Dynamic mapping of flood susceptibility and exposure associated with the El Niño phenomenon using machine learning and geospatial modeling in Trujillo, Peru

Overstromingen behoren tot de krachtigste en meest destructieve natuurkrachten, in staat om landschappen te hervormen en levens in enkele uren te ontwrichten. Voor gemeenschappen die in laaggelegen gebieden of nabij rivierdalen wonen, is de dreiging constant, maar het gevaar is niet uniform verdeeld over het land. Sommige plekken zijn van nature geneigd om water vast te houden, terwijl andere droog blijven, zelfs tijdens zware stormen. Traditioneel hebben wetenschappers deze risico's in kaart gebracht met statische afbeeldingen die laten zien welke gebieden over het algemeen kwetsbaar zijn op basis van hun vorm, hoogte en bodem. Deze kaarten missen echter vaak een cruciale realiteit: het risico verandert wanneer het weer verandert. Een heuvelrug die veilig is tijdens een lichte motregen, kan veranderen in een kolkende stroom tijdens een week van hevige regenval, en een vlakte kan pas overstromen als de neerslag intens genoeg is om de grond te overweldigen. Het begrijpen van waar mensen en gebouwen zich bevinden in relatie tot deze verschuivende risico's is essentieel voor de veiligheid van gemeenschappen, maar de meeste bestaande kaarten passen zichzelf niet aan wanneer het weer verandert.

In de droge kustprovincie Trujillo, Peru, is deze uitdaging bijzonder acuut. De regio is over het algemeen droog, maar wordt periodiek getroffen door intense regenvalgebeurtenissen die verbonden zijn aan het El Niño-fenomeen, een klimaatpatroon dat de Stille Oceaan opwarmt en het weer wereldwijd verandert. Deze zeldzame stormen kunnen droge ravijnen veranderen in razende rivieren, waardoor stedelijke wijken overstromen en infrastructuur beschadigen. Onderzoekers van de Nationale Universiteit van Trujillo en de Nationale Universiteit van Altiplano zetten zich in om het probleem van statische mapping op te lossen door een nieuwe manier te creëren om overstromingsrisico's te volgen die verandert met het weer. Ze wilden een systeem bouwen dat niet alleen kon identificeren welke delen van de stad van nature kwetsbaar zijn, maar ook dat risico in realtime kon bijwerken terwijl er nieuwe regen valt, terwijl het tegelijkertijd precies laat zien waar de mensen en gebouwen zich binnen die gevarenzones bevinden.

Om dit te bereiken, keken de onderzoekers terug naar drie grote overstromingsgebeurtenissen die Trujillo troffen in 2017, 2023 en 2025. In plaats van te vertrouwen op traditionele camera's die niet door wolken heen kunnen kijken, gebruikten ze radarbeelden van satellieten die de grond dag of nacht kunnen scannen, ongeacht het weer. Door beelden te vergelijken die vóór en na elke storm zijn genomen, waren ze in staat om de exacte voetafdrukken van het water te traceren terwijl het zich over het land verspreidde. Ze combineerden deze historische gegevens met gedetailleerde informatie over het terrein, zoals de helling van het land, de hoogte van de grond en de locatie van afwateringskanalen, evenals geologische gegevens over de rotsen en de bodem. Ze voerden ook gegevens over de regenval zelf in, waarbij ze de stormen onderverdeelden in verschillende duurperioden om te zien hoe korte, intense buien vergeleken werden met langere, gestage stortbuien.

De onderzoekers gebruikten vervolgens een vorm van computergestuurd leren, genaamd machine learning, om de patronen te vinden die de landschappen en het weer verbinden met de werkelijke overstromingen. Ze testten verschillende computermodellen om te zien welk model het beste kon voorspellen waar het water naartoe zou gaan. Eén model, bekend als Random Forest, bleek het meest accuraat. Het leerde te herkennen dat bepaalde combinaties van factoren — zoals een specifieke richting waarin het land ligt, de steilheid van een helling en de hoeveelheid regen — sterke indicatoren voor overstromingen waren. Dit model memoriseerde niet alleen de gebeurtenissen uit het verleden; het leerde de onderliggende regels van hoe water zich over het landschap van Trujillo beweegt. De analyse onthulde dat de richting waarin het land ligt, de hoeveelheid regen, de hoogte en de helling de belangrijkste factoren waren bij het bepalen van welke gebieden zouden overstromen.

Wat deze studie onderscheidt, is het vermogen om verder te gaan dan een enkele, onveranderlijke kaart. Zodra de computer de regels van de stormen uit het verleden had geleerd, toonden de onderzoekers aan dat ze de risicokaart eenvoudig konden bijwerken door nieuwe neerslaggegevens in te voeren, zonder de computer opnieuw te hoeven onderwijzen. Dit betekent dat als er een nieuwe storm toeslaat, het systeem onmiddellijk een nieuwe kaart kan genereren die laat zien waar het risico op dat moment het hoogst is. Ze testten dit door een scenario voor september 2026 te creëren. In dit bijgewerkte beeld was het risico niet gelijkmatig verdeeld; in plaats daarvan toonde een groot deel van het territorium een gemiddeld risiconiveau, wat meer dan de helft van het gebied besloeg. De gebieden met het hoogste risico waren echter kleiner, maar nog steeds significant, en ze overlapten met specifieke delen van de stad waar veel mensen wonen.

De studie bracht ook een menselijke dimensie naar de cijfers door bevolkingsgegevens en gebouwendichtheid over de overstromingskaarten te leggen. Hierdoor kon het team niet alleen zien waar het water naartoe zou gaan, maar ook wie erdoor getroffen zou worden. Bij de gebeurtenis in 2017 bevond meer dan de helft van de blootgestelde populatie zich bijvoorbeeld in gebieden met een hoog of zeer hoog risico. Daarentegen verschoof de verdeling bij de gebeurtenis in 2025, waarbij een groter deel van de populatie in gebieden met een gemiddeld risico zat. Bij het kijken naar de dynamische update voor september 2026, stelden de onderzoekers vast dat, hoewel de zone met een gemiddeld risico het merendeel van het land en de overgrote meerderheid van de populatie besloeg, de kleinere zones met een hoog risico nog steeds bijna 18 procent van de mensen en bijna 20 procent van het bebouwde oppervlak bevatten. Dit benadrukt dat zelfs een klein gebied met een hoog risico cruciaal kan zijn als het vol zit met woningen en bedrijven.

De onderzoekers concludeerden dat hun aanpak een krachtig instrument biedt voor besluitvormers. Door satellietradar, machine learning en realtime weergegevens te combineren, hebben ze een systeem gecreëerd dat de overstromingsgevoeligheid kan volgen naarmate deze evolueert. Dit dynamische overzicht helpt bij het identificeren van prioriteitsgebieden voor preventie en respons, en beweegt weg van het idee dat overstromingsrisico een vaststaand kenmerk van het landschap is. Hoewel de studie vertrouwt op computersimulaties en historische gegevens in plaats van realtime hydraulische metingen, biedt het een robuuste methode om te begrijpen hoe de interactie tussen het terrein en het weer de gevaren voor gemeenschappen vormgeeft. Voor een stad als Trujillo, waar de dreiging van plotselinge, intense regenval een terugkerende realiteit is, biedt een kaart die zichzelf kan bijwerken een helderder pad naar het beschermen van levens en eigendommen.