De hydrologische systemen van de aarde vertonen een duidelijke dichotomie, waarbij extreme weersomstandigheden vaak de boventoon voeren: ofwel overstromingen ofwel droogte. Deze extremen zijn geen nieuw fenomeen, maar hun frequentie, intensiteit en spreiding nemen toe als gevolg van klimaatverandering. Wereldwijd hebben tussen 1995 en 2015 ongeveer 2,3 miljard mensen getroffen overstromingen ervaren, terwijl 1,1 miljard mensen getroffen werden door droogte (Ward et al., 2020). In India, een land dat gekarakteriseerd wordt door gevarieerde klimatologische omstandigheden, is maar liefst 28% van het grondgebied gevoelig voor droogte, wat resulteert in een potentieel verlies van 68% van het beschikbare landbouwgebied. Tegelijkertijd is ongeveer 12% van het land, inclusief 5161 stedelijke gebieden, kwetsbaar voor overstromingen (GOI, 2022; Samra, 2004).

Klimaatverandering heeft de frequentie en de duur van deze extreme weersomstandigheden al verhoogd. Wetenschappers stellen vast dat door de opwarming van de aarde, de frequentie van extreme neerslag gebeurtenissen toeneemt, wat zowel overstromingen als droogte verder verergert (Bisht et al., 2019). De hydrologische processen, die essentieel zijn voor het beheer van waterbronnen, worden steeds complexer door deze veranderingen. De toename van deze extremen wordt veroorzaakt door een verstoring van het natuurlijke klimaatregime, wat het voor veel landen, waaronder India, steeds moeilijker maakt om zich effectief aan te passen aan de variërende wateromstandigheden (Rohde, 2023).

In dit verband moeten hydrologische modellen een grotere rol spelen. Modellen zoals MODFLOW-NWT, ParFlow en GSFLOW zijn ontworpen om een koppeling te maken tussen grondwaterstroming en oppervlaktestroming, en bieden inzicht in de waterbalans en de invloeden van klimaatverandering op het waterbeheer (Niswonger et al., 2011; O’Neill et al., 2021). Deze modellen gebruiken geavanceerde technieken, zoals fysiek-geïnformeerde neurale netwerken, die een dieper begrip mogelijk maken van hoe water zich door verschillende omgevingen beweegt onder veranderende klimaatomstandigheden (Raissi et al., 2019).

Naast de bekende fysische modellen, beginnen wetenschappers machine learning en big data in te zetten om de effectiviteit van hydrologische analyses te verbeteren. Machine learning biedt de mogelijkheid om patronen in enorme hoeveelheden gegevens te identificeren, waardoor voorspellingen over waterbeheer kunnen worden verfijnd. Dit stelt onderzoekers in staat om te reageren op veranderende omgevingen met grotere nauwkeurigheid (Tsai et al., 2021; Sun & Scanlon, 2019). Door middel van dergelijke technologieën kunnen we niet alleen historische gegevens beter begrijpen, maar ook toekomstige scenario’s nauwkeuriger voorspellen, wat cruciaal is voor het anticiperen op klimaatgerelateerde extremen zoals droogte en overstromingen.

Het modelleren van de impact van klimaatsveranderingen op het waterbeheer vereist het gebruik van verschillende benaderingen en de integratie van verschillende wetenschappelijke disciplines. Bijvoorbeeld, de effecten van landgebruik en de bijbehorende veranderingen in de hydrologische cyclus moeten in overweging worden genomen, aangezien deze direct van invloed zijn op de waterkwaliteit en de beschikbaarheid van water (Trolle et al., 2019; Zessner et al., 2017). Het is belangrijk om hierbij de onvermijdelijke onzekerheden in de projecties van klimaatmodellen te begrijpen. Deze onzekerheden kunnen voortkomen uit de variëteit aan gebruikte scenario’s, modelparameters en de complexiteit van de interacties tussen menselijke en natuurlijke systemen. Het is van cruciaal belang dat wetenschappers zich niet alleen richten op het ontwikkelen van geavanceerde modellen, maar ook op het begrijpen van de beperkingen van deze modellen en het verbeteren van de validiteit van de uitkomsten door gedetailleerde kalibratie en validatie (Refsgaard, 1997; Sahoo et al., 2006).

