H2O
/Waternetwerk 
In dit artikel wordt met voorbeelden van twee waterschappen getoond welke bijdrage datavalidatie levert aan het genereren van goede data. Op elke stap in de inwinningsketen van de metingen kunnen fouten ontstaan, veroorzaakt door de mens, door automatisering of ook door slakken.
De onderzoekslijn Klimaatbestendige Stad van het Nationaal Kennis- en Innovatieprogramma Water en Klimaat heeft twee tools gelanceerd om decentrale overheden te ondersteunen. De Klimaatschadeschatter geeft per gemeente een schatting van de schade door hitte, droogte en wateroverlast. De Toolbox Klimaatbestendige Stad helpt personen en teams te verkennen welke adaptatiemaatregelen waar in een projectgebied genomen kunnen worden.
Op 1 januari 2017 zijn nieuwe, strengere normen voor primaire waterkeringen ingevoerd. Die zijn niet meer gebaseerd op overschrijdingskansen van een maatgevende belasting met als vraag: is er schade aan dijk, maar op de kans op een catastrofale overstroming. Ruim drie jaar na de wetswijziging blijkt dat de geschatte overstromingskansen in de huidige situatie erg groot zijn, en veelal zelfs ongeloofwaardig groot.
In dit artikel wordt verkend of de techniek van ‘machine learning’ bruikbaar is om het beheer in een natuurgebied te optimaliseren. Het gaat om het schraallandgebied Rome bij Drachten. Het model blijkt goed in staat te zijn het huidige voorkomen van blauwgrasland te verklaren.
Het droogvallen van beken in 2018 was een dramatisch gezicht, maar ook een kans om te leren wat de impact is van zo’n catastrofe. Daarom hebben waterschappen en provincies samen extra metingen uitgevoerd.
Het Veluwemassief is zeer geschikt om extra water in de ondergrond vast te houden. De afwezigheid van ontwatering is daarbij het meest belangrijke kenmerk. Model resultaten laten zien dat er een optimalisatie mogelijk is wat betreft infiltratiefluxen, oppervlakken van vennen en de ruimtelijke spreiding daarvan.
