Met gegevens over bodemvocht waterbeheer robuust voor de toekomst maken. Dat stond Michiel Pezij voor ogen tijdens zijn promotieonderzoek. Hij ontwikkelde twee methoden om informatie over bodemvocht beter beschikbaar te maken. De basis hiervoor vormen satellietgegevens, hydrologische modellering en machine learning.
In de afgelopen droge zomers bleek dat waterschappen weinig actuele informatie hebben over bodemvocht, het water in de bovenste laag van de bodem. Zij namen hun beslissingen over maatregelen vooral op basis van water- en grondwaterstanden. “Bodemvocht werd niet meegenomen, terwijl dat wel een grote bijdrage kan leveren aan het inzicht over hoe droog of nat de bodem is”, vertelt Michiel Pezij, onderzoeker bij de vakgroep Marine and Fluvial Systems van de Universiteit Twente. Hij promoveerde op 30 januari op dit onderwerp.
Michiel Pezij
Zie bodemvocht als een extra informatiebron naast bestaande gegevens, merkt Pezij op. “Dat maakt het hydrologische plaatje compleet.” Hij noemt de situatie van weinig neerslag en een hoge verdamping die zich in de zomers van 2018 en 2019 voordeed. “Dan is bodemvocht een veel directere indicator van de mate van verspreiding van droogte dan grondwaterstanden. Daar kun je dus eerder mee sturen.” Maar ook bij nat weer is de informatie belangrijk. “Bodemvocht is dan een maat van hoeveel water de bodem nog kan opnemen.”
Bodemvochtvoorspellingen nauwkeuriger
De eerste vraag in zijn onderzoek was: welke informatie gebruiken waterbeheerders nu en welke informatie willen zij gebruiken? “Daar kwam uit dat waterschappen best veel geld en tijd investeren in de ontwikkeling van hydrologische modellen. Maar operationele waterbeheerders, met name peilbeheerders, blijken relatief weinig gebruik te maken van modellen vergeleken met metingen en weersvoorspellingen. Een van de oorzaken is de onzekerheid van modellen op de gewenste ruimtelijke schalen.”
'Met name peilbeheerders maken weinig gebruik van modellen'
Pezij benutte nieuwe satellietgegevens over bodemvocht. Hij integreerde deze data in het Landelijk Hydrologisch Model (LHM), dat door Rijkswaterstaat en een aantal waterschappen wordt toegepast. “Ik heb daarvoor een nieuwe methode ontwikkeld, waarmee de bodemvochtvoorspellingen in het LHM nauwkeuriger worden. Daaruit komen mooie resultaten. Het nadeel is dat deze methode relatief veel rekentijd en computercapaciteit kost. Wel is het zo dat de methode kan worden ingezet voor alle modellen die gebaseerd zijn op het Nederlands Hydrologisch Instrumentarium.”
Methode met machine learning
Vanwege het nadeel bij de eerste methode ontwikkelde Pezij ook een tweede methode. Hierbij worden satellietbeelden van bodemvocht gecombineerd met radargegevens van neerslag en verdamping. In deze methode staat machine learning centraal, waarbij een computer algoritmes gebruikt om autonoom te leren. “Ik heb dit ontwikkeld vanuit datadenken in plaats van modeldenken. Hiermee kan op een rekenkundig efficiënte manier een hydrologisch model met veel informatie worden opgebouwd.”
Ook hier is een minpunt, vertelt Pezij. “Je moet met een kritische blik naar extreme situaties kijken, omdat die mogelijk niet in de trainingsperiode van het model zitten. De eerste methode kan daarmee beter omgaan.” Beide methoden vullen elkaar volgens de UT-onderzoeker mooi aan. “Je kunt de tweede methode gebruiken om op de korte termijn een beeld te krijgen van het eigen watersysteem. De eerste is het meest geschikt voor een analyse van scenario’s op de langere termijn.”
Labels voor vochtgehaltes
Pezij heeft ook gekeken naar hoe de verbeterde voorspellingen over bodemvocht het beste kunnen worden aangeboden aan waterbeheerders. Zij zijn bijvoorbeeld niet in eerste instantie geïnteresseerd in hoe nat de bodem is, maar wel in hoe groot de capaciteit voor de opvang van regenwater nog is. “Je kunt bijvoorbeeld labels aan vochtgehaltes hangen. Bij het ene vochtgehalte is er bijvoorbeeld geen sprake van droogte en bij een lager vochtgehalte juist van extreme droogte. Zo kan de waterbeheerder relatief eenvoudig inschatten hoe erg de droogte in een bepaalde periode is.”
Voorbeeld van een droogte-indicator, gebruikmakend van labels. Te zien is het gebied ten westen van Almelo voor twee perioden: een natte winterperiode in januari 2018 en een zeer droge zomerperiode in augustus 2018. Bron: proefschrift Michiel Pezij (2020)
Pezij verrichte zijn onderzoek in het kader van het programma OWAS1S (afkorting van Optimizing Water Availability with Sentinel-1 Satellites), dat gedeeltelijk wordt gefinancierd door NWO. Hij werkte samen met diverse partijen: Deltares, HKV, HydroLogic, Provincie Overijssel, Rijkswaterstaat, STOWA, waterschappen Aa en Maas, Drents Overijsselse Delta en Vechtstromen en ZLTO. Binnen het OWAS1S-programma is een veldmeetnetwerk in het stroomgebied van de Raam ontwikkeld, vertelt Pezij. “Daarvan zijn de metingen over de laatste drie jaar voor iedereen beschikbaar. Dat is een interessante dataset.”
Data science en proceskennis gecombineerd
Waterschappen tonen interesse in de nieuwe methoden om informatie over bodemvocht te verwerken. Het draait om een goede combinatie van zowel data science als proceskennis, aldus Pezij. “Met de projectresultaten kun je bijvoorbeeld inschatten hoe het watersysteem reageert op reguliere en extreme situaties. Op basis daarvan kun je aanpassingen doorvoeren.”
Pezij gaat nu aan de slag bij onderzoeks- en adviesbureau HKV. Daarnaast zal hij als parttime onderzoeker bij de Universiteit Twente het onderzoek voortzetten. “Waterbeheerders hebben wel ideeën om de tools in te zetten, maar de echte toepassing ontbreekt nog. Daarvan wil ik in het verdere onderzoek casestudies en voorbeelden laten zien. Ik wil dat waterbeheerders de ontwikkelde methoden kunnen gaan inzetten voor hun werkzaamheden.”
MEER INFORMATIE
Proefschrift van Michiel Pezij
Universiteit Twente over het onderzoek
Deltares over beter inzicht in bodemvocht
Michiel Pezij is een van de auteurs van het H2O-vakartikel Bodemvocht uit satellietdata: wat kan de Nederlandse waterbeheerder ermee? Dit artikel eindigde als derde bij de uitverkiezing van het beste H2O-vakartikel van 2018.
