Kan AI 72 uur van tevoren rivieroverstromingen voorspellen met alleen openbaar beschikbare satellietgegevens ?

Kan kunstmatige intelligentie op basis van alleen openbaar beschikbare satellietbeelden en basisweergegevens een naderende rivieroverstroming voorspellen, zonder gebruik te maken van rivierpeilmeters of drainagekaarten? Deze uitdaging isoleert de rol van vroege ruimtelijke redenering bij overstromingsvoorspelling.

Background

Overstromingsvoorspellingsystemen combineren doorgaans hydrologische modellen met realtime sensorgegevens zoals rivierpeilmeters, stroommetingen en kaarten van drainage-infrastructuur. Publieke satellietbronnen omvatten optische en synthetische apertuurradar (SAR)-beelden van missies zoals Sentinel-1/2 en Landsat, die overstromingsuitbreidingskaarten leveren met een middelhoge resolutie, evenals neerslagschattingen uit NASA’s Global Precipitation Measurement (GPM) en NOAA’s CMORPH-datasets. SAR-sensoren zijn bijzonder nuttig vanwege hun weers- en dag-nachtbeeldvormingscapaciteit. Operationele vroege waarschuwingssystemen voor overstromingen zoals het European Flood Awareness System (EFAS) en NOAA’s National Water Model vertrouwen op gekalibreerde hydrologische modellen, terwijl onderzoeksinspanningen hebben onderzocht of satellietafgeleide wateruitbreiding en neerslag kunnen worden gebruikt om overstromingen in niet-gemeten bekkens te detecteren en voorspellen. Onderzoeken tonen aan dat AI-modellen die zijn getraind op historische satellietwaarnemingen en voorspelde neerslag overstromingsgebeurtenissen in sommige gevallen 24–48 uur van tevoren kunnen voorspellen, maar de nauwkeurigheid neemt af voor langere termijnen door onzekerheid in neerslagvoorspellingen en beperkte resolutie van satellietgegevens.

Op afstandssensor gebaseerde studies hebben aangetoond dat vrij beschikbare optische en radarsatellietstromen (bijv. Sentinel-1/2, MODIS) antecedente indicatoren zoals verzadigde bodems, sneeuwsmeltpluimen en groei van convectieve wolken tot 72 uur voor de piekafvoer kunnen detecteren. Operationele hydrologische modellen combineren deze beelden historisch gezien met peilgegevens en digitale hoogtemodellen, maar recent werk toont aan dat puur op beelden gebaseerde voorspellers, gecombineerd met grove numerieke weersvoorspellingsvelden, kunnen wedijveren met of zelfs de vaardigheid van traditionele regenval–afvoer-modellen in niet-gemeten bekkens overtreffen. Referentiedatasets die zijn samengesteld uit internationale overstromingsarchieven (bijv. Dartmouth Flood Observatory, Copernicus EMS) bieden duizenden gelabelde gebeurtenissen die gesuperviseerde training van convolutionele en transformer-architecturen voor ruimtijdelijke overstromingsrisicokaarten mogelijk maken. Crossvalidatie op Afrikaanse en Zuidoost-Aziatische bekkens toont aan dat modellen die alleen op publieke gegevens zijn getraind, dagelijkse resolutievaardigheid behouden binnen ±20 % van de piekhoogte en -tijd bij 72 uur voorspellingshorizon, met de sterkste prestaties in vochtige tropische en moessonregio’s waar wolken-doorlatende radar doorslaggevend is. Beperkingen blijven bestaan in aride gebieden met plotselinge overstromingen en bij aanhoudende bewolking, waar tijdelijke hiaten de nauwkeurigheid verminderen ondanks technieken voor gegevensuitbreiding en optische–SAR-fusie. Integratie van bijna-realtime neerslagnowcasts van geostationaire satellieten stabiliseert de 72-uursvoorspellingen verder, maar de beste gerapporteerde vaardigheid in voorspellingshorizon is nog steeds afhankelijk van ten minste één hoogwaardige digitale hoogtelaag voor hydraulische routing.

— Verrijkt 16 mei 2026 · Bron: Remote Sensing of Environment, 2023