Zowel voor het meten van de diepte als van de kwaliteit van het water in de rivier is Rijkswaterstaat afhankelijk Innovaties van steekproeven. Het Datalab van Rijkswaterstaat onderzocht met HAL24K of datascience-analyses meer inzichten kunnen halen uit de beschikbare gegevens (foto: Erland Bakker/Rijkswaterstaat). Inzet kunstmatige intelligentie bij meting diepte en waterkwaliteit in rivieren Niet meer, maar slimmer meten Door Mark Brok Meten is weten. Maar om meer te weten, is het niet altijd nodig om ook meer te meten. Dat is de conclusie van een aantal proefprojecten bij Rijkswaterstaat. Door de inzet van kunstmatige intelligentie haalt het Datalab van de dienst samen met smart-infrastructuurspecialist HAL24K nu veel meer informatie uit de meetgegevens over de diepte en de waterkwaliteit in rivieren. Rijkswaterstaat is verantwoordelijk voor vaarwegen waar dagelijks talloze schepen overheen varen, en voor de kwaliteit van het water in de rivieren. Een deel van die verantwoordelijkheid vertaalt zich in het verrichten van metingen. Zowel voor het meten van de diepte als van de kwaliteit van het water in de rivier is Rijkswaterstaat afhankelijk van steekproeven. Het water is immers niet overal even diep, de waterkwaliteit is op verschillende plekken afhankelijk van externe factoren en het is niet mogelijk om dagelijks de volledige bodem in kaart te brengen en elke druppel te meten. Dat werken met beperkte data betekent wel dat het risico op blinde vlekken ontstaat. En dat de gegevens niet altijd compleet zijn. Een manier om het probleem deels te ondervangen, is door meer metingen te verrichten. Maar dat is niet altijd mogelijk en vraagt om een extra investering van tijd en middelen. Het Datalab van Rijkswaterstaat onderzocht daarom met HAL24K of datascience-analyses meer inzichten kunnen halen uit de beschikbare gegevens. 42 WATERFORUM NR 4/5 Inzicht in waterkwaliteit Voor het bepalen van de kwaliteit van het water meet Rijkswaterstaat handmatig honderden parameters, waaronder de concentratieniveaus van chemische en organische elementen die in de rivier voorkomen. Door data te analyseren die over een periode van vijftien jaar zijn verzameld, ontdekten de datascientists dat veel parameters een sterke correlatie hebben. Dat betekent dat het niet nodig is alle parameters elke keer te meten, maar dat deze in plaats daarvan ook eenvoudig van andere kunnen worden afgeleid. Zo zijn er minder metingen nodig en dat levert een efficiencyvoordeel op. Om een beter beeld te krijgen van de waterkwaliteit met bestaande metingen, bouwden de dataspecialisten van HAL24K en het Datalab daarnaast een innovatief machine learning-model. Dit model kan op basis van wekelijkse metingen op bepaalde locaties, accurate wekelijkse voorspellingen doen over de waterkwaliteit op locaties waar niet wekelijks wordt gemeten. Zonder extra metingen uit
43 Online Touch Home