Het simuleren van grondwaterstanden met Machine Learning
- Opdrachtgever
- Waterschap Hunze & Aas
- Jaar
- 2020
- Locatie
- Veendam
Door data van grondwaterstanden te analyseren en te simuleren kunnen we het inzicht in het watersysteem verbeteren. Met Machine Learning technieken of tijdreeksanalyses kunnen wij het gedrag van grondwaterstanden als reactie op variabelen simuleren en verklaren. Het voordeel van deze methoden is dat ze de mogelijkheid bieden om op een efficiënte wijze de fluctuatie in grondwaterstanden te analyseren op locaties waar gemeten wordt. Je hebt namelijk alleen een historische meting nodig. Wij passen dit regelmatig toe om:
- na te gaan wat het effect van ingrepen in het hydrologisch systeem is, zoals het effect van onttrekkingen op de grondwaterstanden;
- grondwaterstanden in de nabije toekomst te voorspellen, gebaseerd op meteorologische vooruitzichten;
- missende data in grondwaterstand tijdreeksen op te vullen;
- grondwaterstanden op meetlocaties te simuleren om modelresultaten van hydrologische modellen te valideren.
- grondwaterstandsimulaties te maken als input voor andere modellen, bijvoorbeeld voor het maken van debietvoorspellingen in een stroomgebied.
De uitdaging
We helpen u graag met het opzetten van (real-time) Machine Learning modellen voor simulaties en voorspellingen. Hiervoor maken we gebruik van open-source software geschreven in Python. Het voordeel is dat dit soort software zowel geschikt is voor het verrichten van analyses als voor integratie in real-time voorspellingssystemen.
Een voorbeeld is Pastas. Pastas is een open-source tijdreeksanalyseprogramma dat ontwikkeld is in Python door Artesia en de TU Delft. Het is specifiek gericht op het modelleren van hydrologische tijdreeksen. Met behulp van Pastas is het mogelijk om één of meerdere tijdreeksen aan inputvariabelen te vertalen naar een grondwaterstand-tijdreeks. Dit wordt gedaan door middel van transfer-ruis modellering. Daarbij wordt elke inputreeks met behulp van een transferfunctie omgezet naar een component van de grondwaterstand. Daarnaast wordt het resterende gedeelte van de grondwaterstand beschreven met witte ruis. Alle componenten worden uiteindelijk opgeteld en vormen samen de uitvoerreeks (grondwaterstand), en de waarden van de parameters van de transferfunctie(s) worden geschat door het model te kalibreren op de uitvoerreeks.
Onze oplossing
Een voorbeeldproject waarbij tijdreeksanalyse is ingezet voor het simuleren en voorspellen van grondwaterstanden is de uitbreiding van het dashboard voor peilbeheer van Waterschap Hunze en Aas. In dit dashboard is onder andere een overzicht te zien van het verloop van de geobserveerde grondwaterstanden op verschillende meetlocaties binnen het beheergebied. Naast het historische verloop wordt nu op een aantal meetlocaties ook een voorspelling weergegeven. Daarmee wordt de reactie van de grondwaterstand op de voorspelde neerslag en het aangehouden oppervlaktewaterpeil gevisualiseerd.
Het resultaat
Voor iedere locatie is een Pastas model opgezet dat real-time gekalibreerd wordt. Om de dag worden de modellen gevoed met nieuwe observaties uit het veld en opnieuw gekalibreerd. In de modellen worden de dagelijkse neerslag, verdamping en indien van toepassing het oppervlaktewaterpeil van een nabije watergang als invoer genomen. Doordat het model zelflerend is ingericht, verbetert het zichzelf op basis van nieuwe inzichten.
Aansluitend op de kalibratie van de modellen worden een korte- en lange termijn voorspelling uitgevoerd. De korte-termijnvoorspelling heeft een duur van 12 dagen en wordt gevoed met een EPS-neerslagvoorspelling, de doorgetrokken huidige verdamping en het doorgetrokken huidige oppervlaktewaterpeil. De voorspelling voor de lange termijn beslaat de periode daarop tot een maand vooruit en wordt gevoed met de huidige doorgetrokken waterstand en scenario’s voor neerslag en verdamping gebaseerd op historische data.
Alle cases