Het voorspellen van toekomstige zoutgehaltes in de Voordelta van het Haringvliet met behulp van Machine Learning

Effectief beheer van zoutindringing in het Haringvliet-estuarium is essentieel voor het waarborgen van de zoetwatervoorraad en het behoud van ecologisch evenwicht onder het Kierbeheer van de Haringvlietsluizen. Een belangrijke indicator voor operationele besluitvorming is het zoutgehalte in de Haringvliet Voordelta. Nauwkeurige toekomstvoorspellingen van het zoutgehalte zijn daarom cruciaal ter ondersteuning van het inlaatprotocol.

Conventionele voorspellingsmethoden zijn gebaseerd op numerieke hydrodynamische modellen, zoals het momenteel toegepaste Operationeel Stromingsmodel Rotterdam (OSR). Hoewel fysisch robuust, zijn deze modellen rekenintensief en minder flexibel in operationele toepassingen. Eerder onderzoek heeft aangetoond dat relatief eenvoudige machine learning (ML)-modellen momentane zoutgehalten met veelbelovende nauwkeurigheid kunnen reproduceren. Voor operationeel waterbeheer zijn echter toekomstgerichte voorspellingen vereist in plaats van retrospectieve schattingen.

Deze studie bouwt voort op eerder onderzoek door de ontwikkeling van een voorspellingsgericht ML-framework op basis van een Long Short-Term Memory (LSTM)-neuraal netwerk. De focus ligt op het genereren van betrouwbare 48-uurs zoutgehaltevoorspellingen bij meetstation Stellendam-buiten (-5 m+NAP) met gebruik van direct beschikbare operationele invoergegevens. Het doel is om de prestaties van het ML-model te evalueren ten opzichte van het bestaande numerieke model voor de dagelijkse operationele aansturing van het Kierbeheer.

De primaire doelstelling van deze studie is het ontwikkelen en valideren van een machine learning-model dat het zoutgehalte in de Haringvliet Voordelta 48 uur vooruit kan voorspellen en het beoordelen van de toegevoegde waarde voor operationeel Kierbeheer. Een secundaire doelstelling is het onderzoeken of het modelraamwerk op een rekenkundig efficiënte wijze kan worden uitgebreid naar probabilistische voorspellingen.

Er is gekozen voor een LSTM-neuraal netwerk vanwege het vermogen om temporele afhankelijkheden in hydrodynamische en meteorologische randvoorwaarden vast te leggen. Het model is getraind op historische datasets van zoutgehalte en relevante stuurvariabelen, waaronder spuidebiet, waterstanden, windsnelheid en windrichting. De training is uitsluitend gebaseerd op meetgegevens, terwijl operationele voorspellingsdatasets zijn gebruikt als invoer voor het testen van de modelprestaties. De prestaties zijn vergeleken met het OSR-model aan de hand van standaard prestatie-indicatoren.

Om onzekerheden in de voorspelling mee te nemen, is een vereenvoudigde probabilistische benadering toegepast. Ensemble-achtige variabiliteit is gesimuleerd door verstoringen aan te brengen in belangrijke invoerparameters, met name waterstand en windsnelheid, waardoor meerdere invoerconfiguraties zijn gegenereerd. Door de rekenkundige efficiëntie van het LSTM-model kunnen deze scenario’s snel worden geëvalueerd, wat resulteert in een probabilistische bandbreedte van zoutgehaltevoorspellingen zonder dat volledige hydrodynamische ensemblesimulaties nodig zijn.

Het op LSTM gebaseerde voorspellingsmodel laat een significante verbetering zien in voorspellende prestaties ten opzichte van het momenteel toegepaste OSR-model. De gemiddelde absolute fout voor een voorspellingshorizon van 6 uur is gedaald van 2360 mg/L voor OSR naar 620 mg/L voor het ML-model. Met name weet het ML-model lagere zoutgehalten, veroorzaakt door zoetwaterafvoer via de sluizen, nauwkeuriger te reproduceren, evenals de temporele ontwikkeling van het zoutgehalte onder variërende spuiregimes. De verbetering is het meest uitgesproken tijdens overgangssituaties in de hydrodynamica, veroorzaakt door veranderingen in het spuidebiet.

De nauwkeurigheid van het model neemt af bij een langere voorspelhorizon, met een maximale gemiddelde absolute fout van 840 mg/L bij een horizon van 48 uur. De vereenvoudigde probabilistische uitbreiding biedt aanvullende inzichten in de voorspellingsonzekerheid door een bandbreedte van mogelijke zoutgehalte-uitkomsten te leveren. Deze informatie kan bijdragen aan risicogebaseerde besluitvorming met betrekking tot het inlaatprotocol.

Daarnaast zijn de voorspelde zoutgehalten in de Voordelta vertaald naar benodigde inlaatdebieten met behulp van een analytisch model dat binnen het onderzoeksprogramma is ontwikkeld. Deze stap legt een directe koppeling tussen zoutgehaltevoorspellingen en concrete operationele maatregelen, afhankelijk van de beoogde positie van het zoutgehalte-evenwicht in het Haringvlietsysteem. Al met al tonen de resultaten aan dat het ML-gebaseerde voorspellingsinstrument een robuust, flexibel en kostenefficiënt hulpmiddel vormt ter ondersteuning van adaptief beheer van het Kierregime.

© Luchtfoto’s Beeldbank RWS / Joop van Houdt