0

Sinds de lancering van ChatGPT is AI niet meer weg te denken uit de actualiteit. Al worden de media berichten vooral gedomineerd door de verbluffende conversationele capaciteiten van Large Language Models zoals ChatGPT en de artistieke plaatjes van image generators zoals Dall-E.

Maar de technologie is al veel langer aan een opmars bezig in verschillende domeinen. Eén van de grote sterktes van AI modellen is dat ze zeer goed patronen kunnen herkennen in grote hoeveelheden aan data. Net die sterkte maakt AI modellen ook zeer geschikt om in te zetten in het operationeel waterbeheer, waar het verkrijgen van inzicht in zowel de actuele als toekomstige toestand van het watersysteem essentieel is. Dit maakt het immers mogelijk om geïnformeerde beslissingen te nemen die het risico op overstromingen en watertekorten minimaliseren.

Hieronder beschrijven we 3 (potentiële) toepassingen van AI voorspellingsmodellen in het operationeel waterbeheer.

Voorspellen van debiet in een waterloop

Als waterbeheerder is het cruciaal om een goed zicht te krijgen op het debiet in de waterloop. Hoeveel water is er nu beschikbaar? Wat is de evolutie voor de komende dagen en weken? Kan de voorspelde neerslag zorgen voor overstromingen in de komende dagen? Of zal het uitblijven van neerslag de komende weken net zorgen voor mogelijke watertekorten?

Om zulke vragen te kunnen beantwoorden moeten we een relatie kunnen leggen tussen neerslag en verdamping enerzijds en het debiet in een waterloop anderzijds. Traditioneel wordt hiervoor in Vlaanderen gebruik gemaakt van conceptuele hydrologische modellen zoals PDM of NAM. Deze modellen zijn gebaseerd op een vereenvoudigde beschrijving van het werkelijke neerslag-afvoerproces en beschrijft de relaties tussen invoer (neerslag en verdamping) en uitvoer (afvoer) van het watersysteem aan de hand van semi-empirische wiskundige vergelijkingen.

AI modellen zijn zeer goed in het leggen van relaties tussen invoer en uitvoer, wat in essentie dus de functie van een hydrologisch model is. Recent heeft Sumaqua in samenwerking met de Vlaamse Milieumaatschappij daarom het AI gedreven hydrologische model hAIdro ontwikkeld. Dit model maakt gebruik van een specifiek type van neurale netwerken (Long Short-Term Memory of LSTM) om de relaties te leggen tussen invoer en uitvoer. hAIdro is in staat om een inschatting te maken van het debiet voor iedere waterloop in Vlaanderen. Hiervoor worden naast neerslag en verdamping ook heel wat andere data toegevoegd om de hydrologische respons te differentiëren. Zo gebruikt het model o.a. tijdreeksen zoals bv. het effluent van een waterzuivering maar ook statische gegevens die een invloed kunnen hebben op de hydrologische relaties zoals bv. het landgebruik, de ondergrond en het reliëf. hAidro is simultaan getraind op data van meer dan 100 locaties verspreid over gans Vlaanderen.

Het hoofddoel van hAIdro is om het laagwaterdebieten in de zomer beter te kunnen voorspellen. Het model wordt daarom gekoppeld aan de lange termijn voorspellingen van het ECMWF om zo tot 30 dagen vooruit te kunnen kijken. Een uitgebreide testperiode heeft uitgewezen dat het model in staat is om performante voorspellingen te leveren op een heel aantal locaties in Vlaanderen. Het AI model was in de testperiode duidelijk beter in het voorspellen van laagwaterdebieten dan het traditionele conceptueel hydrologische model.

Momenteel zijn de voorspellingen van hAIdro al te vinden op waterinfo.be. AI modellen dragen in Vlaanderen dus nu al bij tot een betere inschatting van de evolutie van het laagwaterdebieten en zorgen op die manier voor beter geïnformeerde beslissingen in tijden van droogte.

hAIdro applicatie met weergave van alle voorspellingspunten in Vlaanderen

Beter voorspellen van overstromingen

AI modellen zijn zeer geschikt om het debiet in een waterloop te voorspellen. Maar als we ook een uitspraak willen doen over het overstromingsrisico op een bepaalde locatie moet het debiet nog vertaald worden naar een waterhoogte in de waterloop en in de potentiële overstromingsgebieden. Zo kan zeer gedetailleerd berekend worden waar en wanneer overstromingen te verwachten zijn waardoor tijdig maatregelen genomen kunnen worden om schade te voorkomen.

Een goede voorspelling van de overstromingsrisico’s is dus letterlijk van levensbelang. In Vlaanderen maken we hiervoor typisch gebruik van hydrodynamische modellen die zeer gedetailleerde gegevens bevatten over de vorm en afmetingen van de waterloop en de overstromingsgebieden.

Deze modellen berekenen de waterstand en het debiet op een discreet aantal locaties langsheen de waterloop op basis van wiskundige vergelijkingen. Het grootste nadeel van deze modellen is echter de lange rekentijd die nodig is om deze complexe wiskundige vergelijkingen op te lossen. Hierdoor gaat in crisissituaties kostbare tijd verloren en moet het aantal simulaties beperkt worden.

