Datagedreven worden. Daarbij helpt Amsterdam Data Collective (ADC) organisaties al 5 jaar door een brug te slaan tussen strategie en data science. Eens per jaar doet het collectief dat voor nop. Tijdens de pro bono week van 5 tot 9 september trokken de projectleiders en programmeurs van ADC zich terug in een hutje op de hei om voor een aantal organisaties met een maatschappelijk doel te bouwen aan datagedreven oplossingen. MIC was dit jaar een van de uitgekozen organisaties.
Project
We zien door de jaren heen natuurverschijnselen heftiger worden door klimaatverandering. Tegenwoordig hoeven we niet meer naar het buitenland om de zon op te zoeken. Extreme, langdurige hitte en droogte zijn min of meer normaal aan het worden. Anderzijds werd Valkenburg in de zomer van 2021 getroffen door een overstroming die 400 miljoen euro aan schade veroorzaakte.
Om de impact van bepaalde weersomstandigheden te voorspellen koppelde ADC de historische incidentgegevens van de VRR aan de historische meteogegevens van het KNMI. Daarbij werd gebruik gemaakt van een methode die eerder tot stand kwam door een samenwerking tussen Brandweer Amsterdam-Amstelland, de Vrije Universiteit Amsterdam en het Centrum Wiskunde & Informatica[1].
Door deze methode te volgen heeft ADC onderzocht of deze meteogegevens gebruikt kunnen worden om de kans op incidenten in de regio Rotterdam-Rijnmond te voorspellen. Hiermee hebben ze de basis gebouwd voor een model om het aantal incidenten te voorspellen aan de hand van data. Het doel? Hulpdiensten in staat stellen zich tijdig voor te bereiden door onder meer hun bezetting aan te passen, en daarmee schade en slachtoffers te beperken of te voorkomen.
We bedanken Elianne Anemaat, Diederik Nederhorst, Maxime Schubiger, Sophie Smits en Mathyn Scheerder van ADC voor de prettige samenwerking en hun harde werk. MIC neemt dit model als uitgangspunt om in de toekomst de kans op incidenten in relatie tot het weer nog beter te kunnen voorspellen.
[1] Legemaate, G.A.G, Bhulai, S, & van der Mei, R.D. (2019). Applied urban fire department incident forecasting. In Proceedings of IARIA Data Analytics.
