Applications of Machine Learning and Geospatial Technology to Assessing Urban Flood Susceptibility: A Case Study of Wadi Hanifa, West of Riyadh City

In veel delen van de wereld groeien steden sneller dan het land onder hen kan verwerken. Wanneer zware regen valt op een landschap dat bedekt is met beton en asfalt, kan het water niet meer in de grond trekken zoals dat ooit was. In plaats daarvan raast het over het oppervlak, waarbij het snelheid en volume wint totdat het straten en kelders overstroomt. Dit is de essentie van stedelijke overstromingen, een crisis die frequenter wordt naarmate klimaatverandering intensere stormen brengt en snelle constructie de natuurlijke afwatering afsluit. Om mensen en eigendommen te beschermen, moeten stadsplanners precies weten waar water zich zal verzamelen en hoe diep het kan worden. Decennialang vertrouwden experts op kaarten en historische gegevens om deze risico's te raden, maar een nieuwe aanpak verandert het spel. Door satellietogen te combineren die door wolken heen kunnen kijken met krachtige computerprogramma's die leren van patronen, kunnen wetenschappers nu voorspellen met een precisie die voorheen onmogelijk was. Deze verschuiving stelt gemeenschappen in staat om van reageren op rampen naar het voorkomen ervan te gaan.

In het westen van Riyad, Saoedi-Arabië, paste een onderzoeker deze moderne toolkit toe op een specifieke uitdaging: het Wadi Hanifa-bekken. Deze vallei, die door de westelijke en centrale districten van de stad snijdt, is een natuurlijk kanaal voor water dat uit de nabijgelegen bergen stroomt. Hoewel het historisch gezien landbouw en nederzettingen heeft ondersteund, heeft de snelle expansie van Riyad een groot deel van deze vallei veranderd in een dichtbebouwd stedelijk gebied. De groei van de stad heeft geleid tot een situatie waarin zware regenval, die zeldzaam maar intens is, snel kan veranderen in gevaarlijke flash floods. De onderzoeker stelde zich ten doel om een gedetailleerde kaart te maken die precies laat zien welke wijken het meest waarschijnlijk zullen worden overstroomd. Ze vertrouwden niet op gokwerk of eenvoudige vuistregels. In plaats daarvan bouwden ze een digitaal model van het hele bekken, waarbij ze een enorme hoeveelheid informatie invoerden die verzameld was vanuit de ruimte en vanaf de grond.

De onderzoeker verzamelde gegevens uit vijf verschillende bronnen om een compleet beeld van het landschap te vormen. Ze gebruikten satellietbeelden om de soorten oppervlakken die de grond bedekken te zien, waarbij ze onderscheid maakten tussen groene vegetatie, kale bodem en de harde, ondoordringbare oppervlakken van gebouwen en wegen. Ze haalden radarbeelden binnen die water kunnen detecteren, zelfs wanneer de lucht bewolkt is, om er zeker van te zijn dat ze de werkelijke omvang van eerdere overstromingen konden zien. Ze incorporeerden ook een gedetailleerde 3D-kaart van het terrein om de helling en vorm van het land te begrijpen, samen met decennia aan neerslaggegevens om te zien waar de zwaarste stormen hebben getroffen. Ten slotte brachten ze de wegennetwerken in kaart, die zowel barrières als kanalen voor water kunnen fungeren. Met al deze informatie samengesteld, wenden ze zich tot een machine learning-algoritme, een type computerprogramma dat leert door middel van voorbeelden. Ze lieten de computer duizenden voorbeelden zien van gebieden die in het verleden overstroomd waren en duizenden voorbeelden van gebieden die droog waren gebleven. De computer analyseerde deze voorbeelden om de verborgen patronen te vinden die het landschap met het water verbinden.

