Optimalisatie van een grondwatermeetnet

De locaties van grondwaterstandsmeetpunten zijn niet altijd zodanig gekozen dat ze een volledig representatief beeld geven van de dynamiek van grondwaterstanden in het gehele interessegebied. Vaak zijn er pragmatische redenen om in een bepaald gebied een cluster van peilbuizen dicht bij elkaar te leggen. In dit project willen we de meetlocaties optimaliseren. Aan de ene kant: zijn er locaties waarop we vergelijkbaar grondwatergedrag zien en verwachten? Anderzijds: zijn er onbemeten gebieden die niet vergelijkbaar zijn met bemeten gebieden en die bemeten zouden moeten worden?

We gebruiken een vorm van machine learning die zonder sturing door de gebruiker clustering aanbrengt in de aangeboden dataset. Uitgaande van gebiedsdekkende modelresultaten worden clusters van modelpixels geïdentificeerd waar de (verwachtte) grondwaterdynamiek vergelijkbaar is. Grondwatermeetpunten binnen een dergelijk cluster meten vergelijkbaar gedrag en zijn in feite redundant; clusters waarbinnen geen enkel meetpunt valt zouden in aanmerking kunnen komen voor plaatsing van een nieuw meetpunt. Op deze wijze wordt het netwerk geoptimaliseerd.

Kijk hier verder.