Onderzoek Hoe meer we steden verdichten, hoe complexer de puzzel wordt om een goede leefomgeving te creëren. Onderzoekers van de Hogeschool van Amsterdam lanceren daarom een tool die via kunstmatige intelligentie vergelijkbare opgaven zoekt en laat zien welke oplossingen daar verzonnen zijn.
Nederland wil de komende jaren één miljoen woningen bouwen. Die worden vooral binnen de bestaande stad bijgebouwd. Ook Amsterdam staat aan de vooravond van extreme verdichting. In de metropoolregio Amsterdam moeten tienduizenden nieuwe woningen worden gebouwd, grotendeels binnen stedelijke grenzen. Het gevolg: bouwen in hoge dichtheden, vaak in combinatie met hoogbouw. Iedere gebiedsontwikkeling is hierbij uniek qua omvang, ligging en programma. Bovendien moeten de nieuwe buurten aan steeds meer eisen en wensen voldoen.
Hoe kunnen we onze steden verdichten en toch een een goede leefomgeving realiseren of behouden? Daarvoor zijn referentiegebieden handig, soortelijke plekken waar eerder deze stedelijke opgaven speelden. Door daarnaar te kijken, wordt zichtbaar hoe eerder gekozen ontwerpoplossingen kunnen uitpakken. Ze vormen daarom een belangrijk onderdeel in het proces tussen ruimtelijk ontwerpers en opdrachtgevers.
Experimentele lijn
De lectoraten Bouwtransformatie en Responsible IT van de Hogeschool van Amsterdam (HvA) hebben voor het onderzoeksproject Sensing Streetscapes een artificial intelligence (AI)-tool ontwikkeld die via open data de zoektocht naar referenties automatiseert. Hoe zijn de opgaven daar opgelost? Welke ontwerpoplossingen zijn toegepast, met wat voor soort programma, en in welke dichtheden? En is het gelukt om een aantrekkelijke en werkende omgeving te realiseren? Via een open access-zoekmachine kunnen onder andere architecten, stedenbouwers en ontwikkelaars filteren op condities van een leefomgeving waar zij informatie over willen.
De AI-tool verkent omgevingen met een hoge dichtheid en hoogbouw met mixed used-profiel van wonen, werken en vrije tijd. Daarbinnen is te filteren op ruimtelijke kenmerken als Floor Space Index (FSI) en Gross Space Index (GSI), net als de hoeveelheid restaurants of winkels in de buurt. In de realisatie was dit echter makkelijker gezegd dan gedaan. "Data heeft het vakgebied van het ruimtelijk ontwerp nog niet zo veranderd als in vele andere sectoren", vertelt Frank Suurenbroek, lector Bouwtransformatie. "Juist daarom wilden we in ons onderzoek ook deze experimentele lijn opnemen." Projectleider Gideon Spanjar spreekt over een succes via de AI-tool, "al is de tool ook nog steeds een basis voor nadere verfijning."
Probeer de AI-zoekmachine zelf
Zo werkt de AI-tool
In eerste instantie is de Urban Atlas-dataset van Copernicus (het Europese satellietnetwerk dat foto's van het landoppervlak maakt) gebruikt om de wereld in een grid van 250 bij 250 meter te verdelen en van basiskarakteristieken te voorzien. Vervolgens is de OpenStreetMap-database (een alternatief voor bijvoorbeeld Google Maps) op eigen servers ingeladen en gekoppeld. OpenStreetMap is een open source-platform waarop vrijwilligers geografische gegevens op een kaart intekenen en annoteren, in onderhoud vergelijkbaar met Wikipedia. De AI-tool is verder gevoed met goede internationale voorbeelden uit de architectenwereld. Deze zijn deels verzameld via een oproep op ArchDaily, een groot weblog over architecten.
"Op basis van de kaartinformatie en de kenmerken van de internationale voorbeelden zijn relevante indicatoren berekend die iets over de buurt, het blok en de gebouwen vertellen", zegt Maarten Groen, bouwer van de AI-tool en senior onderzoeker bij het HvA-lectoraat Responsible IT van Kenniscentrum Create-IT. "Denk aan de hoogte van het gebouw, de hoogte-breedte-verhouding, hoeveel groen en water er in de buurt aanwezig zijn, alsook het aantal winkels, restaurants en OV-stations. Dit zijn allemaal variabelen die iets kunnen vertellen over de kwaliteit van de leefomgeving in stedelijke locaties."
Met al die input kan het algoritme van de tool leren om patronen te herkennen in de data (de zogeheten machine learning), zodat het algoritme begrijpt wat ‘goed’ is wanneer het vergelijkbare stedelijke ontwikkelingen ziet. Groen: "Met die informatie kunnen we de tool ‘loslaten’ om ook de minder bekende interessante plekken te vinden. Op deze manier hebben we het proces geautomatiseerd voor het vinden van referentielocaties door heel Noord-Amerika en Europa."
De AI-tool in actie
Dit artikel verscheen eerder in aangepaste vorm op hva.nl
Cover: ‘AI-tool toont in Amsterdam-Zuid open ruimte op basis van lucht, natuur of bouw’ door AI-Tool (bron: Lectoraat Bouwtransformatie Hogeschool van Amsterdam)
