Halverwege 2020 is er gestart met de ontwikkeling van een eerste versie van het datagedreven afvoervoorspelmodel van de Roer bij Stah (Duitsland). Dit model is erop gericht om tot 24 uur van tevoren piekafvoer te voorspellen. Hierbij wordt gebruikgemaakt van lineaire regressie. Dit is een statistisch proces waarbij er een lineair verband tussen twee hoeveelheden aangetoond wordt.

Begin 2021 is dit model geïmplementeerd bij Waterschap Limburg waarmee vervolgens het model getest kon worden in de praktijk. Dit model is gebaseerd op machine learning. Machine learning is een onderdeel van artificial intelligence en legt de focus op het gebruik van data en algoritmen, om verbanden te achterhalen. 

Aan de hand van de eerste versie werd inzicht gegeven in de afvoer (m3/s) bij Stah (Duitsland) voor de komende 24 uur. Tijdens de ontwikkeling van dit model werd echter al duidelijk dat er aan de ene kant bepaalde beperkende factoren zijn, zoals “voldoende” piek situaties (+120 m3/s) om het model op te kunnen trainen. Maar aan de andere kant zijn er ook verbetermogelijkheden om ondanks de beperkingen, het model verder te kunnen optimaliseren.

De recente hoogwatersituatie van de zomerperiode in 2021 heeft des te meer laten inzien, hoe waardevol het is om prognoses te krijgen over mogelijke hoogwatersituaties. Ondanks eventuele onvoorziene veranderingen (uitval) in de input data is er een robuust model nodig, dat accuraat en zo vroeg mogelijk deze informatie blijft aanleveren. Met dit in het achterhoofd zijn Royal HaskoningDHV en Waterschap Limburg aan de slag gegaan om deze informatiebehoefte te verbeteren aan de hand van data science technieken. Dit zijn technieken waarbij er uit data, inzichten worden verkregen.

De verbeterslag bestaat uit drie stappen:

• stap 1: optimalisatie van het model door middel van trainen met nieuwe data;
• stap 2: het robuuster maken van deze optimalisatie zodat het model in staat is om met veranderende input data om kan gaan;
• stap 3: doorontwikkeling van dit geoptimaliseerde model met additionele databronnen (neerslagprognoses).

Het doorontwikkelen van dit model zal eigenlijk altijd moeten gebeuren aan de hand van nieuwe input data.