Van sensordata naar bruikbare informatie voor het waterbeheer

Voor Internet of Water Flanders ontwikkelt VITO onder meer de algoritmes en modellen die de waterkwaliteitsdata naar bruikbare informatie vertalen voor de gebruikers. VITO gaat er prat op zijn hydrologische kennis te kunnen koppelen aan de data van IoW en daardoor echt gebruiksklare en nuttige informatie voor allerhande waterbeheerders te kunnen leveren. Hoe zal die rol precies evolueren in de komende tijd?

Piet Seuntjens (VITO): “Wij staan in voor de interpretatie van de ruwe data afkomstig van onder andere de IoT-sensoren en leveren uiteindelijk bruikbare informatie. Daarvoor is een goede watersysteemkennis noodzakelijk. Tegelijk vergemakkelijken we de combinatie van de eigen projectdata met informatie van buitenaf.”

“Als je het maximum aan informatie uit data wil halen, dan is de eerste belangrijke stap de locaties kiezen en de sensoren plaatsen in het water. Hoe diep meet je bijvoorbeeld? Tegelijk moet je ook weten hoe je met die keuze rekening moet houden om de data te interpreteren.”

“We werken ook aan de validatie van de data en kijken daarbij naar anomalieën: welke meetgegevens komen binnen die onmogelijk kunnen overeenstemmen met de realiteit? Die gegevens moeten dan juist weggefilterd worden zodat ze het algemene beeld van de waterkwaliteit niet verstoren. Dit proces is heel belangrijk, want op termijn zullen we zo veel data binnenkrijgen, dat we enkel met juiste, kwaliteitsvolle meetgegevens kunnen verdergaan.

Sinds kort stromen de sensordata bij ons binnen en zijn we ook begonnen met patroonherkenning: welke gegevens komen binnen en welke patronen zien we daarin? Specifieke gebeurtenissen of events, zoals wij ze noemen, hebben namelijk een bepaalde signatuur. Dat zie je bijvoorbeeld wanneer de overstorten gevuld geraken.”

“Als je patronen herkent, kan je ook de frequentie van die gebeurtenissen in kaart brengen en dat laat je toe om ook dergelijke ‘events’ in de nabije toekomst te gaan voorspellen.”

“Dat is een derde luik waar we aan werkten: de zogenaamde ‘forecasting’ of voorspelling. Met machinelearningtechnologie zijn we begonnen met voorspellingen 24 en 48 uur vooruit op basis van andere gebiedskenmerken. Dat zal op termijn mogelijk maken om je waterbeheer ook adaptief te doen op basis van de voorspelling en dus niet enkel op basis van de realtime gegevens. Dat zou bijvoorbeeld nuttig kunnen zijn voor de innamestrategie van een drinkwaterbedrijf. Of om lokale overheden te helpen om gerichte preventieve maatregelen te nemen in de strijd tegen de verzilting.”