Voorspellen van grondwaterstandveranderingen met machine learning-technieken in het Tazerbo-gebied, Al Kufra-bekken, zuidoost-Libië

Waarom toekomstig grondwater hier ertoe doet

In enkele van de droogste delen van de wereld is ondergronds water het enige dat boerderijen, dorpen en industrieën in leven houdt. In zuidoost-Libië tappen enorme putvelden een diepe woestijnaquifer aan om water naar de noordelijke kustplaatsen te leiden. Dit artikel legt uit hoe wetenschappers moderne computerhulpmiddelen gebruikten om vooruit te kijken en te zien hoe deze verborgen watervoorraden zich in de komende twee decennia onder verschillende pompregimes kunnen ontwikkelen, zodat beleidsmakers ernstige tekorten en bodemschade kunnen vermijden.

De woestijnaquifer achter Libië’s waterader

De studie concentreert zich op het Tazerbo-putveld in het Al Kufra-bekken, een van de belangrijkste bronnen voor Libië’s Man-Made River Project, dat fossiel grondwater uit de Sahara naar afgelegen steden transporteert. De regio ontvangt zeer weinig regen en kent intense hitte, waardoor de diepe Nubian Sandstone Aquifer als een soort spaarbank van oud water fungeert. Sinds grootschalig oppompen in 2004 begon, hebben meer dan honderd productieputten op bepaalde momenten tot ongeveer een miljoen kubieke meter water per dag onttrokken. Dit zware gebruik heeft de grondwaterstanden in delen van het veld al met maximaal 16 meter verlaagd en bijgedragen aan bodemdaling, wat zorgen oproept over hoe lang deze waterader houdbaar is.

Putgegevens omzetten naar een leervraag

Om de toekomst van de aquifer te verkennen verzamelden de onderzoekers twintig jaar aan jaarlijkse grondwaterstandmetingen van veertien monitoringsputten rond Tazerbo, samen met registraties van de dagelijkse pompvolumes. Ze stelden ook basisgegevens over de putten en de aquifer samen, zoals de dikte van het gesteente en de doorlatendheid. In plaats van te proberen elk fysisch detail van ondergrondse stroming te modelleren, benaderden ze het probleem als een tijdreeks: hoe reageert de waterstand in een put in de loop van de tijd op eerdere waarden en op veranderingen in oppompen? Deze opzet leent zich goed voor machine-learningmethoden die patronen in data kunnen ontdekken zonder dat elk fysisch proces van tevoren gespecificeerd hoeft te worden.

Hoe het model leert vooruit te kijken

Het team testte verschillende geavanceerde statistische en machine-learninghulpmiddelen, waaronder varianten van Gaussian process-regressie en een terugkerend neuraal netwerk genaamd Long Short-Term Memory. Ze onderzochten hoe goed elke methode bekende waterstanden kon reproduceren met gebruik van gangbare maatstaven zoals de mate van overeenstemming tussen voorspelde en waargenomen waarden en de grootte van typische fouten. De duidelijke winnaar was een speciaal type tijdreeksneuraal netwerk, bekend als een Nonlinear Autoregressive Exogenous-model (NARX), dat zowel eerdere waterstanden als pompvolumes als input gebruikt. Met een relatief eenvoudige structuur kon dit netwerk de historie van alle veertien putten zeer nauwkeurig nabootsen. Een gedetailleerde gevoeligheidsanalyse toonde aan dat het model verschillende combinaties van invoervariabelen voor verschillende putten gebruikte, wat suggereert dat het betekenisvolle oorzaak-en-gevolgpatronen vastlegde in plaats van alleen de data uit het hoofd te leren.

Twee verschillende toekomsten voor dezelfde aquifer

Nadat het NARX-model was getraind en gevalideerd, werd het gebruikt om voor 2030 en 2040 vooruit te kijken onder twee pompplannen. In het eerste plan wordt het huidige lagere onttrekkingsniveau van ongeveer 255.000 kubieke meter per dag aangehouden. In dat geval projecteert het model relatief bescheiden extra daling, voornamelijk in het noordelijke deel van het veld: rond 2 meter extra achteruitgang tegen 2030 vergeleken met 2024, en ongeveer nog eens 1,6 meter tegen 2040. Sommige putten in het zuiden kunnen zelfs een lichte opleving laten zien, waarschijnlijk als gevolg van de lokale structuur van de aquifer. In scherp contrast veronderstelt het tweede plan dat het oppompen wordt verhoogd tot 400.000 kubieke meter per dag.

Wat de resultaten betekenen voor waterbeheerders

Onder het hogere pompplan voorspelt het model zeer grote dalingen van de grondwaterstanden, die in het zuidoostelijke en zuidwestelijke deel van het putveld tegen 2030 meer dan 50 meter kunnen bedragen en tegen 2040 sterk verlaagd blijven. De eerdere ervaring in Tazerbo laat al zien dat agressief oppompen plotselinge dalingen kan veroorzaken, die deels omkeerbaar zijn wanneer de onttrekking wordt verminderd. De nieuwe voorspellingen ondersteunen dit beeld en benadrukken hoe gevoelig de aquifer is voor langdurig overgebruik. Voor de niet-specialistische lezer is de boodschap duidelijk: het handhaven van onttrekkingen dichter bij de huidige verlaagde niveaus helpt deze eindige watervoorraad over meer jaren te spreiden, terwijl het weer opschroeven van het oppompen risico’s op scherpe dalingen, bodemdaling en grotere druk op gemeenschappen die van dit verborgen water afhankelijk zijn vergroot. De studie toont aan dat zorgvuldig afgestemde machine-learninghulpmiddelen praktische richtlijnen kunnen bieden voor het plannen van duurzaam watergebruik in enkele van de meest waterarme regio’s ter wereld.

Bronvermelding: El Fallah, O.A., Abou El-Magd, L.M., El Kammar, M.M. et al. Forecasting groundwater level changes using machine learning techniques in Tazerbo area, Al Kufra Basin, southeast Libya. Sci Rep 16, 15383 (2026). https://doi.org/10.1038/s41598-026-37337-w

Trefwoorden: grondwatervoorspelling, machine learning, Libische aquifer, waterbeheer, NARX-neuraal netwerk