Beoordeling van overstromingsgevoeligheid met drie machine learning-technieken en vergelijking van hun prestaties

Waarom overstromingsrisico in één Ethiopisch stroomgebied ertoe doet

Overstromingen doden jaarlijks duizenden mensen wereldwijd, vernielen oogsten en beschadigen huizen en wegen. In het Choke-stroomgebied van Ethiopië, een hooglandgebied dat de Blauwe Nijl voedt, komen plotselinge waterstromen snel en vaak zonder waarschuwing. Deze studie laat zien hoe moderne computermethoden satellietbeelden, kaarten en neerslaggegevens kunnen omzetten in gedetailleerde overstromingsrisicokaarten, waarmee gemeenschappen en planners kunnen beslissen waar te bouwen, waar te boeren en waar mensen te beschermen voordat de volgende storm toeslaat.

Een berglandschap onder druk

Het Choke-stroomgebied ligt in de hooglanden van het noordwesten van Ethiopië, waar steile bergen meer dan 60 rivieren en honderden bronnen voortbrengen. Dit ruige terrein ondersteunt landbouw, waterkracht, drinkwatervoorziening en zelfs toerisme, maar het leidt ook zware seizoensregens naar smalle valleien en overstromingsvlakten. In het afgelopen decennium hebben herhaalde overstromingen velden, wegen, bruggen, scholen en huizen beschadigd, vooral tijdens het hoofdregenseizoen van juni tot september. Bevolkingsgroei, ontbossing en uitbreiding van steden hebben het aardoppervlak veranderd, waardoor het vaak minder goed in staat is om water te absorberen en het risico op plotselinge afvoerpiekstromen stroomafwaarts toeneemt.

Kaarten en metingen omzetten in een overstromingsgeschiedenis

Om te begrijpen waar overstromingen het vaakst voorkomen, bouwden de onderzoekers eerst een overstromings"inventaris" voor het stroomgebied. Ze combineerden overheidsrapporten over rampen, veldgegevens en radarbeelden van Sentinel-1-satellieten, die zelfs door wolken heen geïnundeerde gebieden kunnen detecteren. Voor vijf grote overstromingsjaren tussen 2005 en 2020 vergeleken ze beelden vóór en na gebeurtenissen om geïnundeerde zones te lokaliseren. Ze gebruikten ook hoogtegegevens om permanente meren en steile hellingen te verwijderen die geen stilstaand overstromingswater zouden bevatten. Daarmee stelden ze een uitgebalanceerde set locaties samen die wel waren overstroomd en andere die droog waren gebleven, en vormden zo het leermateriaal voor hun computermodellen.

Het landschap lezen om toekomstige overstromingen te voorspellen

Vervolgens verzamelde het team elf typen informatie die bepalen waar water zich ophoopt, waaronder terreinhoogte, hellingssteilheid, de manier waarop hellingen krommen, neiging tot bodemvochtigheid, riviernetsystemen, afstand tot kanalen, neerslag, bodemtype en landgebruik. Al deze lagen werden verwerkt tot overeenstemmende kaartlagen in een geografisch informatiesysteem. De modellen werden getraind om patronen te herkennen die deze lagen koppelden aan eerdere overstromingen. In verschillende tests kwamen drie kenmerken naar voren als bijzonder belangrijk: hoogte, helling en een vochtigheidsindex die aangeeft hoe gemakkelijk water zich op bepaalde plekken verzamelt. Laaggelegen gebieden met geringe hellingen en hoge vochtigheidswaarden bleken duidelijke brandhaarden voor overstromingen, terwijl expositie (welke richting een helling op kijkt) en variatie in neerslag in deze specifieke bergachtige omgeving minder zwaar wogen.

Machines leren zones met hoog risico te herkennen

De studie vergeleek drie geavanceerde machine learning-methoden die alle gebruikmaken van vele beslissingsbomen die samenwerken: Random Forest, Gradient Boosting en Extreme Gradient Boosting. Deze benaderingen zijn goed in het omgaan met verstrengelde relaties tussen vele factoren zonder perfecte gegevens of eenvoudige formules te vereisen. Nadat ze hun gegevens in trainings- en testgroepen hadden gesplitst, stemden de auteurs elk model af en controleerden de prestaties met verschillende statistische scores. Twee van de methoden, Gradient Boosting en Extreme Gradient Boosting, waren bijzonder nauwkeurig en onderscheidden overstroomde van niet-overstroomde punten in ongeveer 97 procent van de gevallen; Random Forest volgde kort daarna. Alle drie leverden overstromingsgevoeligheidskaarten op die het stroomgebied in vijf klassen indeelden, van zeer laag tot zeer hoog risico, waarbij de noordelijke en zuidwestelijke delen het grootste gevaar vertoonden.

Van computermappen naar veiligere gemeenschappen

Voor niet-specialisten is de belangrijkste uitkomst dat deze door machines gegenereerde kaarten verspreide gegevens en satellietbeelden omzetten in een duidelijk beeld van waar overstromingswater zich waarschijnlijk zal verspreiden. Slechts een bescheiden gedeelte van het Choke-stroomgebied valt in de zones met het hoogste risico, maar deze pockets vallen samen met bevolkte laaglanden en belangrijk landbouwgebied. Lokale autoriteiten kunnen de resultaten gebruiken om te bepalen waar nieuwbouw moet komen, bruggen en afwatering te versterken of vegetatie te herstellen om de afvoer te vertragen. Hoewel de modellen gedetailleerde hydraulische simulaties niet kunnen vervangen, bieden ze een snelle, kosteneffectieve manier om beperkte middelen te richten op de meest kwetsbare gebieden en zouden ze kunnen worden aangepast voor andere risico's zoals aardverschuivingen of aardbevingen. In een land waar gegevens en budgetten vaak schaars zijn, biedt deze combinatie van satellieten en slimme algoritmen een praktische weg naar veerkrachtiger landschappen en gemeenschappen.

Bronvermelding: Asrade, T., Abebe, S., Tadesse, K. et al. Flood susceptibility assessment using three machine learning techniques and comparison of their performance. Sci Rep 16, 8099 (2026). https://doi.org/10.1038/s41598-026-38391-0

Trefwoorden: overstromingsgevoeligheid, machine learning, Choke Watershed, remote sensing, rampenrisicoreductie