WIBON

Rijksinspectie Digitale Infrastructuur (RDI)

Het algoritme berekent de kans op schade voor een graafmelding. Het algoritme levert informatie op die een inspecteur helpt om te beoordelen of een graafmelding risicovol is.

Laatst gewijzigd op 18 juni 2025 om 14:09 | Publicatiestandaard 1.0

• Publicatiecategorie: Impactvolle algoritmes
• Impacttoetsen: DPIA, IAMA
• Status: In gebruik

Algemene informatie

Thema

Economie

Begindatum

2022-02

Einddatum

2024-11

Contactgegevens

www.rdi.nl/contact

Link naar publiekspagina

www.rdi.nl/onderwerpen/kabels-en-leidingen

Verantwoord gebruik

Doel en impact

De Rijksinspectie Digitale Infrastructuur (RDI) houdt toezicht op de Wet informatie-uitwisseling bovengrondse en ondergrondse netten en netwerken (WIBON). De RDI ziet toe op de naleving van de voorschriften die gericht zijn op een zorgvuldig graafproces om graafschades bij mechanische graafwerkzaamheden te voorkomen.

De richtlijn CROW 500 vormt een belangrijk uitgangspunt voor de invulling van het zorgvuldig graafproces. Deze richtlijn is opgesteld door alle betrokkenen uit de graafketen en geeft een nauwkeurig uitgewerking van de voorwaarden om zorgvuldig te kunnen graven.

Een onderdeel van de CROW 500 is het doen van een graafmelding bij het Kadaster via het KLIC-systeem. Zonder deze graaafmelding mag er niet gestart worden met de graafwerkzaamheden. Van het Kadaster wordt er informatie verstrekt over de kabels en leidingen in de ondergrond. Deze informatie wordt de gebiedsinformatie (KLIC) genoemd. De gebiedsinformatie moet altijd op de graaflocatie aanwezig zijn.

Het doel van dit project is om een algoritme te ontwikkelen dat in staat is om te voorspellen waar, wanneer en door wie er graafschade kan optreden. Deze voorspellingen zullen dienen als richtlijnen voor inspecteurs van WIBON (Wet Informatie-uitwisseling Bovengrondse en Ondergrondse Netten), waardoor zij in staat zijn informatie gestuurd te werken. Door zich te concentreren op locaties waar de kans op schade aannemelijk is, kunnen inspecteurs efficiënter opereren.

Afwegingen

Het voordeel van het gebruiken van een algoritme dat de kans op graafschade berekent, is dat inspecteurs gericht bepaalde graaflocaties kunnen bezoeken. Het is namelijk niet mogelijk om alle graaflocaties te bezoeken. Het algoritme kan dan helpen om snel een keuze te maken tussen het bezoek van graaflocaties. Echter een hoge kans op graafschade betekent niet automatisch een hoog risico, omdat de impact van de schade niet wordt berekend. Inspecteurs kijken dus niet alleen maar naar kans op schade, maar houden ook rekening met andere factoren. Daarnaast worden er ook thematische inspecties uitgevoerd. Voor álle graafmeldingen wordt de kans op graafschade op dezelfde manier berekend. Een nadeel is dat het model geen rekening houdt met de impact van de schade en eventueel andere factoren die van invloed zijn op de kans op graafschade die momenteel niet opgenomen zijn in het model.

Menselijke tussenkomst

De uitkomst van het algoritme is een kans op graafschade. Inspecteurs kunnen dit gebruiken voor prioritering, maar beslissen altijd zelf waar ze heengaan op inspectie. Alle graafmeldingen zijn beschikbaar voor de inspecteurs & naast de voorspellingen van het algoritme zijn ook andere externe factoren van invloed bij de keuze om een graafmelding te bezoeken. Denk hierbij onder andere aan praktische overweging (locatie), soort graafactiviteit, ervaring en expertise van de inspecteur en signalen vanuit de maatschappij die een inspectie kunnen rechtvaardigen. 

Risicobeheer

Jaarlijks wordt er een evaluatie uitgevoerd van de kwaliteit van de voorspellingen van het model voor de kans op graafschade. Vanuit het Kadaster worden de daadwerrkelijke graafschades 1 keer per jaar aangeleverd waarbij het model opnieuw getraind wordt. Verder worden eventueel wettelijke - en maatschappelijke veranderingen bekeken en indien nodig in overleg met de gebruikers van het model besproken en aangepast.

Wettelijke basis

Wet informatie-uitwisseling bovengrondse en ondergrondse netten en netwerken

Links naar wettelijke basis

WIBON: https://wetten.overheid.nl/BWBR0040728/2024-01-01

Impacttoetsen

• Data Protection Impact Assessment (DPIA)
• Impact Assessment Mensenrechten en Algoritmes (IAMA)

Werking

Gegevens

De primaire bron voor het model zijn de KLIC meldingen vanuit het Kadaster (https://www.kadaster.nl/producten/woning/klic-melding?gad_source=1&gclid=EAIaIQobChMI5bTblYibjAMVeqWDBx2cZghmEAAYASAAEgLnDfD_BwE). Kabeleigenaren en netwerkbeheerders moeten informatie over ondergrondse kabels en leidingen leveren aan het Kadaster. Het Kadaster voegt deze informatie samen. Uitvoerders van graafwerkzaamheden moeten graafwerkzaamheden verplicht melden bij het Kadaster met een KLIC melding. Bij deze melding krijgen de uitvoerders gebiedsinformatie over de locatie waar ze een graafmeldingen willen uitvoeren. Deze uitwisseling van informatie kan schade helpen voorkomen tijdens graafwerkzaamheden. Deze KLIC meldingen worden aan de RDI verstrekt door het Kadaster en bevat details over de graafmelding en grondroerder die in het model worden gebruikt. Een tweede bron zijn de graafschadecijfers die jaarlijks vanuit het Kadaster worden aangeleverd. Tot slot zijn er ook aanvullende bronnen gebruikt zoals: Bodemgebruik (CBS), bodemsoort (BRO) en bomendata (RIVM)

Links naar gegevensbronnen

• Bodemgebruik (CBS): https://www.cbs.nl/nl-nl/dossier/nederland-regionaal/geografische-data/bestand-bodemgebruik,
• Basisregistratie Ondergrond(BRO): https://basisregistratieondergrond.nl/inhoud-bro/registratieobjecten/modellen/bodemkaart-sgm/,
• Bomen in Nederland (RIVM): https://data.overheid.nl/dataset/14394-bomen-in-nederland

Technische werking

Het algoritme is een XGBoost machine learning algoritme, dit algoritme is met name geschikt voor gestructureerde data in tabellen. Hierbij worden meerdere zwakke modellen gecombineerd om uiteindelijk tot een beter model te komen waarbij residuen (fouten) van het huidig model iteratief worden gecorrigeerd met het trainen van een nieuw model. Het algoritme maakt gebruik van graafmelding data (o.a. datum, opdrachtgever, grondroerder, polygoon, thema kabels en leidingen), graafschade data (o.a. datum, plaats , herstelkosten, soort net), kabels- en leidingen kenmerken, bodemdata & de bomenkaart van het RIVM. De target (hetgeen wat door het algoritme voorspeld gaat worden) is een score die aangeeft hoe groot de kans op schade is per graafmelding.

Het model werkt door relaties te vinden tussen de features en het target. Aan de hand van deze berekeningen bepaalt het model welke graafmeldingen een verhoogde kans op graafschade hebben. 

Leverancier

Intern ontwikkeld