De computer leerde dat het overstromingsrisico in deze regio wordt gedreven door een paar sleutelfactoren. De belangrijkste factor bleek de dichtheid van het afwateringsnetwerk te zijn. Gebieden met een hoge concentratie aan stromen en kanalen zijn eerder geneigd te overstromen omdat het water daar samenkomt, vooral tijdens zware regenval. De tweede cruciale factor is het type landbedekking. Wijken met veel gebouwen en geasfalteerde wegen, waar water niet in kan trekken, lopen een veel groter risico dan gebieden met meer grond of vegetatie. Regenintensiteit was de derde belangrijke drijfveer, wat bevestigde dat het loutere volume aan water dat in een korte tijd valt, een primaire oorzaak van het probleem is. De computer leerde ook dat de ruwheid van het terrein ertoe doet; gladdere, vlakkere gebieden laten water uitspreiden en zich verzamelen, terwijl ruwer terrein het kan vertragen. Andere factoren, zoals de richting van de helling of de exacte hoogte, speelden een rol maar waren minder doorslaggevend dan de drainage- en landgebruikpatronen.

Zodra de computer deze patronen had geleerd, paste deze ze toe op het gehele Wadi Hanifa-bekken om overstromingsrisico's voor elke plek op de kaart te voorspellen. De resultaten waren opvallend nauwkeurig. Wanneer de onderzoeker het model testte tegen real-world data, identificeerde het de overstroomde gebieden in 90 procent van de gevallen correct. Het model maakte succesvol onderscheid tussen plaatsen die zouden overstromen en plaatsen die dat niet zouden doen, wat bewees dat de combinatie van satellietgegevens en machine learning de complexe realiteit van stedelijke overstromingen kan vatten. De resulterende kaart verdeelt het bekken in vijf risicocategorieën, variërend van zeer laag tot zeer hoog. De analyse onthulde dat ongeveer 6,1 procent van het bekken een zeer hoog risico loopt, met nog eens 14,2 procent dat een hoog risico loopt. Deze gevarenzones liggen niet willekeurig verspreid; ze clusteren in specifieke, dichtbevolkte wijken.

De kaart identificeerde verschillende gemeenschappen die onmiddellijke aandacht vereisen. Gebieden zoals Center Uraija, Uraija, Derab, Ukaz, Marwwah, Uraid, Twaeeq-Etaigah en Hejrat Wadi Leban werden aangemerkt als zeer vatbaar voor stedelijke overstromingen. Deze wijken liggen in laaggelegen gebieden waar water van nature ophoopt, en ze worden omringd door uitgebreide netwerken van wegen en gebouwen die voorkomen dat water wegstroomt. De studie benadrukt dat dit geen theoretische risico's zijn; de voorspellingen van het model komen overeen met de werkelijke locaties waar overstromingen hebben plaatsgevonden. Bijvoorbeeld, toen er in april 2026 een grote overstroming plaatsvond, vielen de overgrote meerderheid van de geobserveerde overstromingspunten precies binnen de zones die het model als hoog of zeer hoog risico had gemarkeerd. Deze validatie geeft stadsbestuurders een krachtig instrument voor besluitvorming. Ze kunnen nu precies zien waar ze de afwatersystemen moeten versterken, waar ze de bouw van nieuwe constructies moeten beperken en waar ze prioriteit moeten geven aan noodplannen.

Dit onderzoek toont aan dat de toekomst van overstromingsbeheer ligt in het integreren van geavanceerde technologie met lokale kennis. Door machine learning te gebruiken om de complexe interactie tussen regen, terrein en menselijke ontwikkeling te analyseren, kunnen wetenschappers heldere, actiegerichte inzichten bieden om groeiende steden te beschermen. De studie beweert niet het probleem van overstromingen voor altijd opgelost te hebben, maar heeft een betrouwbare methode geboden om de meest kwetsbare plekken te identificeren. Voor de inwoners van Riyad en andere snel verstedelijkende steden betekent dit een verschuiving van hopen op het beste naar het bereiden voor het ergste met vertrouwen. De kaart dient als een gids, die laat zien waar het water naartoe zal gaan, zodat mensen beter kunnen bouwen, slimmer kunnen plannen en veilig kunnen blijven.