Hoogheemraadschap van Rijnland (Rijnland) beheert het water in het gebied tussen grofweg Velsen en Gouda. Dagelijks werkt Rijnland aan onder andere de waterveiligheid en voor schoon en gezond water. Er werken ongeveer 900 medewerkers bij Rijnland.
Rijnland loopt jaarlijks in de warme maanden tegen een probleem aan: blauwalg. Blauwalg groeit in stilstaande wateren waar veel zon op staat. Dit probleem is sterk toegenomen door de warme zomers en veranderende klimaatomstandigheden.
Eerdere onderzoeken toonden aan dat watertemperatuur en stroming invloed hebben op de groei van blauwalg. Het grootste probleem is dat de plotselinge groei van blauwalg vaak onverwacht is, wat resulteert in een verminderde betrouwbaarheid van waarschuwingen en negatieve zwemadviezen. Waterschap Rijnland zocht naar een manier om de groei van blauwalg beter te voorspellen en de betrouwbaarheid van zwemadviezen te verbeteren.
Hoe kunnen we de groei van blauwalg beter voorspellen met de huidige beschikbare data? Deze vraag vormde de kern van het onderzoeksproject, waarbij wij machine learning gebruikten om gegevens over waterkwaliteit en weersomstandigheden te analyseren.
We verzamelden en structureerden gegevens van waterkwaliteit en de weersomstandigheden tussen 2010 en 2020. Dit inclusief de waarden van temperatuur, stikstof, fosfor, cyaanchlorofyl en toxisch volume van blauwalgen. Daarnaast werden dagelijkse weersomstandigheden zoals windrichting, snelheid, temperatuur en neerslag geanalyseerd.
Waterkwaliteit als “system state”
De waterkwaliteit, vooral temperatuur en doorzicht, bleek een stabiele factor te zijn, wat verklaart waarom de waterkwaliteit meestal in een steady state verkeert.
Locatie-eigenschappen
De diepte, oppervlakte en ondergrond van de waterlocatie zijn cruciaal voor de snelheid waarmee blauwalg kan groeien of afsterven onder ideale omstandigheden.
Weer als modifier
Weersomstandigheden beïnvloeden het groeiprofiel en kunnen samen met locatie-eigenschappen helpen voorspellen wat de groei of afname van blauwalgen zal zijn.
Voorspellingsduur
De nauwkeurigheid van onze voorspellingen nam nauwelijks af bij een langere voorspellingsperiode (tot 7 dagen), wat suggereert dat vaker meten de prestaties van het model zou kunnen verbeteren.
Onze analyse liet zien dat het model goed presteerde bij stabiele omstandigheden, maar er waren uitdagingen bij extreme situaties en plotselinge veranderingen. Het model is sterk afhankelijk van eerder gemeten waterkwaliteit en meer en regelmatiger meten zou de nauwkeurigheid kunnen verbeteren.
We hebben verschillende mogelijkheden geïdentificeerd om onze voorspellingsmodellen verder te verfijnen. Een belangrijke kans ligt in de integratie van real-time satellietgegevens en meer frequente metingen. Dit zou kunnen leiden tot een dagelijkse voorspelling van blauwalg via een website of API, gekoppeld aan de IT-systemen van Rijnland. Hiermee kunnen nauwkeurigere waarschuwingen en adviezen worden gegeven aan zwemmers en waterbeheerders.
Ons onderzoeksproject voor Rijnland heeft aangetoond dat het mogelijk is om met beschikbare data en machine learning technieken de groei van blauwalg redelijk nauwkeurig te voorspellen als er voldoende data beschikbaar is over meerdere jaren. Dit helpt bij het verbeteren van waarschuwingen en het nemen van preventieve maatregelen, wat uiteindelijk bijdraagt aan een veiligere zwemomgeving. Bij Phinion blijven we werken aan het verbeteren van onze modellen en het verkennen van nieuwe mogelijkheden om data en technologie in te zetten voor beter waterbeheer.
Bij Phinion geloven we dat, hoewel machine learning vaak wordt gezien als een ‘black box’, de resultaten van groot belang zijn voor het waterbeheer. Het begrijpen van deze voorspellingen helpt bij het nemen van maatregelen om zwemmers te beschermen. We nodigen daarom na dit project bij Rijnland andere waterschappen uit om na te denken over andere toepassingen van machine learning binnen hun werkgebied.