Data Science Team (DST)

dst
Created on Jun 20th, 2022

Data is de motor van het Kadaster. Daarom is Kadaster sinds jaar en dag continu bezig met op data gerichte innovatie. In 2019 is het Kadaster gestart met een Data Science Team. Met dit team willen we een stimulans geven aan data innovatie, zullen we meer ervaring opdoen met Data Science, en zullen ook de mogelijkheden van Data Science voor het Kadaster en haar partners worden onderzocht. Het Data Science team gaat case-gebaseerd te werk; een weerslag van deze cases worden op de Kadaster Labs omgeving gepubliceerd.

Members

Kadaster Knowledge Graph (KKG)

1.696.331.920 statements

In de Kadaster Knowledge Graph publiceert het Kadaster een groot aantal door haar beheerde open databronnen op een geïntegreerde en gestandaardiseerde manier.

De Kadaster Knowledge Graph bevat de volgende open data bronnen:

  • De Landelijke Voorziening van de Basisregistratie Adressen en Gebouwen (BAG).
  • De Landelijke Voorziening van de Basisregistratie Grootschalige Topografie (BGT).
  • De Top10NL van de Basisregistratie Topografie (BRT).
  • Het open deel van de Basisregistratie Kadaster (BRK).
  • De Publiekrechtelijke Beperkingen (PB).

De Kadaster Knowledge Graph maakt gebruik van de volgende nationale en internationale linked data standaarden:

  • GeoSPARQL (OGC)
  • NEN 3610 (Geonovum)
  • SHACL, OWL, PROV, RDF, RDFS, SKOS (W3C)

De Kadaster Knowledge Graph wordt in een groot aantal use cases gebruikt: overzicht van use cases

De Kadaster Knowledge Graph kan door ontwikkelaars met de gestandaardiseerde SPARQL bevragingstaal worden gebruikt: overzicht van de informatie voor ontwikkelaars

Zie je een fout in de data? Of heb je een andere vraag? Meld dit op het Geoforum.

Versie: 2022.7.6

Deze pagina documenteert het volledige data model van de Kadaster Kennisgraaf.

1. Download opties

Het data model van de Kadaster Kennisgraaf kan op verschillende manieren gedownload worden:

  • Alleen de concepten (SKOS), voor gebruik in ArchiXL: link
  • Alleen de klassen en eigenschappen (RDFS/OWL), voor gebruik in Weaver: link
  • Alleen de shapes (SHACL): link

2. Data model structuur

Ieder gegeven in het data model van de Kadaster Kennisgraaf is op 3 niveau's vastgelegd. Deze 3 niveau's staan met elkaar in verband:

  1. Node shapes en property shapes (SHACL) geven de beperkingen aan waar de gegevens in de Kadaster Kennisgraaf aan voldoen. Deze beperkingen zijn altijd consistent met de betekenis zoals vastgelegd in de klassen en eigenschappen, maar kunnen op onderdelen strikter zijn.
  2. Klassen en eigenschappen (RDFS/OWL) leggen de formele betekenis vast. Deze betekenis legt vast wat andere applicaties en gebruikers op het Internet mogen verwachten wanneer ze de gegevens uit de Kadaster Kennisgraaf gebruiken.
  3. Concepten (SKOS) leggen de menselijk leesbare betekenis vast.

Het volgende diagram geeft aan hoe deze 3 niveau's met elkaar in verband staan.

3. Document structuur

De rest van dit document volgt een vaste structuur voor klassen en eigenschappen. Deze worden vastgelegd in secties A (NEN3610:2022nl), B (Samenhangende Object Registratie), en C (Kadaster-breed model).

3.1 Document structuur voor klassen

Klassen worden beschreven in de volgende subsecties:

  1. Linguïstische duiding bevast de menselijk leesbare definities, voorbeeld, en gebruiksnotities. Deze gegevens zijn in lijn met de menselijk leesbare vastlegging voor deze klasse (SKOS).
  2. Schematische weergave geeft een overzicht van de taxonomie voor deze klasse, alsook de eigenschappen die deze klasse als domein hebben.
  3. Formele duiding geeft een beschrijving in het RDF Turtle formaat van de machine-leesbare gegevens die voor deze klasse zijn vastgelegd in SHACL en in RDFS/OWL.
  4. Eigenschappen geeft een tabel met een overzicht van de eigenschappen die deze klasse als domein hebben.

3.2 Document structuur voor eigenschappen

Eigenschappen worden beschreven in de volgende subsecties:

  1. Linguïstische duiding bevat de menselijk leesbare definities, voorbeeld, en gebruiksnotities. Deze gegevens zijn in lijn met de menselijk leesbare vastlegging voor deze eigenschap (SKOS).
  2. Schematische weergave geeft een overzicht van de directe context van deze eigenschap binnen het data model.
  3. Formele duiding geeft een beschrijving in het RDF Turtle formaat van de machine-leesbare gegevens die voor deze eigenschap zijn vastgelegd in SHACL en in RDFS/OWL.

4. Geautomatiseerde overzichten

Hieronder volgen een aantal automatisch aangemaakte overzichten op basis van het volledige data model van de Kadaster Kennisgraaf. Voor meer detail kan gebruik worden gemaakt van de uitgebreide documentatie per klasse en per eigenschap die na deze automatische overzichten volgt.

De volgende data story is bedoeld om de gebruiker te ondersteunen bij het gebruik en de navigatie van de Kadaster Knowledge Graph (KKG). Deze generieke query's hebben twee doelen:

  • De generieke query's die hier zijn opgenomen, dienen om te illustreren hoe de schema.org-ontologie, die wordt gebruikt bij de modellering van het data model voor de knowledge graph, wordt toegepast om de data uit bestaande basisregistraties gemakkelijker beschikbaar te stellen.

  • Deze query's ondersteunen gebruikers door een eerste stap te bieden voor het opvragen van data op basis van verschillende eigenschappen in de knowledge graph. Het is de bedoeling dat deze queries een startpunt vormen voor gebruikers waarop ingewikkeldere queries gebouwd kunnen worden.

Adres en geometrie gerelateerd aan adressen op de kaart

De volgende zoekopdracht retourneert adresinformatie, inclusief straatnaam, postcode en woonplaats van een bepaalde plaats en plot deze op de kaart op basis van BAG-geometrie. Als u op de geometrie klikt, wordt de adresnaam voor een bepaalde plaats weergegeven. Met de invoerparameter kan de gebruiker adresgegevens opvragen binnen een bepaalde postcode.

Merk op dat deze bevraging gebruik van een API variabele, namelijk "postcode". Het is mogelijk om een of meer van dit soort API variabelen bovenop een SPARQL bevraging te configureren. De door een gebruiker ingevulde postcode wordt automatisch door de SPARQL engine in de bevraging ingevoegd en uitgevoerd. Hierdoor is het mogelijk om een SPARQL bevraging op bepaalde onderdelen aan te passen zonder dat hiervoor gedetailleerde kennis van de SPARQL bevragingstaal vereist is. Probeer maar eens om een andere postcode in te vullen (bijvoorbeeld jouw eigen postcode), en klik daarna op de "Run query" knop.

Wanneer je in onderstaande klikt op "Try this query yourself" kun je inzien hoe de API variabele is geconfigureerd. (Je kunt vervolgens ook nog op de link "View populated query" klikken om te zien hoe de SPARQL engine de API variabele heeft ingevuld en gaat uitvoeren.)