De betrokkenheid van de samenleving bij het begrijpen en toepassen van hydrologische modellen is essentieel. Beleidsmakers moeten zich bewust zijn van de risico’s die voortvloeien uit het niet tijdig aanpassen aan de veranderende hydrologische omstandigheden. Het ontwikkelen van robuuste strategieën voor watervoorziening, irrigatiebeheer en het mitigeren van de gevolgen van extreme weersomstandigheden is noodzakelijk om de veerkracht van samenlevingen te versterken. Tegelijkertijd moeten we de impact van toekomstige klimaatscenario’s begrijpen en modelleren om de nodige voorbereidingen te treffen en adaptieve maatregelen te ontwikkelen. De integratie van fysieke modellen met nieuwe technologieën zoals kunstmatige intelligentie kan helpen om de onzekerheden te verkleinen en de voorspellingskracht van hydrologische analyses te verbeteren.

Endtext

Hoe Neurale Netwerken en Diep Leren de Hydrologie Verbeteren

Het proces van berekeningen in neurale netwerken (NN’s) volgt een gestructureerde reeks stappen. Ten eerste worden de ingangen van het netwerk vermenigvuldigd met gewichten. Deze gewogen invoeren worden vervolgens opgeteld met een bias, waarna de som wordt doorgegeven aan een activatiefunctie. Dit principe geldt voor eenvoudige neuronen, zoals in een netwerk met twee ingangen. Stel bijvoorbeeld dat we een neuron hebben met een sigmoïde activatiefunctie en specifieke parameters. Als we een invoerwaarde door dit neuron sturen, wordt de uitkomst bepaald door de gewogen som en de activatiefunctie. Dit proces wordt 'feedforward' genoemd. Het gebruik van deze architecturen binnen machine learning (ML) heeft veel mogelijkheden voor het oplossen van complexe problemen.

Diep leren (deep learning, DL) is een subveld van machine learning dat de laatste jaren veel aandacht heeft gekregen. Het werd in 1986 geïntroduceerd door Dechter en richt zich op netwerken die meerdere lagen van niet-lineaire verwerkingsunits bevatten. Deze lagen gebruiken de uitkomsten van eerdere lagen om steeds complexere patronen te herkennen en leren. Dit concept is essentieel voor toepassingen zoals kunstmatige neurale netwerken (ANN’s). Hoewel niet elke ANN diep is, zijn er netwerken, zoals recursieve ANNs, die potentieel onbeperkt diep kunnen zijn. Deze netwerken kunnen nuttig zijn bij het begrijpen van gegevens die moeilijk op andere manieren te interpreteren zijn. Een goed voorbeeld van diep leren is Deep Reinforcement Learning (DRL), waarbij agenten zelf leren hoe te handelen in een onbekende omgeving, met als doel hun cumulatieve beloning te maximaliseren. Dit zelflerende vermogen maakt DRL tot een krachtig hulpmiddel in dynamische en complexe omgevingen.

Een ander belangrijk type netwerk is het convolutionele neurale netwerk (CNN). Dit netwerk is speciaal ontwikkeld voor toepassingen waarin de ruimtelijke relatie tussen input- en outputneuronen van cruciaal belang is, zoals bij automatische beeldverwerking. In tegenstelling tot traditionele netwerken, die geen rekening houden met de nabijheid van neuronen, zijn CNN’s ontworpen om de visuele cortex van de hersenen na te apen. De neuronen in een CNN zijn georganiseerd in drie dimensies: hoogte, breedte en diepte, wat de ruimtelijke locatie van verbindingen tussen lagen weerspiegelt. Dit maakt CNN’s bijzonder geschikt voor visuele taken, zoals het classificeren van afbeeldingen of het herkennen van objecten in een afbeelding.

