Data science gebruiken om wateroverlast te voorspellen

Kunnen we data science inzetten om hemelwateroverlast in stedelijk gebied te voorspellen of modelleren? STOWA en Stichting RIONED hebben hier het afgelopen jaar samen met het Advanced Data Science Lab (ADSL) van de Universiteit Leiden verkennend onderzoek naar gedaan. De resultaten zijn veelbelovend.

Data science, en in het bijzonder machine learning, is een vakgebied waarin technieken worden ontwikkeld die trends in data kunnen ontdekken en hiervoor automatisch modellen kunnen genereren. In het verkennende onderzoek hebben we drie databronnen gebruikt: KNMI-neerslagradardata, terreinhoogtedata en een dataset met tweets (Twitterberichten) over hemelwateroverlast.

Resultaten

De resultaten laten zien dat het gegenereerde model patronen in de data vindt. Het model voorspelt voor kilometervakken of bij een bepaalde bui wel of niet tweets over hemelwateroverlast kunnen worden verwacht. Hoewel dit een surrogaatvraag is voor de eigenlijke onderzoeksvraag (Kunnen we data science inzetten om hemelwateroverlast in stedelijk gebied te voorspellen of modelleren?), zijn de resultaten hoopgevend. Het model voorspelt namelijk ongeveer 62% correct. Als het model hemelwateroverlast voorspelt, is dit in 72,2% van de gevallen ook juist. Het model weet ongeveer 30% van de tweets over hemelwateroverlast te identificeren.

Vervolg

De resultaten geven aan dat het model met relatief weinig data op een niet geheel optimale resolutie al potentie heeft en verbanden kan ontdekken. We zien zeker mogelijkheden om het model te verbeteren, onder meer op het gebied van datahoeveelheid, datakwaliteit en werken met bui-kenmerken. We gaan de positieve resultaten van deze verkenning dan ook een vervolg geven. Op de online RIONEDdag van 28 januari 2021 demonstreren we de nieuwe resultaten van dit datasciencemodel om hemelwateroverlast te voorspellen.

Meer informatie over het datasciencemodel hemelwateroverlast.