Global Climate Attribution of Pluvial Floods: A deep learning framework for pluvial flood modelling
Vrije Universiteit Brussel
2026
In deze thesis onderzoek ik wat het effect van klimaatverandering is op het voorkomen van regenoverstromingen. Dat zijn overstromingen die ontstaan doordat de neerslag té intens is voor de bodem en de riolering om alles te slikken, en dus niet omdat een rivier buiten haar oevers treedt.
De effecten van klimaatverandering op regenoverstromingen zijn nog niet eerder op wereldschaal onderzocht, omdat modellen vaak berusten op lokale bodemkarakteristieken, vegetatiekenmerken, enzovoort. Ik omzeil het probleem van zulke beschrijvende modellen door artificiële intelligentie (AI) in te zetten: in plaats van alle processen (zoals infiltratie, verdamping, enzovoort) expliciet te gaan beschrijven met formules, laat ik het model de relatie zoeken tussen omgevingskarakteristieken en geobserveerde overstromingen. Die observaties zijn gebaseerd op satelietbeelden.
Mijn model werkt oké, maar zeker nog niet perfect. Het ziet bepaalde verbanden, zoals lager gelegen plaatsen die doorgaans natter zijn en bossen die doorgaans minder overstromen, hetgeen betekent dat het model effectief iets leert. De grootste problemen zitten hem voorlopig nog in het modelleren van de omvang van de overstroming. Het model heeft de neiging om steeds een gemiddelde waarde te voorspellen, in plaats van bij zeer hevige neerslag een écht grote overstroming te voorspellen.
Toch heb ik het model alvast eens gebruikt om de impact van klimaatverandering op regenoverstromingen in te schatten. Dat doe ik door het geobserveerde klimaat van een bepaalde periode in het model in te laden en het zijn voorspellingen te laten doen. Vervolgens laadt ik een fictief klimaat in dat een wereld zonder klimaatverandering voorstelt, en laat het model opnieuw zijn voorspellingen maken. Het verschil tussen beide modelruns vertelt mij het effect van de klimaatverandering. In dit geval vind ik een toename van 0,5% terug. Dat is een waarde die een stuk lager ligt dan verwacht, wat wellicht te wijten is aan de beperkingen van het model. Wel zien we grote regionale verschillen, waarbij delen van Noord- en Midden-Amerika, Noord-Europa en Oost-Azië véél zwaarder getroffen worden dan het globale gemiddelde.
Meer lezen