Voorspelling van mondiaal watergebruik in de landbouw en totaal wereldwijd verbruik met behulp van het Bi-GRU-model

Waarom toekomstig watergebruik ons allemaal aangaat

Schoon water vormt de basis van onze voedselvoorziening, steden en industrie, maar veel regio’s hebben al te kampen met tekorten. Deze studie stelt een eenvoudige maar urgente vraag: hoeveel water zal de wereld de komende decennia nodig hebben, en in het bijzonder voor de landbouw, die het grootste deel van ons zoetwater gebruikt? Door wereldwijde registraties van watergebruik te combineren met een moderne kunstmatige intelligentietool schatten de auteurs de toekomstige vraag tot 2040 en toetsen zij hoe goed verschillende voorspellingsmethoden presteren. Hun resultaten kunnen overheden en planners helpen zich voor te bereiden op een drogere, dichter bevolkte wereld.

Stijgende druk op rivieren en watervoerende lagen

Het artikel begint met het schetsen van het speelveld: water bedekt het grootste deel van het aardoppervlak, maar het deel dat zoet en direct bruikbaar is, is beperkt. De wereldwijde vraag is in de afgelopen eeuw ongeveer zes keer zo groot geworden, waarbij ongeveer 70 procent van de onttrekkingen naar de landbouw gaat, 20 procent naar de industrie en de rest naar huishoudens. Het merendeel van de verwachte bevolkingsgroei zal plaatsvinden in Afrika en Azië, regio’s die al kwetsbaar zijn voor waterschaarste en klimaatverandering. Landen zoals India, China, Indonesië, Saoedi-Arabië en Turkije zien snelle stijgingen in watergebruik naarmate steden uitbreiden, economieën groeien en meer land wordt geïrrigeerd. Daarentegen tonen plaatsen als Duitsland, Japan en het Verenigd Koninkrijk stabiel of licht dalend gebruik dankzij besparings- en efficiëntiemaatregelen.

Wereldwijde waterregistraties omzetten in een bruikbare dataset

Om van bezorgdheid naar voorspelling te gaan, stellen de auteurs een Global Water Consumption Dataset samen die de jaren 2000 tot 2024 bestrijkt voor twintig grote economieën verspreid over verschillende klimaten en inkomensniveaus. Voor elk land en jaar bevat de dataset het totale watergebruik, het water dat aan de landbouw wordt besteed, huishoudelijk en industrieel verbruik per persoon, regenvalinvloeden en de snelheid waarmee grondwater wordt uitgeput. Het team reinigt de gegevens zorgvuldig, controleert op ontbrekende of afwijkende waarden en schaalt alle cijfers naar een gemeenschappelijke range zodat geen enkel land of variabele het leerproces domineert. Daarna splitsen ze de tijdreeksen van elk land in trainings-, validatie- en testsegmenten, zodat latere jaren onzichtbaar blijven tijdens het trainen en de voorspellingen eerlijk beoordeeld kunnen worden.

Hoe een slim sequentiemodel het verleden leest

De kern van de studie is een deep learning-model dat een bidirectionele gated recurrent unit wordt genoemd, ofwel Bi-GRU. In tegenstelling tot eenvoudige trendlijnen is dit model ontworpen om sequenties te lezen. Het verwerkt de geschiedenis van watergebruik en gerelateerde factoren zowel in voorwaartse als achterwaartse richting, waardoor het patronen kan oppikken die afhangen van lange perioden met goede of slechte regenval, geleidelijke beleidsveranderingen of langzame verschuivingen in bevolking en industrie. De netwerklaag(n) comprimeren deze patronen tot een interne representatie en geven vervolgens twee hoofdkwantiteiten per land uit: totaal watergebruik en landbouwwatergebruik. De auteurs vergelijken Bi-GRU met verschillende geavanceerde alternatieven, waaronder long short-term memory-netwerken, een temporeel transformer-model, een grafengebaseerd model dat landen koppelt en een probabilistische voorspellingsmethode.

Hoe goed de voorspellingen standhouden

Getest op onzichtbare gegevens uit 2021 tot 2024 levert de Bi-GRU consequent de meest nauwkeurige voorspellingen op in het algemeen. Gemeten met gangbare foutmaten overtreft het alle concurrerende modellen voor de meeste landen, vooral die met relatief stabiele langetermijnpatronen zoals India, Duitsland en het Verenigd Koninkrijk. De auteurs voeren ook statistische toetsen uit om aan te tonen dat de verbeteringen niet door toeval worden veroorzaakt. Met het best presterende model projecteren zij het totale en landbouwwatergebruik van 2025 tot 2040. Sommige landen, waaronder India, Turkije en verschillende snelgroeiende economieën, zullen naar verwachting een aanhoudende stijging van de vraag zien, met name voor irrigatie. Andere kunnen stabiliseren of zelfs hun verbruik verminderen als de huidige efficiëntietrends zich voortzetten.

Wat de bevindingen betekenen voor voedsel- en watervoorziening

Voor de niet-specialistische lezer is de kernboodschap dat betere langetermijnvoorspellingen vage zorgen over “toekomstige waterschaarste” kunnen omzetten in concrete cijfers waarop planners kunnen handelen. De studie toont aan dat moderne, sequentiegerichte kunstmatige intelligentie kan volgen hoe klimaat, bevolking en ontwikkeling samen nationale watergebruikspatronen vormen, en dat dat nauwkeuriger kan dan eerdere methoden. Deze voorspellingen garanderen niet wat er zal gebeuren, maar ze geven aan waar landbouw- en totaalvraag het meest waarschijnlijk de voorraden zullen belasten, en sturen daarmee investeringen in irrigatietechnologie, opslag, recycling en beleidsreform. Kortom, slimmer voorspellen is een praktisch instrument om kranen te laten lopen en velden productief te houden in een opwarmende en dichter bevolkte wereld.

Bronvermelding: Irfan, M., Rashid, J., Bibi, J. et al. Forecasting of global water usage in agriculture and total global consumption by using the Bi-GRU model. Sci Rep 16, 15071 (2026). https://doi.org/10.1038/s41598-026-44885-8

Trefwoorden: wereldwijd watergebruik, landbouwwater, deep learning voorspelling, Bi-GRU model, voorspelling watervraag