Fysiek model voorspelt overstromingen en verbetert waterbeheer wereldwijd

Luchtfoto van kronkelige stromen door het woestijnlandschap van het zuidoosten van Jordanië.

Overstromingen zijn verantwoordelijk voor tot wel 40% van de weergerelateerde rampen wereldwijd, en hun frequentie is sinds 2000 meer dan verdubbeld, volgens een recent rapport van het VN-kantoor voor rampenrisicobeheer. De wereldwijde verliezen door overstromingen bedragen nu gemiddeld $388 miljard per jaar. Tegelijkertijd worden droogtes steeds wijdverspreid en schadelijker over de wereld.

Om deze uitdagingen aan te pakken, heeft een team van onderzoekers een hydrologisch model ontwikkeld dat de impact van overstromingen kan voorspellen en waterbronnen op wereldwijde schaal kan beheren. Deze aanpak combineert kunstmatige intelligentie (AI) met fysische modellering om gemeenschappen betrouwbare, gedetailleerde data te bieden voor waterbeheer, het verminderen van overstromingsrisico’s, het plannen van gewassen en het beschermen van ecosystemen.

Het model is momenteel ingesteld met een resolutie om gebieden zo klein als 36 vierkante kilometer wereldwijd te simuleren en kan inzoomen op 6 vierkante kilometer in regio’s met meer gedetailleerde data. De bevindingen van het team zijn gepubliceerd in Nature Communications.

“Dit model is een game changer voor de wereldwijde hydrologie,” zegt Chaopeng Shen, professor civiele en milieutechniek aan de Pennsylvania State University en corresponderende auteur. “Door de wereldwijde dekking, fijnere resolutie en hoge kwaliteit, wordt het plausibel dat een model op wereldschaal werkelijk nuttig kan zijn voor lokaal waterbeheer en overstromingsvoorspelling. Het kan sterke hydrologische kennis bieden voor wereldwijde satellietmissies. Tevens kan het praktische hulp bieden aan achtergestelde regio’s die deze diensten hebben gemist.”

Volgens het team heeft het model verschillende belangrijke inzichten onthuld. Ten eerste suggereert het dat de balans van water tussen rivieren, grondwater en het landschap niet constant is en sterk verschuift van jaar tot jaar en van plaats tot plaats door veranderingen in het klimaat en neerslag. Bijvoorbeeld, de rivierstromen in Europa zijn afgenomen, waardoor er minder zoet water voor estuaria beschikbaar is, wat de zoutgehalte verhoogt en lokale ecosystemen verandert.

Ten tweede is de snelheid waarmee een rivier of stroom stijgt of daalt door regen en de reacties in het milieu ook dramatisch veranderd over de hele wereld. Het nieuwe model heeft deze hydrologische gedragsveranderingen nauwkeurig vastgelegd.

Een belangrijke kracht van het model is dat het neurale netwerken combineert—AI die is ontworpen om op een manier te leren die vergelijkbaar is met de menselijke hersenen—met fysische componenten die steunen op wiskundige vergelijkingen en natuurwetten, aldus Shen. Het fysische deel vertegenwoordigt belangrijke onderdelen van de watercyclus, waaronder neerslag, bodemint infiltratie, grondwateraanvulling, stroomafvoer en verdamping, wat het proces is waarbij water verdampt uit de bodem en uit planten als waterdamp transpiratie. Het neurale netwerk leert vervolgens de parameters die deze processen beheersen en kan in realtime aanpassen voor ontbrekende of vereenvoudigde componenten.

“Deze end-to-end aanpak is veel robuuster, vooral voor datatekorten regio’s waar het fysische deel basisgedrag garandeert,” voegde Shen toe. “Neurale netwerken zijn geweldig in het leren van grote data en het invullen van hiaten binnen de data die ze al hebben gezien, maar ze zijn niet zo goed in het voorspellen buiten dat bereik.”

“Daarom is het zo belangrijk om neurale netwerken te combineren met procesgebaseerde modellen die zijn gebaseerd op de fysica van hoe het systeem daadwerkelijk werkt, vooral wanneer we kijken naar mondiale patronen.” Deze nieuwe machine learning-aanpak vermindert ook enorm de handmatige inspanning die vroeger nodig was om modelparameters voor verschillende regio’s af te stemmen, merkte Shen op.

“Traditionele methoden waren traag, beperkt in reikwijdte en konden niet rechtstreeks leren van echte gegevens,” zegt Shen. “Parameterafstemming was een verhaal van zweet en tranen. Met differentieerbare programmering kunnen de gekoppelde neurale netwerken nu automatisch parameters genereren terwijl ze worden getraind met feedback van waarnemingen.”

Shen zei dat AI training op triljoenen parameters mogelijk maakt, wat ver voorbij wat voorheen mogelijk was. Dit biedt ongekende consistentie, snelheid en nauwkeurigheid vergeleken met eerdere technieken.

Shen stelt zich voor dat het model beslissingen over watergebruik, irrigatie, overstromingsbeheer en ecosysteemprotectie wereldwijd zal beïnvloeden. Toekomstige updates kunnen waterkwaliteit, nutriënttracking en 3D-grondwatermapping toevoegen.