Overstromingsrisico per adres voor heel Nederland

Ik was op zoek om per actief adres in Nederland het overstromingsrisico te bepalen.

  • Dit houdt in dat ik enerzijds alle adresdata van Nederland nodig heb met volgende kolommen : straatnaam, huisnummer, huisnummertoevoeging, postcode, gemeente, (regio/provincie zit hier een verschil op ?), latitude en longitude
  • En anderzijds het overstromingsrisico daaraan moet kunnen koppelen waar dus een risico bepaling van laag, medium en hoog wordt gehanteerd.

Ik heb al verschillende zaken opgezocht zoals dit forum na te lezen waaronder deze link, maar ik kom niet verder als een voorlopige query via sparql (zie hieronder). Ook heb ik al nagedacht over de BAG 2.0 extract en de documentatie hierover gelezen, maar om daar de samenhang van de te begrijpen en de verschillende zip en xml files te ontleden is moeilijker dan ik eerst dacht.

Kan iemand me dat extra beetje informatie geven dat ik nu mis om de effectieve data over het overstromingsrisico te bepalen ?

PREFIX geo: <http://www.opengis.net/ont/geosparql#>
PREFIX sor: <https://data.kkg.kadaster.nl/sor/model/def/>
PREFIX nen3610: <http://definities.geostandaarden.nl/def/nen3610#>
PREFIX foaf: <http://xmlns.com/foaf/0.1/>
PREFIX statusHistorie: <https://brk.basisregistraties.overheid.nl/brk/id/statusHistorie/>
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX brk: <https://brk.basisregistraties.overheid.nl/brk/def/>
PREFIX skos: <http://www.w3.org/2004/02/skos/core#>

PREFIX prov: <http://www.w3.org/ns/prov#>
PREFIX con: <https://data.kkg.kadaster.nl/kad/model/con/>
SELECT ?gemeenteNaam ?kbia ?kadastraleGrootte ?postcode ?huisnummer ?huisnummerToevoeging ?openbareRuimteNaam ?woonplaatsNaam WHERE {
  ?perceel rdf:type sor:Perceel;
    (geo:sfWithin/skos:prefLabel) "Amsterdam"@nl;
    sor:oppervlakte ?kadastraleGrootte;
    sor:hoortBij ?kbia;
    sor:geregistreerdMet ?registratiegegevens;
    sor:status con:geldig.
  FILTER(NOT EXISTS { ?registratiegegevens prov:invalidatedAtTime _:g_0. })
  ?kbia rdf:type sor:Nummeraanduiding;
    sor:postcode ?postcode;
    sor:huisnummer ?huisnummer;
    sor:huisnummertoevoeging ?huisnummerToevoeging;
    sor:ligtAan ?openbareRuimte;
    sor:geregistreerdMet ?registratiegegevensNummeraanduiding.
  ?openbareRuimte skos:prefLabel ?openbareRuimteNaam;
    (sor:ligtIn/skos:prefLabel) ?woonplaatsNaam.
  FILTER(NOT EXISTS { ?registratiegegevensNummeraanduiding prov:invalidatedAtTime _:g_1. })

Waarom wil je het eigenlijk per adres?

Goede vraag, omdat het dan mogelijk is om te bepalen of dit pand een hogere verzekeringspremie moet betalen en dat gaat dus niet per regio. Natuurlijk als ik al het overstromingsrisico per straat bijvoorbeeld zou weten, kan ik alsnog kijken of een bepaald adres in een bepaalde straat ligt maar een gelijksvloerwoning of een penthouse heeft natuurlijk een verschillend overstromingsrisico (of dat is alleszins mijn assumptie).

Heb je het over wateroverlast (zie klimaat effect atlas) of overstromingsrisico? De eerste kan op huis niveau, de tweede niet (tenzij je de waterdiepte ook mee wilt nemen).

Het overstromingsrisico is complex. Woon je bijvoorbeeld in Amersfoort, dan kan je overstromen door een doorbraak in de Grebbedijk (kleine kans, zwaar genormeerd) of een IJsselmeerdijk (lager genormeerd, grotere kans). Dan is er nog het verschil tussen normering en hoe de dijk er ook daadwerkelijk bij ligt:

Je zou eigenlijk de rapportage per dijk moeten opvragen. En dan ben je er nog steeds niet, want:

  • De berekeningsmethode kent wat plus- en minpunten. Uit sommige berekeningen komt dat sommige dijken eens per 2 jaar zouden moeten falen. Dat is duidelijk niet zo
  • De waterdiepte verschilt enorm afhankelijk van waar de dijk doorbreekt. Als de dijk bij Arnhem Zuid faalt wordt de waterdiepte in Lent groot, faalt de dijk bij Lent, dan blijft Arnhem Zuid mogelijk zelfs droog.

Het LIWO kent een aantal scenario doorberekeningen die je zou kunnen bekijken.

Al met al is dit heel veel complexer dan je op het eerste gezicht zou kunnen denken (ik ga met deze uitleg al enorm kort door de bocht).

Ik neem aan dat je de overstromingsrisicokaart wilt koppelen aan de BAG?
Zoals Hashtaggeodata aangeeft is overstromingsrisico te complex om op deze manier financiële consequenties er aan te verbinden.

Aangezien ik geen SQL tovenaar ben zou ik met behulp van ‘join attributes by location’ de T10, T100 of T1000 in de BAG dataset toevoegen.