Hydrologisch model: hoe computers voorspellen waar het water heen gaat
Een hydrologisch model is een computerprogramma dat nabootst wat er met regenwater gebeurt zodra het de grond raakt: hoeveel er verdampt, hoeveel er de bodem in zakt naar het grondwater, en hoeveel er over het oppervlak wegstroomt naar beken en rivieren. Het model rekent dit uit voor een heel stroomgebied — het gebied waaruit al het water via sloten, beken en rivieren naar één punt afwatert — en doet dat niet voor één moment, maar voor uren, dagen of zelfs decennia vooruit of terug in de tijd.
Een handige vergelijking is een weersvoorspelling, maar dan voor water in plaats van lucht. Waar een weermodel berekent hoe wolken en wind zich door de atmosfeer bewegen, berekent een hydrologisch model hoe een regenbui zich door een rivierbekken beweegt. Valt er 40 millimeter regen in de Ardennen, dan kan zo'n model uitrekenen wanneer en hoe hoog de Maas bij Maastricht daardoor gaat staan, dagen voordat het water daar daadwerkelijk aankomt. Dat is precies waarom waterbeheerders, boeren en beleidsmakers deze modellen gebruiken: om te weten wat er met water gaat gebeuren voordat het gebeurt.
Wat is het precies?
Een hydrologisch model begint met invoergegevens: neerslag (uit meetstations, radar of satellieten), temperatuur, verdamping, bodemtype, begroeiing en het reliëf van het landschap. Op basis daarvan simuleert het de zogeheten waterkringloop: infiltratie (water dat de bodem intrekt), oppervlakteafstroming (water dat over de grond naar een beek loopt), grondwaterstroming, sneeuwsmelt, en uiteindelijk de afvoer door rivieren.
Er bestaan grofweg twee families. Een 'lumped' model behandelt een heel stroomgebied als één simpele rekeneenheid met gemiddelde eigenschappen — snel te rekenen, maar grof. Een 'gedistribueerd' model verdeelt het gebied in duizenden kleine vakjes (rastercellen) van bijvoorbeeld 100 bij 100 meter, en rekent voor elk vakje apart uit hoe het water zich gedraagt. Dat is realistischer, maar vraagt veel meer rekenkracht en gedetailleerde data over bodem en landgebruik.
Modellen worden vervolgens gekalibreerd: onderzoekers vergelijken de berekende waterafvoer met wat er in het verleden werkelijk gemeten is, en stellen de parameters bij totdat het model de historische werkelijkheid goed benadert. Pas daarna wordt het model gebruikt om iets te voorspellen wat nog niet gemeten is, zoals een naderende hoogwatergolf of het effect van een langdurige droogte over twintig jaar. De laatste jaren worden traditionele, op natuurkundige vergelijkingen gebaseerde modellen steeds vaker aangevuld met machine learning: neurale netwerken die patronen leren uit enorme hoeveelheden historische meetdata, soms met verrassend goede resultaten, vooral in gebieden waar weinig meetstations staan.
Wat wil men ermee bereiken?
De belangrijkste toepassing is vroegtijdige waarschuwing voor overstromingen: hoe eerder je weet dat een hoogwatergolf eraan komt, hoe meer tijd inwoners en hulpdiensten hebben om te evacueren of dijken te versterken. Aan de andere kant van het spectrum helpen dezelfde modellen bij droogtebeheer: ze voorspellen wanneer rivieren te weinig water dreigen te krijgen voor drinkwater, landbouw of scheepvaart.
Daarnaast zijn hydrologische modellen onmisbaar bij het ontwerpen van infrastructuur: hoe hoog moet een dijk zijn, hoe groot moet een rioolbuis of een wateropvangbekken zijn om een regenbui van 'eens in de honderd jaar' aan te kunnen? En bij klimaatonderzoek gebruiken wetenschappers deze modellen om te schatten hoe rivierafvoeren, grondwaterstanden en overstromingsrisico's veranderen naarmate het klimaat opwarmt en neerslagpatronen verschuiven. In Nederland vormen deze modellen de rekenkundige basis onder het Deltaprogramma, waarin het Rijk beslist hoe het land tot 2100 en daarna beschermd blijft tegen te veel én te weinig water.
Voorbeelden uit de praktijk
Delft-FEWS, ontwikkeld door het Nederlandse onderzoeksinstituut Deltares, is het voorspellingssysteem dat Rijkswaterstaat gebruikt om hoogwater op de Rijn en de Maas te voorspellen; het combineert meetdata met hydrologische modellen van bovenstroomse landen om dagen van tevoren waterstanden in Nederland te berekenen.
