de wet vastgelegde planprocedures. Overheden richten daar hun werkprocessen op in, niet alleen voor het proceduremanagement maar ook voor het opstellen en beheren van planteksten en plankaarten. Daarvoor wordt onder andere informatie verzameld, aangeleverd, bewerkt, verwerkt, geanalyseerd en gevisualiseerd, waarbij steeds meer gebruik gemaakt wordt van GIS-functionaliteit. En natuurlijk wordt er tijdens een planproces expertkennis ingebracht vanuit zeer diverse kennisvelden en belangengroeperingen en vindt politieke besluitvorming over het plan plaats. Deze bevindingen zijn samen met de taxonomie van Fisher verwerkt tot de taxonomie voor het omgaan met onzekerheid in ruimtelijke plannen (figuur 3). Ruimtelijke planning Aard Data (input/output) Planningsproces Niet-vastgelegde data Vastgelegde data Proces Procedure Goed gedefinieerd Zwak gedefinieerd Goed geregistreerd Zwak geregistreerd Bestuurlijke/ wettelijke besluitvorming Politieke besluitvorming Niet geverifieerd Foutief Onvolledig gedefinieerd Discreet gedefinieerde continue fenomenen Niet eenduidig gedefineerd Foutief Niet herleidbaar Foutief Onvolledig door beleid gedefinieerd Niet eenduidig door beleid gedefinieerd Onvolledig in de wet vastgelegd Niet eenduidig in de wet vastgelegd Door omstandigheden bepaald Bronnen van onzekerheid Omgangsvormen Expertkennis Actualisatie Verbeterde inwinning Fuzzy settheory Waarschijnlijkheidstheorie Idealisatie Onderzoek Verbeterde visualisatie Lineage (ontstaandswijze) Metadata Evaluatie en actualisatie, Registratie Workflow Good practices Multi Criteria Analyse Beslissings- en planningsondersteunende systemen Figuur 3: Taxonomie voor het omgaan met onzekerheid in de ruimtelijke planning In de bovenlaag van de taxonomie worden plan (en de achterliggende gegevens), proces en procedure ingedeeld naar hun aard of toestand. In de daaronder liggende laag wordt aangegeven welke soorten bronnen van onzekerheid kunnen voorkomen. Ten slotte wordt in de onderste laag aangegeven wat mogelijkheden of oplossingsrichtingen zijn voor de omgang met de genoemde bronnen van onzekerheid. 4

6 Binnen het GeO3-project zijn deelprojecten gestart om een aantal vormen van onzekerheid en hun oplossingrichtingen verder uit te werken. In dit artikel beperken we ons tot de mogelijkheden die fuzzy logica biedt als oplossingrichting voor het omgaan met continue objecten die in ruimtelijke plannen veelal concreet en hard begrensd worden aangegeven. Denk daarbij aan geleidelijk afnemende omgevingsinvloeden rondom bedrijvigheid in de vorm van stank, geluid, licht en zicht of een beschermingszone rondom ammoniakgevoelige natuurgebieden. Fuzzy logica Het concept van fuzzy logica is in 1965 door Zadeh [Zadeh, 1965] geïntroduceerd als een uitbreiding op de boolean logica. Het principe van de boolean logica is dat iets of waar ([1]) of onwaar ([0]) is. Dit principe wordt in de fuzzy logica losgelaten; daarin kan iets ook gedeeltelijk waar en gedeeltelijk onwaar zijn. Een fuzzy set is dan ook een verzameling elementen of objecten die een gradueel lidmaatschap aan een verzameling of objectklasse heeft, uitgedrukt met de reële waarden in het interval [0..1]. Een object kan wel [1] of niet [0] deel uitmaken van een objectklasse, maar ook slechts gedeeltelijk deel uitmaken van de objectklasse (elke waarde tussen 0 en 1). Fuzzy logica kan ook gebruikt worden in de ruimtelijke ordening om planobjecten te beschrijven die inherent geen scherp definieerbare grens hebben. De vage grenzen van dergelijke planobjecten worden nu veelal gemodelleerd door het creëren van buffers rondom een kerngebied (figuur 4a). Door gebruik te maken van fuzzy logica kan dit ook door het modelleren van een geleidelijke overgang binnen het object zelf (figuur 4b). Daarbij kan ook onderscheid gemaakt worden tussen gevoelige en extra gevoelige gebieden. In dit geval hebben de gevoelige gebieden (blauw) een lagere participatiegraad (%) gekregen dan de zeer gevoelige gebieden (rood). In de weergave is dat te zien aan de kleurintensiteit van het object en het verloop daarin binnen het object. 5