Support Vector Machines (SVM’s) bieden een andere krachtige benadering van machine learning. De basis van SVM’s ligt in de aanname dat ruis altijd aanwezig zal zijn in gegevens. Dit betekent dat gegevenspunten die weinig verschillen van een drempelwaarde, niet moeten worden meegenomen in regressieanalyses. Dit maakt SVM’s zeer geschikt voor het werken met "ruisachtige" gegevens, zoals bij de automatische herkenning van handgeschreven cijfers. Het concept van de "hypervlak" speelt hierbij een sleutelrol: een scheidingslijn in twee dimensies, een vlak in drie dimensies, die helpt om gegevens effectief te classificeren.

Beslissingsbomen zijn een andere techniek die in machine learning wordt gebruikt. Een beslissingsboom is een visuele representatie van uitkomsten gebaseerd op de relatieve belangrijkheid van verschillende inputvariabelen. Deze techniek maakt gebruik van vertakkingen die uitmonden in bladeren, waar de voorspellingen worden gedaan. Het proces begint vaak met een eenvoudige boomstructuur die vervolgens recursief wordt verfijnd door waarnemingen in kleinere subgroepen te verdelen. Het doel van dit proces is om een boom te creëren die de gegevens zo goed mogelijk voorspelt met behulp van drempelwaarden. De bekendste toepassing van beslissingsbomen is de classificatie en regressie, met de meest traditionele methode die wordt geïmplementeerd via de CART-techniek (Classification and Regression Tree).

Een populaire uitbreiding van de beslissingsboom is het random forest. Dit model bestaat uit meerdere beslissingsbomen, waarbij elke boom een voorspelling doet. De uiteindelijke voorspelling van het random forest is het gemiddelde van de voorspellingen van alle individuele bomen. Het random forest vermindert overfitting doordat het verschillende trainingssets gebruikt om elke boom te trainen. Dit wordt gedaan door een techniek die bekend staat als bagging (bootstrap aggregating), wat helpt de variatie in de voorspellingen te verminderen zonder de bias te verhogen.

De Gradient Boosting Machine (GBM) is een iteratief algoritme dat gebruik maakt van verschillende eenvoudige voorspellingsmodellen, bekend als "basisleerlingen". Deze modellen worden in de loop van de tijd aangepast om de fout van het vorige model te corrigeren. Het voordeel van deze aanpak is dat het algoritme zich blijft verbeteren door de fouten van vorige iteraties op te vangen en door nieuwe voorspellingsmodellen te integreren. Dit iteratieve proces blijft doorgaan totdat het gewenste aantal bomen is bereikt. GBM is vooral krachtig vanwege zijn vermogen om complexe patronen in gegevens te ontdekken en is zeer effectief in regressie- en classificatietaken.

In de hydrologie is machine learning een waardevol hulpmiddel geworden om voorspellingen te doen, vooral bij het analyseren van complexe hydrologische systemen. Verschillende ML-technieken, zoals ANNs, SVM’s en random forests, worden gebruikt om watergerelateerde problemen op te lossen, van het voorspellen van stroomafvoeren tot het begrijpen van het gedrag van watersystemen onder verschillende omstandigheden. ML biedt de mogelijkheid om enorme hoeveelheden gegevens snel te verwerken en te analyseren, wat essentieel is voor het maken van nauwkeurige voorspellingen in de hydrologie. Door gebruik te maken van de kracht van deze technologieën kunnen wetenschappers en ingenieurs nu veel effectiever inspelen op de uitdagingen die gepaard gaan met waterbeheer en andere hydrologische processen.

Hoe bouwt een stad aan veiligheid en verantwoordelijkheid tegelijk?
Wie was de Krabvrouw echt?
Hoe MEMS-fabricageprocessen de prestaties en betrouwbaarheid beïnvloeden: Etching, Micromachining en de Toepassingen
Wat is de rol van fractale differentiaalvergelijkingen in wetenschappelijke modellen?