project

Voorspelling van zoetwatervoorraden in Nederland

In dit project willen we methoden uit de hydroinformatica gebruiken – voornamelijk machine learning en deep learning – om beschikbare zoetwatervoorraden te voorspellen, vooral tijdens ernstige droogte. Op basis van historische gegevens gaan we onderzoeken hoe variaties van oppervlakte- en grondwater door de tijd heen worden beïnvloed door meteo-hydrologische parameters en menselijke activiteiten. Een voorspellingsmodel wordt ontwikkeld om de toekomstige beschikbaarheid van zoetwatervoorraden en de impact van waterbeheer hierop te kunnen aangeven, bijvoorbeeld voor 2030 en 2050. Met deze voorspellingen kan de watersector strategieën voor planning- en beheeractiviteiten ontwikkelen.

Inzicht in beschikbare zoetwatervoorraad

Na drie opeenvolgende jaren van extreme droogte (2018-2020) in Nederland is het belangrijk te onderzoeken hoeveel voorraden van grond- en oppervlaktewater beschikbaar zijn voor natuur, landbouw, industrie en drinkwatervoorziening. Vooral bij het optreden van waterstress moeten drinkwaterbedrijven, waterschappen en provincies een duidelijk en alomvattend zicht hebben op de beschikbare zoetwatervoorraad, zodat dit water optimaal kan worden verdeeld. Het is van cruciaal belang te weten hoeveel zoetwater aan verschillende sectoren kan worden geleverd, zonder schade te veroorzaken aan hun functies en producties als gevolg van watertekort. Bovendien tonen veel studies aan dat klimaatverandering de extreme droogteperiodes zal verergeren, zowel wat betreft de duur als de ernst ervan. Daarom moeten we niet alleen de beschikbaarheid van zoetwater voor de huidige situatie onderzoeken, maar ook een betrouwbare inschatting maken voor de toekomst, bijvoorbeeld voor 2030 en 2050.

Voorspellen met machine learning

Voor onderzoek naar de beschikbaarheid van zoetwatervoorraden kan gebruik worden gemaakt van een gecombineerd meteorologisch en hydrologisch model dat zoetwatervolumes berekent. Voor een langetermijnvoorspelling is dit model echter minder geschikt, omdat de simulatiefout zich over een lange periode kan opeenstapelen. Hier komt de datawetenschap om de hoek kijken. Met datawetenschap is het mogelijk een model uit de gegevens zelf af te leiden, waarbij de fout alleen afhankelijk is van waarnemingen en zich niet gedurende de tijd accumuleert. Modellen die op basis van datawetenschap zijn opgesteld, kunnen verklaren hoe de trend van historische data wordt gestuurd door verschillende meteo-hydrologische factoren. Vervolgens kunnen de modellen op grond van deze verwachte factoren toekomstige trends voorspellen. Datawetenschap is een typische methode uit de hydroinformatica, waarin met machine learning en deep learning gegevens vanuit verschillende perspectieven worden onderzocht.

Betere beslissingen in planning en beheer

Via deze casus krijgen we een diepgaand inzicht in de zoetwatervoorraden in de provincie Drenthe. Zo zijn vragen te beantwoorden als: hoe wordt de zoetwaterbeschikbaarheid beïnvloed door meteorologie, hydrologie en mensen? Hoe reageert de beschikbaarheid op toekomstige scenario’s? Hoe vaak zal waterstress in de toekomst voorkomen? Hoe waarschijnlijk zal waterstress zich voordoen in drie opeenvolgende jaren? Hoe zijn de ontwikkelde modellen beperkt tot de informatie? Hoe kan het in de toekomst worden verbeterd? De antwoorden op deze vragen leveren nuttige informatie op voor de provincie, waterschappen, waterbedrijven en KWR. Met vertrouwen in de verwachte beschikbare zoetwatervoorraden is het mogelijk om betere beslissingen te nemen voor de planning en het beheer van het watersysteem.