7 Figuur 4a: Overgangsgebieden op basis van 250 m crsip buffer (scherp begrensd). Figuur 4b: Overgangsgebied op basis van fuzzy begrenzing. Lidmaatschap en POM-functie De mate waarin een fuzzy object deelneemt aan een objectklasse wordt het lidmaatschap (membership) van dat object aan de klasse genoemd. Dit lidmaatschap wordt onder andere bepaald door de lidmaatschapfunctie (fuzzy membership function) waarmee het fuzzy object is gedefinieerd. Deze functie bepaald namelijk het graduele verloop van het overgangsgebied van het object. Hoewel Robinson [Robinson, 2003] een overzicht heeft gegeven van diverse lidmaatschapsfunties die bruikbaar zijn voor GIS-toepassingen, concludeert Duindam [Duindam, 2006] dat het voor het modelleren van fuzzy objecten in de ruimtelijke ordening wenselijk is om een nieuwe lidmaatschapfunctie samen te stellen. Dit heeft geresulteerd in een geparametiseerde lidmaatschapfunctie, de zogenaamde Planning Object Membership functie (POM). 1 1 x 1 2 (x) = 2 ρ 1 x ρ for x < for < x < for < x < for x > Omdat planobjecten in de ruimte begrensd zijn moet de omvang van een overgangszone bepaald worden waarin het lidmaatschap ( (x)) afneemt van 1 naar 0. De breedte van deze overgangszone wordt gedefinieerd met de parameter. De afstand waar een lidmaatschap de waarde 0.5 bereikt wordt ingesteld met de parameter. Deze afstand is belangrijk omdat hier vaak een omslagpunt is waar te nemen in het verloop van de lidmaatschapafname en hier veelal de indicatieve grens van het object gelegd wordt. De vorm van de lidmaatschapsfunctie wordt bepaald door de parameter. Deze vorm kan in hoofdlijnen hol, bol of lineair zijn. POM-Demonstrator Hoewel fuzzy logica niet nieuw is, wordt het concept binnen de ruimtelijke ordening nog maar beperkt toegepast. Om in een casestudie de mogelijkheden en meerwaarde van fuzzy logica te kunnen onderzoeken, is de genoemde POM-functie geïmplementeerd in een eenvoudig te 6

8 gebruiken ArcGIS-extentie: de POM-Demonstrator. Deze tool is een instrument om Fuzzy objecten niet zoals nu in scherp begrensde discrete objecten op te slaan en te visualiseren maar in op fuzzy logica gebaseerde objecten die meerdere overgangszones kennen en ook om deze fuzzy objecten 1 te visualiseren en te analyseren. Voor het maken van een fuzzy object worden met de POM-Demonstrator de parameters van de POM-functie gewaardeerd en wordt de gewaardeerde POM-functie gekoppeld aan een bestaand scherp begrensd discreet planobject. De POM-Demonstrator zet dit planobject vervolgens om in een fuzzy planobject. Het waarderen en koppelen van de POM-functie kan in de praktijk voor verschillende typen planobjecten door verschillende experts uitgevoerd worden. Figuur 5: Interactief waarderen van de POM-functie De POM-Demonstrator gaat echter nog een stap verder en biedt functionaliteit om nuanceringen aan te brengen in de beleidsuitspraken ten aanzien van het planobject. Met het definiëren van zogenoemde Planning Rules worden de lidmaatschapswaarden in het overgangsgebied van een fuzzy object ingedeeld in intervallen (bijvoorbeeld interval 1 is 1 > (x) > 0.5, interval 2 is 0.5 > (x) > 0.25, interval 3 is 0.25 > (x) > 0.1, interval 4 is 0.1 > (x) > 0). Aan elke interval kan vervolgens extra beleidsinformatie gekoppeld worden om bepaalde ruimtelijke ontwikkelingen in de gecreëerde zone wel of niet toe te staan onder bepaalde condities ( nee, tenzij.., ja, mits ). Het toevoegen van deze informatie biedt in de praktijk de mogelijkheid om te spelen met beleidsmarges en verschaft daardoor meer speelruimte voor ruimtelijke ontwikkelingen. Met het classiferen van de lidmaatschapwaarden worden feitelijk de fuzzy objecten gebruikt om uiteindelijk weer gedetailleerdere planobjecten te maken met meerdere discrete zones voor het overgangsgebeid van het oorspronkelijke planobject. 1 Hoewel op deze manier gemaakt objecten zelf in feite weer gedicretiseerd zijn noemen we ze voor het gemak hier toch fuzzy objecten. 7

