Hoogheemraadschap De Stichtse Rijnlanden en HKV hebben samen een methode ontwikkeld, waarbij ‘machine learning’ wordt toegepast voor waterverwachtingen. Door een zelflerend algoritme worden deze verwachtingen steeds nauwkeuriger.
Waterschappen brengen aan de hand van weersvoorspellingen van het KNMI de op korte termijn te verwachten waterstanden in beeld. Dan neemt een waterschap indien nodig vooraf maatregelen, bijvoorbeeld extra water afvoeren wanneer er een piekbui in aantocht is. Door de nieuwe methode worden de waterverwachtingen beter, vertelt Joost Stenfert, consultant bij onderzoeks- en adviesbureau HKV. “We passen machine learning op een zeer praktische manier toe.”
Joost Stenfert
Hoogheemraadschap De Stichtse Rijnlanden (HDSR) en HKV hebben het afgelopen halfjaar de methode samen ontwikkeld. Stenfert licht toe waarom: “Het hoogheemraadschap gebruikt neerslag-afvoermodellen om proactief te kunnen handelen bij weersgebeurtenissen. Zo’n model geeft de verwachte waterstanden en afvoerbehoefte aan voor bijvoorbeeld 24 of 48 uur vooruit. Het blijft echter een versimpelde en geïdealiseerde versie van de werkelijkheid met fouten erin. Denk aan een recente verandering die nog niet is verwerkt, een profiel van een sloot die te groot is of een verkeerde invoer van de hoeveelheid neerslag. Met machine learning kunnen wij deze fouten er automatisch uithalen.”
Zelflerend algoritme
HDSR en HKV gebruiken een ‘unsupervised learning’ algoritme. Dit zoekt zelf naar patronen zonder die patronen vooraf te kennen. Het algoritme herkent fouten in modelresultaten en signaleert om welke fouten het gaat. “Hierdoor kun je heel specifiek een neerslag-afvoermodel verbeteren”, zegt Stenfert. “Dat is nieuw. Met het algoritme kunnen we constateren of er fouten in het model zitten. We kunnen opsporen waar een fout aanwezig is en wat hiervan waarschijnlijk de oorzaak is.”
Het innovatieve karakter van de methode zit volgens Stenfert vooral in de combinatie van fysica en data science. “In de watersector is fysica zeer belangrijk. Op basis hiervan proberen we ons watersysteem te begrijpen. Inmiddels is het mogelijk om met data-gedreven technieken meer te leren over het gedrag, waardoor we de kennis van de fysica kunnen vergroten. Het wonderlijke is hier dat we met alleen waterstanden in staat zijn om iets over de fouten in het neerslag-afvoermodel te zeggen. We kunnen bijvoorbeeld detecteren of een kunstwerk in het model te klein of te groot geschematiseerd is in vergelijking met de werkelijkheid.”
Zoiets is nog niet eerder gedaan, aldus Stenfert. “Het is een mooie stap vooruit. Er moeten genoeg data zijn, maar daar zit geen limiet aan. We kunnen dan ook de komende jaren het machine learning model op basis van nieuwe informatie steeds verder verfijnen.”
Nu in praktijk
Beide partijen willen de methode nu in de praktijk toepassen. “Hoe is nog de vraag”, zegt Stenfert. “We gaan de vervolgstappen bepalen.” Verder wordt de ontwikkelde techniek ook in andere projecten van HKV gebruikt.
Machine learning wordt volgens Stenfert steeds vaker toegepast in de watersector, al gebeurt het nog wel mondjesmaat. “Het is geen doel op zich, maar echt een middel om het waterbeheer beter te maken. Wij zijn in staat om met het blote oog de relatie tussen pakweg vier variabelen te herkennen. De grote kracht van machine learning is dat in systemen met grote complexiteit en veel parameters nog steeds verbanden te ontdekken zijn.”
MEER INFORMATIE
HDSR over de nieuwe methode
