Waterbeheerders gebruiken beslissingsondersteunende systemen (BOS) voor operationeel waterbeheer. Een belangrijke component van een BOS is een hydrologisch model dat op basis van weersverwachtingen, in combinatie met data-assimilatie, hydrologische verwachtingen genereert. In deze modellen wordt de werkelijkheid zo goed mogelijk, maar nooit perfect, nagebootst.
Voor het operationeel beheer is het nuttig om te achterhalen wat de oorzaak is van optredende fouten in de voorspellingen. Hiermee kan gericht worden gewerkt aan het verbeteren van het BOS. Daarnaast kan snel worden gehandeld als blijkt dat de voorspelling niet zozeer fout was, maar dat het watersysteem afwijkend gedrag vertoont door bijvoorbeeld een verstopping van een watergang. Tijdig herkennen van afwijkend gedrag in het watersysteem kan helpen schade en overlast te beperken. Wij hebben onderzocht of met Machine Learning fouten in verwachtingen herleid kunnen worden naar de oorzaak van de fout.
De Self-Organizing Map (SOM) is toegepast op twee verschillende manieren: locatie specifiek en gebiedsbreed. De hypothese is dat een fout in de dimensionering van een kunstwerk zal leiden tot stijging of daling van de waterstand en dus tot een verandering (afwijking ten opzichte van referentiesituatie) in het waterstandsverloop. Deze fout zal zich ook relatief lokaal presenteren ten opzichte van bijvoorbeeld een fout in de neerslagstatistiek, waarvan het effect over een groter gebied zichtbaar zal zijn.
In onderstaande afbeelding is het gebiedsbrede resultaat te zien. Het figuur laat blauwe clusteringen zien (dichtbij elkaar gelegen knooppunten), omringd door gele en rode cellen (ver van elkaar gelegen knooppunten). Door gebieden te selecteren wordt de inhoud van het cluster zichtbaar in het staafdiagram.
Bekijk de resultaten van beide analyses via onderstaande links:
Ai.hkvservices.nl/HDSR-locatiespecifiek
AI.hkvservices.nl/HDSR-gebiedbreed