Twittergebruik helpt bij voorspellen wateroverlast
Hevige regenbuien kunnen ervoor zorgen dat straten blank komen te staan en kelders en tunnels onderlopen. Jan van Rijn onderzocht met Christiaan Lamers (voorheen Universiteit Leiden) en Ton Beenen (STOWA, RIONED) hoe data science kan helpen te voorspellen welke gebieden een groter risico hebben op wateroverlast. De eerste resultaten presenteerde Van Rijn op 28 januari op het congres van de koepelorganisatie voor stedelijk waterbeheer RIONED.
GPS-signalen
Met behulp van de KNMI-neerslagradarmetingen, de Algemene Hoogtekaart van Nederland en meldingen van regenwateroverlast op Twitter ontwikkelden ze een model dat voorspellingen over wateroverlast kan doen. ‘Door de neerslagmetingen met de terreinkenmerken te combineren, weet je alle factoren die bij wateroverlast optreden,’ legt Van Rijn uit. ‘Maar om een computermodel te laten voorspellen waar er daadwerkelijk wateroverlast zal optreden, moet het voorbeelden hebben. We hebben daarom Tweets gebruikt waarin over wateroverlast gesproken wordt. Doordat er een GPS-signaal aan de Tweets verbonden is, kunnen we deze meldingen combineren met de gegevens die we uit de kaarten halen en kan het model leren welke gegevens leiden tot Tweets over wateroverlast en welke niet. Uiteindelijk moet het model daardoor voor een bepaalde plaats en een hoeveelheid neerslag kunnen voorspellen of er wateroverlast zal optreden.’
Verbeterpunten
De eerste resultaten lijken positief. Van Rijn laat zien dat de accuraatheid van het model op 57,9% ligt: ‘Als het model zou gokken, zou dat 50% moeten zijn, omdat er maar twee mogelijkheden zijn: wel of geen wateroverlast. Dat betekent dat het model verbanden ziet tussen de gegevens en dat deze manier van werken potentie heeft.’ Wel benadrukt Van Rijn dat het model nog een concept is en doorontwikkeld moet worden: ‘Dit is echt nog maar een eerste stap.’
Om het model in de praktijk te kunnen gebruiken, zijn er aanpassingen nodig. ‘Tweets zijn een vrij onbetrouwbare manier om te meten waar wateroverlast ontstaat,’ legt Van Rijn uit. ‘Om precieze en goede voorspellingen te kunnen doen, zullen we gebruik moeten maken van andere gegevens. Denk bijvoorbeeld aan schadeclaims die verzekeraars ontvangen, satellietdata of zelfs sensoren in de stad die meten wanneer er hoeveel water op de straat staat. Een ander verbeterpunt is dat we in deze versie hebben gewerkt met de totale hoeveelheid neerslag die op een dag valt, terwijl het voor het ontstaan van wateroverlast natuurlijk veel uitmaakt of die neerslag over de hele dag verspreid of in één uur valt. In een volgende versie willen we daarom die informatie opnemen, zodat de voorspellingen preciezer worden.’
Voorkomen is beter dan genezen
Hoewel het model nu dus nog vooral een concept is, ziet Van Rijn mogelijkheden: ‘Dit model laat de potentie van data science bij watermanagement zien. Met een computermodel kunnen we straks voorspellen welke plaatsen kwetsbaar zijn, waardoor we meer kunnen inzetten op preventie. Zo kunnen we bijvoorbeeld voorspellend onderhoud aan riolen en dijken plegen of problemen bij het afvoeren van water oplossen. Bovendien kan het ons inzicht geven in de effecten van droogte, waar we in de laatste jaren ook steeds vaker mee te maken hebben.’
Tekst: Chris Flinterman