In de Verenigde Staten draait sinds 2016 het National Water Model van de Amerikaanse weerdienst NOAA, gebouwd op het WRF-Hydro-raamwerk dat mede is ontwikkeld met het National Center for Atmospheric Research (NCAR). Het berekent continu de verwachte afvoer voor miljoenen riviersegmenten door het hele land, van kleine beken tot de Mississippi.
In Europa draait sinds de jaren 2010 het European Flood Awareness System (EFAS), onderdeel van het Europese Copernicus-programma en beheerd door het Joint Research Centre van de Europese Commissie samen met het Europees Centrum voor Weersvoorspellingen (ECMWF). EFAS combineert hydrologische modellen met weersvoorspellingen om nationale waterbeheerders in heel Europa vroegtijdig te waarschuwen voor grensoverschrijdende hoogwatergolven.
Een recenter voorbeeld is het werk van Google Research, dat rond 2021 in het wetenschappelijk tijdschrift Nature een op kunstmatige intelligentie gebaseerd overstromingsmodel publiceerde. In plaats van traditionele natuurkundige vergelijkingen gebruikt dit systeem neurale netwerken die getraind zijn op historische meetreeksen van duizenden rivieren wereldwijd; het werd de jaren daarna via de Flood Hub-dienst uitgebreid naar tientallen landen, ook waar traditionele modellen door gebrek aan lokale meetdata slecht presteren.
Ook in de landbouw spelen hydrologische modellen een rol: het SWAT-model (Soil and Water Assessment Tool), ontwikkeld door het Amerikaanse landbouwministerie, wordt sinds de jaren negentig wereldwijd gebruikt om te berekenen hoe landgebruik en bemesting de waterkwaliteit en waterbeschikbaarheid in stroomgebieden beïnvloeden.
Hoe ver is de techniek?
Hydrologische modellen bestaan al sinds de jaren zestig; het Stanford Watershed Model, in 1966 ontwikkeld door Norman Crawford en Ray Linsley, geldt als een van de eerste computermodellen van een compleet stroomgebied. Sindsdien is de techniek enorm verfijnd: waar vroeger een heel stroomgebied als één simpele bak water werd behandeld, rekenen moderne modellen met rastercellen van enkele tientallen meters, gevoed door satellietbeelden, weerradar en steeds dichtere netwerken van sensoren.
De grootste recente verschuiving is de opkomst van machine learning naast, of in combinatie met, klassieke natuurkundige modellen. Onderzoek laat zien dat neurale netwerken soms beter presteren dan traditionele modellen, vooral in gebieden zonder lange meetreeksen, omdat ze patronen kunnen overnemen van goed gemeten rivieren elders. Dat is veelbelovend, maar ook omstreden: een neuraal netwerk 'begrijpt' de fysica niet, en het is lastiger te doorgronden waarom het een bepaalde voorspelling doet, wat voor beslissingen over evacuaties een reëel nadeel is.
De belangrijkste resterende obstakels zijn data-armoede in grote delen van de wereld (met name in ontwikkelingslanden ontbreken lange, betrouwbare meetreeksen), de rekenkracht die nodig is voor fijnmazige modellen op continentale schaal, en klimaatverandering zelf: modellen die gekalibreerd zijn op het verleden voorspellen minder betrouwbaar een toekomst met extremere, ongekende weerpatronen. Onzekerheid hoort dan ook altijd bij een voorspelling; serieuze systemen geven daarom niet één getal, maar een bandbreedte of kans.
Wie werken eraan?
In Nederland is Deltares in Delft het belangrijkste onderzoeksinstituut op dit gebied, in nauwe samenwerking met Rijkswaterstaat, het KNMI en universiteiten als Wageningen University & Research (bekend van onder meer het SWAP-bodemwatermodel) en de TU Delft. Internationaal zijn de Amerikaanse dienst NOAA en de geologische dienst USGS grote spelers, evenals de Europese instanties ECMWF en het Joint Research Centre van de Europese Commissie, die samen het Copernicus-programma voor rampenbeheersing draaien. Ook techbedrijven mengen zich in het veld: Google Research investeert sinds enkele jaren in AI-gedreven overstromingsvoorspelling met wereldwijde dekking. Daarnaast dragen de World Meteorological Organization (WMO) en tal van nationale waterdiensten wereldwijd bij aan standaarden, datadeling en samenwerking tussen landen die dezelfde rivieren delen.