De impact van de verplaatsing van een brandweerkazerne met behulp van geospatiale analyse in KNIME

Een brand is nooit een welkome gebeurtenis, maar een snel reagerende brandweer kan het verschil maken. In Nederland is de norm dat de brandweer binnen 8 minuten na een melding ter plaatse moet zijn. Dit is een cruciale factor om schade te beperken en de veiligheid te waarborgen. Maar wat gebeurt er als deze responstijd in gevaar komt door de sluiting van een brandweerkazerne? Deze blogpost onderzoekt de gevolgen van een dergelijke gebeurtenis en maakt gebruik van een geospatial-analyse om de impact op de veiligheid in de gemeenschap zichtbaar te maken.

De verandering

Op 1 januari 2023 betekende de sluiting van een brandweerkazerne in mijn woonplaats een significante verandering in het noodhulplandschap. Om de volledige omvang van deze verschuiving te begrijpen, heb ik een analyse opgezet die zich richtte op één centrale vraag: Wat is de reistijd van de brandweerkazerne naar elke straat in het getroffen gebied? Gewapend met data en KNIME ben ik op zoek gegaan naar de implicaties van deze operationele verandering.

KNIME

Zoals gebruikelijk voer ik mijn analyses uit in KNIME. Met de release van KNIME 5 zijn de nieuwe GeoSpatial Community Extensions-nodes beschikbaar gekomen. Hiermee kun je niet alleen prachtige visualisaties maken (die meer zeggen dan duizend woorden), maar ook allerlei geospatiale berekeningen en visualisaties uitvoeren. Bovendien werken de geospatiale nodes erg goed samen met OpenStreetMap-integratie.

De basis leggen voor de kaart

Om de basis te leggen voor een kaart, had ik een bestand nodig met de geografische gebieden van alle postcodes in mijn woonplaats. Elke postcode omvat een deel van een straat met gemiddeld 25 adressen (woon- en/of bedrijfspanden). Een compleet bestand van Nederland met deze informatie (en nog veel meer) kon worden gedownload van de website van het CBS. De eerste stap was het inlezen van dit gedownloade bestand. Dit is eenvoudig te doen met de KNIME GeoPackage Reader. Het enige wat je hoeft te configureren is een link naar het bestand op je computer. Het is een vrij grote database, dus ik gebruikte een Row Filter-node om alleen de benodigde postcodes te selecteren en met de Column Filter-node zorgde ik ervoor dat ik drie kolommen behield (geometrie, postcode, aantal inwoners).

Om later de afstand en reistijd tussen gebieden nauwkeurig te kunnen berekenen, was een projectie van het huidige coördinatenreferentiesysteem (CRS) naar het nieuwe CRS (epsg: 3857) noodzakelijk. Deze nieuwe projectie is een Web Mercator-projectie die door veel webgebaseerde kaarttools wordt gebruikt, waaronder Google Maps en OpenStreetMap.

Geolocaties vinden

In deze stap zocht ik naar het adres van de oude brandweerkazerne in mijn woonplaats en de locatie van de nieuwe brandweerkazerne. Je kunt dit doen door te googelen. Maar ik koos voor de OSM POI-node. Ik vind deze KNIME-node erg handig. Objecten in OpenStreetMap, zoals winkels, bushaltes en standbeelden, hebben een of meer sleutels met een waarde. Dus voor alle objecten die je op OpenStreetMap tegenkomt, kun je de geolocatie en nuttige meta-informatie ophalen. Je kunt een brandweerkazerne vinden door te zoeken op sleutel=amenity en waarde=”fire_station”.

Afstanden berekenen

Nu ik de geolocaties van de brandweerkazernes en alle straten in mijn woonplaats heb, kan ik de OSRM Distance Matrix-node gebruiken om de afstand (in meters), reistijd (in minuten) en/of route te berekenen. Deze node gebruikt de Open Source Routing Machine (OSRM) om een ​​afstandsmatrix te creëren voor de opgegeven vertrek- en aankomstpunten.

Een kaart maken

Met al deze beschikbare informatie kan ik een kaart maken die de reistijd van de nieuwe brandweerkazerne naar elke straat in mijn woonplaats weergeeft. De configuratie van de georuimtelijke weergave is eenvoudig.

Het inzicht

De bevindingen waren onthullend. Het bleek dat ongeveer 22% van de inwoners van mijn woonplaats nu meer dan 8 minuten verwijderd woont van de dichtstbijzijnde brandweerkazerne, een schril contrast met de vorige situatie waarin iedereen binnen de voorgeschreven responstijd woonde. Deze verschuiving, die met name de inwoners van het zuidelijke deel van de stad (ten zuiden van de snelweg) treft, onderstreept de concrete impact van operationele veranderingen op de veiligheid van de gemeenschap.

Conclusie

Kortom, deze analyse bewijst de kracht van geospatiale analyse bij het blootleggen van de praktische gevolgen van operationele beslissingen. Naast het presenteren van data, benadrukt het de cruciale rol die dergelijke inzichten spelen bij het vormgeven van beleid, planning en uiteindelijk het waarborgen van de veiligheid en het welzijn van gemeenschappen.

De inzichten over de impact van de verplaatsing van de brandweerkazerne zijn slechts het topje van de ijsberg van wat je kunt bereiken met de geospatiale nodes in KNIME. Er valt nog zoveel meer te ontdekken en te creëren met de 96 nodes van deze GeoSpatial Community Extensions. Ik zou zeggen: wacht niet op mijn volgende blogpost, maar ga zelf aan de slag!