Groene daken in kaart bij Gemeente Rotterdam

Het probleem

Rotterdam stimuleert vergroening van daken voor waterberging (ontlasten rioolstelsel bij hoosbuien), verkoeling (heat-island), biodiversiteit en isolatie. Om beleid en subsidies te onderbouwen heeft de gemeente inzicht nodig: hoeveel m² is al vergroend per pand, en waar liggen de kansen?

Nederland heeft geen verplichte registratie van groene daken — detectie via luchtfoto's is de schaalbare weg. Wat een mooie computer-vision-uitdaging oplevert die voedt in de publieke Monitor Groene Daken Rotterdam.

De technische pipeline

1. Input

   • Stereo-luchtfoto's, 5-7,5 cm resolutie (Nederland heeft een landelijke 7,5 cm luchtfoto die jaarlijks gevlogen wordt)
   • AHN (Actueel Hoogtebestand Nederland) — LiDAR-puntenwolk voor hoogtemodellen
   • BAG voor pandgeometrie en bouwjaren
   • BGT voor objectkaders

2. Preprocessing

   • Stereo-foto's → DSM (Digital Surface Model) + True Ortho (orthogonaal gecorrigeerde foto zonder omvallingseffect bij hoge gebouwen)
   • Dakvlakken afleiden uit DSM + BAG → segmentatie per pand

3. Classificatie — twee routes:

   • Semantic segmentation met een U-Net of vergelijkbaar encoder-decoder CNN, pixel-wise: kale dakbedekking / sedum / mos / gras / dakterras / paneel
   • NDVI uit multispectrale beelden (rood + nabij-infrarood) als vegetatie-indicator, plus CNN voor verificatie

4. Aggregatie

   • Per pand: m² groen + percentage van dakoppervlak
   • Per buurt/wijk/stad: totalen
   • Tijdreeks: vergelijk met luchtfoto van vorig jaar → groei in m²

5. Output

   • Dashboard + database voor subsidie-administratie ("dit adres heeft volgens detectie x m² groen")

Wat het opleverde

Voedt de publieke Monitor Groene Daken Rotterdam. TODO — concreet gebruik in subsidie-trajecten en beleidsbeslissingen.

Wat ik specifiek deed

Eén van de ontwikkelaars in het team. Specifieke focus TODO.

De interessante trade-offs

• Waarom semantic segmentation, niet object detection? Onregelmatige vormen — een groen dak heeft geen duidelijke bounding box
• Schaduw, witte daken en grindlagen zijn dé verwarringsbronnen. Daar gaat de echte modelfijnafstemming over
• Validatie zonder ground truth: meestal handmatig gelabelde steekproeven
• NDVI vs CNN: NDVI is snel en goedkoop maar vereist multispectrale data; CNN is duurder maar robuuster. Welke je kiest hangt af van beschikbare bandinformatie

Bronnen

• Monitor Groene Daken Rotterdam dashboard
• Rotterdam.nl / groene-daken
• MultiRoofs (Rotterdam-leid, Interreg)
• Readar — Groene daken in kaart
• PDOK case Groene Daken Kansenkaart (AHN + BAG)

Gerelateerd

• Zwerfafvaldetectie met scanauto's — andere vision-AI bij Rotterdam
• Zonnepaneeldetectie op daken — verwante geospatial CV pipeline
• Skills: Computer vision, Geospatial analyse