9 Casestudie Glastuinbouw De POM-Demonstrator, en daarmee het concept van fuzzy logica, is toegepast tijdens een casestudie in samenwerking met de Dienst Landelijk Gebied (DLG) en het Kadaster. Deze case betrof de zoektocht naar een inplaatsingslocatie om de glastuinbouw in de stedendriehoek Apeldoorn, Deventer en Zutphen te bundelen. De huidige zoekruimte blijkt zeer gering omdat de bestaande inrichting en de ruimtelijke beleidsplannen van de verschillende overheden harde randvoorwaarden opleggen aan de ruimtelijke ontwikkelingsmogelijkheden voor de glastuinbouw. Het gebied staat bol van de ruimteclaims van onder andere de ecologische hoofdstructuur en Natura2000 gebieden, terwijl de glastuinbouw flinke omgevingsinvloeden heeft in de vorm van licht, zicht en geluid. Het doel van de case was om te onderzoeken of het gebruik van fuzzy logica daadwerkelijk een geschikt handvat biedt om beter om te gaan met continue fenomenen die veelal als discrete objecten worden weergegeven. Maar ook om te onderzoeken of het gebruik ervan resulteert in meer zoekruimte voor de inplaatsing van glastuinbouw ten opzichte van een conventionele discrete analyse. Daarnaast is het voor DLG en Kadaster belangrijk geweest om ervaring op te doen met het gebruik van fuzzy logica; om te kunnen beoordelen of fuzzy logica zinvol gebruikt kan worden in hun ruimtelijke planvormingsprocessen en hoe dit concept ingepast zouden kunnen worden in hun werkprocessen. Uitvoering en resultaten casestudie De casestudie is uitgevoerd als een laboratoriumexperiment en was als zodanig geen onderdeel van het werkelijke planproces bij DLG en Kadaster. Daarvoor liepen beide processen niet in fase en is de POM-Demonstrator nog te veel een eerste prototype. De inhoudelijke afbakening van de casestudie heeft plaatsgevonden met innovatiemanagers en materiedeskundigen van DLG en Kadaster. Hierbij is als factor voor het vinden van geschikte inplaatsingslocaties gekozen voor de hinder die natuurgebieden en woninglocaties ondervinden van de glastuinbouw vanwege geluidinvloeden door transportverkeer voor de aan- en afvoer van grondstoffen en producten. Op basis van deze afbakening is de casestudies uitgewerkt langs twee sporen; één zonder en één met gebruikmaking van fuzzy logica (zie figuur 6). 8

10 Figuur 6: Experimentele onderzoeksopzet casus stedendriehoek Beide sporen hebben geleid tot geschiktheidskaarten voor het inplaatsen van glastuinbouw in de stedendriehoek, waarbij het spoor met fuzzy logica meer ruimte en nuancering oplevert dan het spoor volgens een conventionele analyse. Voor de leesbaarheid van de resultaten in kaartbeeld wordt hier slechts een deelresultaat getoond om te illustreren hoe het gebruik van fuzzy logica meer zoekruimte heeft opgeleverd dan de conventionele aanpak. Daarbij wordt ingezoomd op de deelanalyse met de wettelijke drie-kilometer zone rondom Natura2000 gebieden in het studiegebied. Hoewel deze zone vooral betrekking heeft op ammoniakemissies wordt deze in de praktijk vaak geïnterpreteerd als uitsluitingsgrond voor alle agrarische ontwikkeling. In de conventionele analyse is deze hard begrensde zone daarom in zijn geheel beschouwd als uitsluitingsgebied voor glastuinbouw. Figuur 7a toont dat daarmee een groot gedeelte van het studiegebied ongeschikt wordt geacht als inplaatsingsgebied voor de glastuinbouw. Omdat geluid echter een andersoortig fenomeen is dan ammoniakemissie, biedt het gebruik van fuzzy logica de mogelijkheid om de beschermingszone rondom Natura2000 gebieden voor geluidsinvloeden op een andere manier èn genuanceerder te modelleren. Daarvoor zijn in een expertmeeting met de innovatiemanagers en de materiedeskundigen de parameters van de POM-functie gewaardeerd. Na het aanmaken van de fuzzy zone, zijn de lidmaatschapswaarden van deze zone in vier klassen verdeeld: geen uitsluiting glastuinbouw, geen uitsluiting glastuinbouw, mits, wel uitsluiting glastuinbouw, tenzij, uitsluiting glastuinbouw. Figuur 7b toont dat daarmee een veel beperkter deel van het studiegebied uitgesloten wordt voor glastuinbouw. Bovendien kent de zonering een geleidelijk overgang met beleidsmarges. 9

