Zelflerend algoritme verbetert waterverwachtingen

Waterverwachtingen

Om de negatieve effecten van bijvoorbeeld klimaatverandering en verstedelijking tegen te gaan gebruiken waterbeheerders verwachtingsmodellen. Dit zijn rekensystemen die de verwachte toekomst in beeld brengen. Het KNMI gebruikt deze modellen bijvoorbeeld om het weer voor morgen en overmorgen in beeld te brengen.

Waterschappen gebruiken deze weersverwachtingen vervolgens om ‘waterverwachtingen’ op te stellen. Een waterverwachting geeft inzicht in de waterstanden en afvoerbehoefte van morgen en overmorgen. Als we verwachten dat het morgen hard gaat regenen kan ook de waterstand in een sloot of beek stijgen. Vervolgens anticiperen we vandaag op die verwachte hoge waterstand door bijvoorbeeld nu al extra water af te voeren. ​De waterverwachtingen helpen ons dus om het waterbeheer goed uit te voeren. Ook als het weer snel verandert.

Gebruik van modellen

Een model is een versimpelde en geïdealiseerde  versie van de werkelijkheid. Dat betekent dat modellen altijd fouten kunnen bevatten. Dit leidt tot fouten in de waterverwachtingen. Dat is op zich niet erg, zolang we maar weten wat de fout is en hoe groot die is.

Bij modellen voor waterverwachtingen is de fout tussen de verwachting en de werkelijke waterstanden goed te bepalen omdat er veel meetlocaties zijn om de werkelijke waterstanden te meten. Dit biedt een ideale omgeving om machine learning in te zetten om de fout te analyseren.

In een gezamenlijk innovatietraject ontwikkelden we een machine learning algoritme waarmee we automatisch inzicht krijgen in de oorzaak van de fout in de waterverwachting. Als er een fout optreedt wordt het verschil tussen de gemeten waterstanden en de waterverwachtingen gebruikt om het soort fout te herleiden. We gebruiken hiervoor een zogenaamd unsupervised learning algoritme. Dit is een methode waarbij het algoritme zelf gaat zoeken naar patronen zonder die patronen vooraf te kennen. Uit dit onderzoek blijkt dat het algoritme heel goed in staat is om de verschillende foutenbronnen te vinden om vervolgens te herkennen wat voor soort fout het is.

Hoe verder met machine learning en waterverwachtingen?

Het ligt voor de hand om deze informatie te gaan gebruiken om dagelijks het waterverwachtingsmodel bij te sturen, om uiteindelijk steeds betere verwachtingen te verkrijgen en daarmee een adequater waterbeheer. Het systeem is zelflerend en wordt dus steeds beter. De volgende stap is om het in de praktijk te gaan toetsen en te gebruiken.