AI-raamwerk Errorcastnet verbetert nauwkeurigheid overstromingsvoorspellingen

Recente ontwikkelingen in continentale overstromingsvoorspelling, gebruikmakend van deep learning kunstmatige intelligentie (AI), tonen significant potentieel voor wereldwijde hydrologische modellering. Onderzoekers, waaronder Vinh Ngoc Tran van de Universiteit van Michigan, hebben een nieuw raamwerk ontwikkeld genaamd Errorcastnet. Dit systeem is succesvol geïntegreerd bovenop bestaande nationale watermodellen, zoals het National Water Model (NWM) van de U.S. National Oceanic and Atmospheric Administration (NOAA).

Dit hybride systeem combineert de sterke punten van AI met natuurkundige modellen en heeft de nauwkeurigheid van voorspellingen met een factor vier tot zes verbeterd ten opzichte van eerdere methodologieën. Errorcastnet functioneert als een correctielaag die systematische fouten in eerdere voorspellingen identificeert en leert corrigeren. Het systeem is grondig getest aan de hand van historische overstromingsgebeurtenissen om de prestaties van het NWM, dat de stroomafvoer voor de gehele aaneengesloten Verenigde Staten simuleert, significant te verbeteren.

De AI is getraind op historische gegevens van neerslag en overstromingen om de fouten in de NWM-simulaties te categoriseren. Fysieke hydrologische processen, beïnvloed door landschap en vegetatie, blijven essentieel, wat de noodzaak van deze hybride aanpak onderstreept. De verbeterde nauwkeurigheid strekt zich uit over voorspeltijden van één tot tien dagen, wat cruciaal is voor planning en respons bij rampen. De AI kan de fouten verminderen die het kan verhelpen, terwijl inherente modelbeperkingen behouden blijven.

De schaalbaarheid van Errorcastnet is een sleutelfactor voor wereldwijde toepassing. Het systeem kan binnen enkele minuten snelle voorspellingen genereren voor duizenden locaties, wat een schaalbare oplossing biedt voor rampenbeheersing. Valeriy Ivanov, een fysiek hydrologe aan de Universiteit van Michigan en mede-auteur van de studie, benadrukt dat deze nauwkeurigere voorspellingen bedrijven in staat stellen zich beter voor te bereiden op naderende overstromingen. Het systeem kan de voorspellingen voor bijna 5.500 locaties produceren zonder dat supercomputers noodzakelijk zijn, wat de toegankelijkheid vergroot. Bovendien levert het systeem probabilistische scenario's, wat van vitaal belang is voor besluitvorming in risicovolle situaties.

De ontwikkeling van het raamwerk werd in 2023 voltooid. Dr. Tran Ngoc Vinh ontving in oktober 2025 de Golden Globe Science and Technology Awards voor zijn werk aan dit systeem. De implementatie van dit AI-ondersteunde systeem kan een economisch voordeel opleveren, met een geschatte meerwaarde van meer dan 380% voor besluitvorming in vergelijking met het gebruik van alleen het NWM, met name bij extreme gebeurtenissen. Dit markeert een verschuiving naar een tijdperk waarin geavanceerde AI de operationele betrouwbaarheid van op natuurkunde gebaseerde hydrologische modellen verbetert.