Integrating Time Series, Remote Sensing and Computational Intelligence for Flood Prediction in a Data-Scarce Tropical Floodplain of the Lower Magdalena River Basin, Colombia

Overstromingen zijn een terugkerende en vaak verwoestende natuurkracht, vooral in tropische regio's waar zware seizoensregens en verschuivende klimaatpatronen rivieren kunnen veranderen in overweldigende vloedgolven. In veel delen van de wereld is het moeilijk te voorspellen wanneer en waar deze wateren zullen stijgen, omdat de netwerken van weerstations die neerslag en rivierstanden bijhouden vaak schaars zijn, waardoor er grote gaten in de gegevens vallen. Om deze hiaten op te vullen, wenden wetenschappers zich steeds vaker tot een combinatie van satellietbeelden, die het landschap van bovenaf kunnen zien, en geavanceerde computerprogramma's die in staat zijn complexe patronen in rommelige informatie te vinden. Het doel is om verspreide datapunten te transformeren naar een compleet, continu beeld van het landschap, zodat gemeenschappen gevaar kunnen voorzien voordat het water arriveert. Deze uitdaging is bijzonder acuut in gebieden zoals het lager gelegen bekken van de Magdalena-rivier in Colombia, een uitgestrekte, vlakke overstromingsvlakte waar het ritme van de seizoenen het leven bepaalt, maar waar betrouwbare, realtime informatie vaak moeilijk te verkrijgen is.

In een recente studie gericht op deze specifieke regio ontwikkelden onderzoekers een nieuwe manier om overstromingscondities te voorspellen door langetermijngegevens van grondstations, satellietwaarnemingen en intelligente computermodellen met elkaar te verweven. Het team, onder leiding van Jaime Alberto Parra-Plazas en collega's, werkte in de gemeente Santa Cruz de Mompós, een gebied dat wordt gekenmerkt door laagliggend terrein en een duidelijk nat en droog seizoen. Ze verzamelden decennia aan historische gegevens, reikend van 1980 tot 2022, die maandelijkse neerslagtotalen en rivierwaterstanden bevatten die door ongeveer 68 verschillende stations werden geregistreerd. Omdat deze gegevens ontbrekende dagen en incidentele fouten bevatten, moesten de onderzoekers de gegevens eerst opschonen en organiseren, waarbij ze de lege plekken invulden om een betrouwbare basis voor hun werk te creëren. Vervolgens gebruikten ze twee verschillende wiskundige methoden om deze verspreide stationmetingen om te zetten in gladde, continue kaarten van de gehele overstromingsvlakte. De ene methode, bekend als inverse distance weighting, schat waarden in op basis van hoe dicht een punt bij een bekend station ligt, terwijl de andere, genaamd ordinary kriging, statistische relaties tussen de datapunten gebruikt om een meer geografisch verbonden oppervlak te creëren.

Zodra deze kaarten waren gemaakt, werden de onderzoekers geconfronteerd met een nieuwe uitdaging: de enorme hoeveelheid informatie. De kaarten bevatten duizenden datapunten voor elke maand, wat het voor computermodellen moeilijk maakt om efficiënt van de gegevens te leren. Om dit op te lossen, gebruikten ze een techniek genaamd principal component analysis, die werkt als een filter om de belangrijkste patronen in de gegevens te behouden terwijl ruis en redundantie worden weggefilterd. Dit verminderde de complexiteit van het probleem zonder de essentiële vorm van de neerslag- en waterstandpatronen te verliezen. Met de vereenvoudigde gegevens trainden ze twee soorten kunstmatige intelligentie-modellen om te voorspellen hoe de kaarten er in de toekomst uit zouden zien. Het eerste model, een kunstmatig neuraal netwerk, is ontworpen om de manier na te bootsen waarop het menselijk brein leert van voorbeelden, waardoor het goed is in het herkennen van complexe, niet-lineaire relaties. Het tweede model, support vector regression, is een ander soort leermiddel dat uitblinkt in het vinden van de beste lijn of curve die bij een reeks datapunten past. Het team trainde deze modellen op gegevens van 2000 tot 2021 en testte ze vervolgens door hen te vragen de condities voor het jaar 2022 te voorspellen, een jaar dat ze tijdens de training nog niet aan de computers hadden getoond.

De resultaten toonden aan dat er niet één enkele "beste" manier is om elk type overstromingsconditie te voorspellen; in plaats daarvan hangt de juiste aanpak volledig af van wat er wordt gemeten. Wanneer het doel het voorspellen van neerslag was, werkte de methode die het beste combineerde met de inverse distance weighting-kaart met het neurale netwerkmodel. Deze combinatie was bijzonder goed in het vastleggen van de grillige, onregelmatige aard van regen, waarbij de scherpe lokale verschillen behouden bleven waar de ene plek nat kan zijn terwijl een andere droog blijft. Echter, wanneer het doel verschoof naar het voorspellen van rivierwaterstanden, veranderde het verhaal. Water in een rivier stroomt en verbindt zich over een groot gebied, wat een gladdere, meer continue structuur creëert dan regen. Hiervoor produceerde de ordinary kriging-methode in combinatie met het neurale netwerk de meest nauwkeurige en fysiek zinvolle resultaten. Deze aanpak behield de brede, regionale stroming van het water, waardoor de voorspelde kaarten eruit zagen als een echt riviersysteem in plaats van een verzameling geïsoleerde punten. Opvallend genoeg produceerde het andere model, support vector regression, soms iets lagere numerieke fouten in specifieke tests, maar het had de neiging de details te veel af te vlakken, waardoor de kaarten minder leken op het echte, dynamische gedrag van de overstromingsvlakte.

De studie concludeerde dat de meest effectieve strategie niet is om één hulpmiddel alles te laten doen, maar om de methode af te stemmen op de fysieke aard van het probleem. Voor de chaotische, onsamenhangende aard van neerslag is een systeem dat lokale variaties respecteert essentieel. Voor de verbonden, stromende aard van rivierstanden is een systeem dat regionale continuïteit prioriteert superieur. De onderzoekers ontdekten dat door zorgvuldig te kiezen hoe ze ruwe gegevens omzetten in kaarten en welk computermodel ze gebruiken, ze een betrouwbaar, reproduceerbaar systeem voor overstromingsvoorspelling konden creëren, zelfs in gebieden met zeer weinig weerstations. Dit kader biedt een praktische weg voorwaarts voor gemeenschappen in datarme tropische regio's, door een manier te bieden om gedetailleerde, ruimtelijk expliciete voorspellingen te genereren die vroegtijdige waarschuwingssystemen kunnen ondersteunen en mensen kunnen helpen zich voor te bereiden op de stijgende wateren die het leven in de overstromingsvlakte bepalen. Het werk suggereert dat de toekomst van overstromingsvoorspelling niet ligt in één enkel magisch algoritme, maar in een doordachte integratie van verschillende instrumenten, elk gekozen vanwege hun vermogen om een specifieke waarheid over het landschap te onthullen.