Buien beter voorspellen met deze Delftse regenradar

RainGuRu is de enige buienradar met een speciale knop voor de campus. Klik op de vlam van Prometheus en je krijgt de neerslagvoorspelling voor de Delftse campus voor de komende anderhalf uur te zien. Vijf bachelorstudenten computer science ontwikkelden de webapplicatie. Het project kwam tot stand met steun van het TU Delft Safety & Security Instituut.

Het voordeel van RainGuRu boven de bekende app Buienradar is de ingebouwde kunstmatige intelligentie (KI), zegt dr. Marc Schleiss. Hij begeleidde de studenten aan de faculteit Civiele Techniek en Geowetenschappen (CiTG). Volgens Schleiss is Buienradar weinig meer dan toepassing van computervisie op radarbeelden. “Daar zit geen meteorologische kennis achter.” Dat wreekt zich vooral bij foutieve voorspelingen van lokale zware buien die vaak leiden tot water- en verkeersoverlast. “Zulke buien zijn het resultaat van luchtstromingen en grote stapelwolken die binnen een uur kunnen opbouwen. Buienradar ziet dat niet aankomen.”

^{Zomerse hoosbuien leiden vaak tot wateroverlast. (Foto: Pxhere.com)}

Intelligentie inbouwen
‘Kunstmatige intelligentie maakt een grote kans om op korte termijn lokale buien correct te voorspellen’, schreven Chinese onderzoekers in 2017 over het KI-model dat ze hadden ontwikkeld voor neerslagvoorspelling in Hongkong. Hun model met kunstmatige intelligentie voorspelde lokale hoosbuien beter dan de regenradar gebaseerd op de optische verplaatsing van buien.

Vier jaar later, in 2021, studeerde in Delft ir. Eva van der Kooij af op een aanpassing van het Chinese KI-model voor Nederland. Marc Schleiss was haar afstudeerdocent. Ze trainde een KI-systeem met 13 jaar aan radarbeelden afkomstig van het KNMI: elke vijf minuten een nieuw beeld met een resolutie van een kilometer. Ze vergeleek die beelden met de daadwerkelijk gemeten hoeveelheden neerslag.

“Er is geen universeel goed KI-model”, concludeerde Van der Kooij. “Als het systeem goed getraind is om miezerregen te voorspellen, dan ziet het geen stortbuien ontstaan, en omgekeerd.” De training van een kunstmatig intelligente regenradar heeft dus een grote invloed op de uitkomst, zag Van der Kooij.

Schleiss is het daar mee eens. “Een KI-model kan beter worden door naast de radarbeelden meer trainingsdata aan te bieden zoals numerieke weermodellen of satellietbeelden. Maar je kunt ook de training veranderen.”

Training tunen
De crux van de training is de ‘loss’ of kostenfunctie – een getal dat aangeeft hoe ver een voorspelling ernaast zit. “Je zou het model willen straffen voor foute voorspellingen van zware buien”, stelt Schleiss, Maar hoge ‘kosten’  van een foute voorspelling maken het systeem voorzichtig. Het gaat dan de neerslag over een groter gebied verspreiden, wat leidt tot vage plaatjes.”

Een andere masterstudent, Dieuwertje Dekker, werkt daarom nu aan andere kostenfuncties die de voorspellingen scherper en accurater moeten maken. “RainGuRu is nog in ontwikkeling”, zegt Schleiss, “en we hopen snel met verbeterde versies te komen. Onze focus ligt op een correcte voorspeling van zware lokale buien omdat die de meeste overlast veroorzaken.”

Vijf bachelorstudenten (Milan de Koning, Nikola Nachev, Thijs Penning, Kanta Tanahashi en Mike Raave) maakten RainGuRu toegankelijk voor een breed publiek. Ze gebruikten Django als basis voor hun webapplicatie in Java en React voor de gebruikersinteractie. De interactieve kaart maakten ze met Leaflet.

De begeleiding was in handen van onderzoeksleider Schleiss, radarexpert Francesco Fioranelli (faculteit Elektrotechniek, Wiskunde en Informatica) en dr. Riccardo Toarmina (watermanagement, CiTG).

• Wil je bijdragen aan kunstmatig intelligente buienvoorspelling, neem dan contact op met Marc Schleiss.

^{Schermbeeld van RainGuRu.}