AI modellen daarentegen zijn enorm performant en kunnen zeer snel een resultaat geven. Daarom experimenteert onder meer Google met AI modellen die het debiet en waterhoogte voorspellen voor waterlopen in meer dan 80 landen, waaronder ook bijvoorbeeld de Demer in Vlaanderen. Ze maken hiervoor o.a. gebruik van gelijkaardige modelstructuren die ook in hAIdro gebruikt worden.

De modellen zijn opgebouwd op basis van internationale datasets en daar ligt meteen ook hun sterkte en tegelijkertijd hun zwakte. In het sterk verstedelijkte Vlaanderen is lokale data (bv. regeling van stuwen, wachtbekkens, pompen, watergebruik, …) onontbeerlijk om tot een goede inschatting van de waterhoogte te komen.

Die informatie zit expliciet vervat in hydrodynamische modellen maar de gebruikte AI modellen en datasets laten momenteel nog niet toe om deze informatie op een efficiënte manier te integreren. Dat wil ook zeggen dat het momenteel niet mogelijk is om scenario berekeningen uit te voeren met deze AI modellen.

Scenarioberekeningen geven de waterbeheerder inzicht in het effect van bijvoorbeeld het verlagen van stuwen op de waterstand en zijn bijgevolg zeer belangrijk om het waterbeheer te optimaliseren. Om deze beperkingen weg te werken loopt er momenteel veel wetenschappelijk onderzoek naar zogenaamde “physics informed machine learning” waarin op verschillende manieren pogingen worden ondernomen om de beste eigenschappen van AI modellen en hydrodynamische modellen te combineren. Zo zijn er bijvoorbeeld reeds neurale netwerken die de wet van behoud van massa respecteren.

Screenshot van de Google FloodHub applicatie (Bron: https://sites.research.google/floods/l/22.563418517833984/-17.464531581439967/3)

Voorspellen van neerslag

Indien we een uitspraak willen doen over de toestand van het watersysteem in de toekomst is de betrouwbaarheid van onze invoergegevens uiteraard van primordiaal belang. In het waterbeheer zijn daarom neerslagvoorspellingen zeer belangrijk. Ook daar wordt de jongste jaren en maanden zeer veel gewerkt rond de integratie van AI in de voorspellingen.

Zo zijn er verschillende veelbelovende recente wetenschappelijke publicaties die focussen op de neerslagvoorspellingen in de komende uren zoals bijvoorbeeld NowCastNet of het Deep Generative Model of Rain (DGMR) van Google DeepMind. Dit moet op termijn leiden tot veel nauwkeurigere neerslagvoorspellingen (denk aan een buienradar op steroïden). Ook in Vlaanderen wordt er aan verschillende universiteiten en het KMI onderzoek gedaan naar de integratie van AI in nowcasting.

Illustratie van de werking van DGMR (Bron: https://www.deepmind.com/blog/nowcasting-the-next-hour-of-rain)

Samenvatting

De aandacht voor AI in het operationeel waterbeheer is de afgelopen jaren enorm toegenomen. Dat zien we vooral duidelijk in de toegenomen hoeveelheid academische publicaties rond het onderwerp. Voorlopig blijft het aantal operationele systemen die gebruik maken van AI modellen (zoals hAIdro) echter nog relatief beperkt.

Dit is te wijten aan (1) het feit dat er grote uitdagingen liggen in het omvormen van een academisch experiment naar een operationele tool met impact en (2) de weerstand die iedere nieuwe technologie oproept, zelfs wanneer deze duidelijk performanter is dan een bestaande technologie.

Interesse in de Google zoekterm “AI water” in de loop der tijd

Op basis van de beschikbare wetenschappelijke literatuur is het duidelijk dat het operationele waterbeheer nu al voordeel kan halen uit een doordachte integratie van AI modellen. Die kunnen leiden tot meer performante modellen die een snelle en nauwkeurige inschatting van de toestand van het watersysteem mogelijk maken. Door hun snelheid zijn AI modellen zeer geschikt om veel verschillende meteorologische scenario’s door te rekenen en zo bijvoorbeeld het effect van onzekere neerslagvoorspellingen op de waterbeschikbaarheid of overstromingen te begroten. AI modellen kunnen ook bijdragen tot het verdichten van het netwerk van voorspellingspunten in Vlaanderen omdat het opzetten van een voorspellingssysteem op basis van AI modellen veel minder arbeidsintensief is dan traditionele systemen.

Maar AI modellen zijn ook in het waterbeheer (nog) niet de magische oplossing waarvoor ze soms gehouden worden. Het belangrijkste nadeel van de huidige AI modellen is dat ze nog teveel een “black box” vormen. Het is veelal onduidelijk hoe de verbindingen tussen de invoer en de uitvoer tot stand worden gebracht of waarom bepaalde informatie wel of niet gebruikt wordt. Hierdoor is het moeilijk om lokale informatie zoals bv. de regeling van wachtbekkens of stuwen op een efficiënte manier te integreren in het model. Zeker in het verstedelijkte Vlaanderen zal de toekomst dan ook eerder liggen in een integratie fysische wetmatigheden in AI modellen of AI componenten in fysische modellen.

In deze gastblog beschrijft Tim Franken, die werkt op het raakvlak tussen AI en hydrologie, 3 (potentiële) toepassingen van AI voorspellingsmodellen in het operationeel waterbeheer.

Delen


Verder lezen

Alles bekijken