Inzichten voor Waterschappen
VORtech heeft deelgenomen aan de data challenge die is uitgeschreven door een aantal waterschappen in Noord-Holland in samenwerking met Rijkswaterstaat. Onze inzending, de WaterCorrelator, geeft waterbeheerders inzicht in de impact die maatregelen kunnen hebben.
De klant
In 2017 heeft een aantal waterschappen in Noord-Holland samen met Rijkswaterstaat een data-challenge “Slim Watermanagement” uitgeschreven. Waterschappen beheren het water in hun gebied: ze zorgen ervoor dat de inwoners droge voeten houden en dat de kwaliteit van het oppervlaktewater goed is.
De uitdaging
Waterbeheerders bij de waterschappen hebben de verantwoordelijkheid over een complex watersysteem waarbij de impact van maatregelen niet altijd direct duidelijk is. Bovendien kunnen gebeurtenissen in het watersysteem van het ene waterschap gevolgen hebben bij een ander waterschap. Daarom hebben beheerders behoefte aan een beter begrip van de onderlinge relaties tussen allerlei grootheden in en om hun beheergebied.
De oplossing
VORtechs inschrijving voor de challenge was de WaterCorrelator: een tool waarmee waterbeheerders snel verbanden kunnen opsporen tussen allerlei gegevens in hun beheergebied.
De WaterCorrelator combineert een breed scala aan publieke en private gegevens onder één dashboard. Het systeem rekent uit wat de relevante verbanden zijn en presenteert het die op een intuïtieve manier aan de gebruiker.
Het vervolg
De WaterCorrelator, die voor de data challenge is gemaakt, is een eenvoudig prototype. In opdracht van Rijkswaterstaat en Waterschap Brabantse Delta werkt VORtech momenteel verder aan het toepassen van data science om inzicht te krijgen in de relatie tussen het peil in het Volkerak-Zoommeer en het beheergebied van het waterschap.
Voorspellen met Machine Learning
Naast het toepassen van de WaterCorrelator wordt er gefocust op het voorspellen van (veranderingen in) waterhoogtes in het beheergebied van het waterschap. Hierbij is het allereerst van belang om voldoende en adequate databronnen mee te nemen, zoals waterhoogtes op verschillende locaties uit het verleden en externe parameters zoals regenval, verdamping en debieten. Al deze databronnen kunnen gebruikt worden om verschillende machine-learning algoritmes te trainen, waarna deze algoritmes ingezet kunnen worden om te gaan voorspellen.
In de onderstaande figuur is te zien hoe we voor een bepaalde periode in de tijd de verandering in waterhoogte met verschillende machine-learning modellen voorspellen. Tevens is hier voor iedere dag te zien hoe goed de voorspelling overeenkomt met de daadwerkelijke meting.
De waterbeheerder kan met deze voorspellingen dus direct zien of er overstromingen of juist watertekort aan zitten te komen. Hiermee kan hij of zij gewenste maatregelen nemen (bijvoorbeeld een of meerdere sluizen openen of sluiten), zodat de negatieve impact van zo’n extreem op het gebied verkleind wordt.