Uitdaging
Nederland staat voor een groeiend waterbeheerprobleem: het grondwaterpeil zakt in droge zomers te ver weg, wat leidt tot uitdroging van landbouwgrond, natuurgebieden en stedelijke groene zones. Door klimaatverandering worden deze droge periodes steeds frequenter en heviger.
Een belangrijke strategie om dit tegen te gaan, is het vasthouden van regenwater op de plek waar het valt. Dit betekent dat regenwater niet direct moet worden afgevoerd via het oppervlaktewatersysteem, maar lokaal moet worden vastgehouden om de grondwaterspiegel te verhogen.
Om effectieve maatregelen te nemen, hebben we echter nauwkeurige gegevens nodig over waar water wordt vastgehouden en hoe het zich verplaatst. Huidige topografische kaarten schieten hierin tekort, vooral buiten stedelijke gebieden. Dit belemmert het vermogen van waterschappen om gedetailleerde modellen te maken en gerichte maatregelen te treffen.
Innovatieve oplossing: RCNN-gebaseerde data-analyse
State-of-the-art AI-technieken, zoals Region-based Convolutional Neural Networks (RCNN), bieden een oplossing. Deze techniek kan op basis van satellietbeelden en luchtfoto’s automatisch verschillende typen vegetatie en bodemstructuren identificeren, zoals heide, gras, zand, bomen en agrarische gewassen. Hierdoor kunnen we gedetailleerde kaarten genereren van microreliëf, infiltratiecapaciteit en ruwheden (Manning-coëfficiënten).
Voorbeeld uit Otterlo
Samen met het waterschap Vallei en Veluwe hebben we een testgebied nabij Otterlo geanalyseerd. De eerste afbeelding toont de huidige situatie volgens de topografische kaart “Fysiek voorkomen 2023” (STOWA, waterschadeschatter).
De tweede afbeelding toont het resultaat van het RCNN-model. Hieruit blijkt dat veel minder heide (paars) aanwezig is in dit gebied dan de topografische kaart doet vermoeden. Dit heeft directe gevolgen voor de hoeveelheid microreliëf en daarmee de waterberging in het gebied.
Het effect van deze verschillen op waterstanden bij een regenbui van 30 mm is weergegeven in de volgende afbeelding. Meer water stroomt af van rechts naar links, wat leidt tot hogere waterstanden (rood) in het gebied links, ten koste van het hoger gelegen gebied rechts (blauw).
Verwachte voordelen
- Betere dataresolutie: Grote homogene vlakken (zoals één categorie “heide”) worden vervangen door fijnmazige grids met unieke waarden per cel.
- Gerichte maatregelen: Waterschappen kunnen nauwkeuriger zien waar water wordt vastgehouden en waar kansen liggen om dit te verbeteren.
- Open innovatie: De ontwikkelde modellen en methodologieën worden open source gedeeld, zodat andere waterschappen en experts ze kunnen gebruiken en verbeteren.
Toepassing en toekomst
Deze aanpak biedt direct bruikbare resultaten voor waterschappen, zoals het waterschap Vallei en Veluwe. Bovendien kan het model als blauwdruk dienen voor een landelijke uitrol. Door deze technologie op grotere schaal toe te passen, kunnen waterschappen hun grondwaterbeheer verbeteren en bijdragen aan een duurzamer watersysteem.
Daarnaast stimuleert het open source karakter van dit project samenwerking en kennisdeling binnen de watersector, waardoor innovatieve oplossingen sneller kunnen worden ontwikkeld.
Open source data
Het ontwikkelde RCNN-model is beschikbaar in het open-source formaat Open Neural Network Exchange (ONNX). Dit model kan worden gebruikt in platforms zoals PyTorch. De data en resultaten zijn toegankelijk via de Tygron GeoShare en bevatten onder andere:
- Gedetailleerde GeoTIFF-bestanden van het Veluwe-gebied (40x40 km) met een resolutie van 1x1 meter.
- Kaarten van microreliëf, strooisellagen en gecombineerde lagen.
Met deze data kunnen waterschappen en andere belanghebbenden direct aan de slag om regenwater beter lokaal vast te houden en zo bij te dragen aan een robuuster waterbeheer voor de toekomst.
Meer weten?