11 Kaart 5: natura2000 3km ammoniakbuffers (veluwe, landgoederen brummen en ijsselvallei) Kaart 7: natura m verstoringsbuffers (veluwe, landgoederen brummen en ijsselvallei) Laag 1: top10scan (achtergrond) Laag 2: studiegebied (lichtblauw) Laag 3: natura2000 geb. (groen) Laag 4: natura2000 3kbuf (groen) Laag 1: top10scan (achtergrond) Laag 2: studiegebied (lichtblauw) Laag 3: natura2000 geb. (groen) Laag 4: natura m (groen) Figuur 7: Deelresultaat casestudie Stedendriehoek: links crisp, rechts fuzzy. Conclusies casestudie De casestudie Stedendriehoek toont aan dat het gebruik van fuzzy logica meer flexibiliteit biedt in het omgaan met continue fenomenen die nu veel discreet worden weergegeven. In de onderhavige case heeft dat geleid tot het vinden van meer ruimte voor het inplaatsen en bundelen van glastuinbouw in het studiegebied. In die zin heeft het gebruik van fuzzy logica potentieel meerwaarde. Het is echter ook duidelijk geworden dat het omgaan met omgevingsrelaties in kwantitatieve vorm een nieuwe werkwijze vraagt binnen de planningspraktijk. Het operationaliseren van de POM-functie en het classificeren van lidmaatschapswaarden bleek ook voor de experts niet eenvoudig. In de huidige praktijk worden omgevingsrelaties veelal meer interpretatief of op basis van gebiedskennis gewaardeerd en in de beleidsontwikkeling meegenomen. Het zit vooral in de hoofden van betrokkenen. Het concreet waarderen en vastleggen van deze relaties in getallen is voor de meeste betrokkenen nieuw en misschien ook wel een beetje eng. Het voordeel van het gebruik van de POM-Demonstrator was dat voor het operationaliseren van de POM-functie alternatieve waarderingen van de functieparameters gehanteerd en in verschillende scenario s uitgewerkt konden worden. Dit leidde tijdens de casestudie tot zinvolle inhoudelijke discussies en afwegingen over de omgevingsrelaties. De casestudie heeft geen aandacht heeft kunnen besteden aan de juridische haalbaarheid van het spelen met marges door het gebruik van fuzzy objecten. In het kader van het GeO3- project loopt hiervoor echter een apart deelproject, waarin deze problematiek aan de orde wordt gesteld. Slotopmerkingen In de inleiding is al gememoreerd dat met het beschikbaar komen van digitale ruimtelijke plannen er nieuwe kansen komen voor vernieuwende toepassingen in de ruimtelijke ordening door de meerwaarde van het gebruik van GIS-functionaliteit. Dat betekent in de praktijk dat ruimtelijke planners en GIS ers intensiever zullen moeten gaan samenwerken en dat hun samenwerking een andere invulling zal krijgen dan voorheen. Dat vraagt om inleving in en afstemming van visie, aanpak en gebruikte methoden en technieken (waaronder fuzzy 10

12 logica). Vooral durf is nodig om bestaande werkwijzen op een zinvolle manier te verrijken met nieuwe mogelijkheden die de geo-ict biedt. Planners zullen moeten wennen aan digitale ontwerp- en planningsinstrumenten, GIS ers zullen moeten begrijpen dat het digitaal vastleggen van ruimtelijke beleid soms om andere vormen van gegevensmodellering, - vastlegging en analyse vraagt. In termen van informatiemanagement kan men stellen dat digitale ruimtelijke ordening een fors betere afstemming tussen geo-ict en RO-proces vraagt ( RO geoict alignment ). Wat heeft dit nu te maken met het beter omgaan met onzekere objecten in ruimtelijke plannen? Terugkijkend naar de GeO3 taxonomie voor het omgaan met onzekere objecten moeten we concluderen dat deze taxonomie veel zaken bevat die met name daar betrekking op hebben. Literatuur Duindam, A.J. Fuzziness in spatial planning data an exploration in uncertainty. Centre for geo-information, WUR. Research report GIRS , 26 april Fisher, P.A. e.a.. Approaches to Uncertainty in Spatial Data. p in Qualité de l information géographique, (eds. Rodolphe Devilles and Robert Jeansoulin), IGAT, Hermet, France Robinson, V.B. A perspective on the fundamentals of fuzzy sets and their use in geographic information systems. Transactions in GIS 7(1): 3-30, Zadeh, L. A.. Fuzzy sets. Information and Control 8(3): ,