Large Language Models (LLM's) voor grensoverstijgend waterbeheer
Het beheersen van overstromingsrisico’s in internationale stroomgebieden vraagt om inzicht in de maatregelen die landen stroomopwaarts nemen. In stroomgebieden zoals dat van de Rijn hebben ingrepen in bovenstroomse landen – bijvoorbeeld waterberging, dijkversterking of stuwbeheer – direct invloed op de waterveiligheid verder stroomafwaarts, waaronder in Nederland.
Verkenning van nieuwe mogelijkheden
Deze maatregelen zijn vastgelegd in grote hoeveelheden, vaak meertalige, beleidsdocumenten, plannen en rapporten van overheden en andere organisaties. Een volledig en actueel overzicht van wat er in een stroomgebied gebeurt, ontbreekt echter vaak. Toch is zo’n overzicht essentieel om effecten goed te kunnen beoordelen en de dialoog tussen landen te ondersteunen.
Tegen deze achtergrond onderzoekt Deltares hoe hydrologische modellen en data kunnen worden aangevuld met kunstmatige intelligentie (AI), en in het bijzonder met Large Language Models (LLM’s). In een experimentele studie bekijken we of deze technologie kan helpen om relevante maatregelen in internationale stroomgebieden sneller te identificeren en te structureren.
Deze toepassing bevindt zich nog in een verkennende fase en wordt op dit moment niet gebruikt voor operationele besluitvorming, bijvoorbeeld tijdens extreme situaties.
LLM’s bieden de mogelijkheid om grote hoeveelheden beleidsdocumenten snel te doorzoeken, verwerken en analyseren. Daardoor kunnen eerste inzichten ontstaan in maatregelen die invloed kunnen hebben op waterveiligheid en waterbeschikbaarheid. Werk dat handmatig weken of zelfs maanden zou kosten, kan hiermee aanzienlijk worden versneld.
Wat kunnen LLM’s betekenen?
Beleidsdocumenten, verdragen en klimaatadaptatieplannen uit verschillende landen bevatten waardevolle informatie over maatregelen en strategieën rond waterveiligheid en waterbeschikbaarheid. Tegelijkertijd is die informatie vaak verspreid over honderden pagina’s, in meerdere talen en grotendeels ongestructureerd.
LLM’s kunnen helpen om patronen te herkennen, maatregelen te categoriseren en relevante informatie te extraheren. Zo kunnen grote hoeveelheden ongestructureerde informatie worden omgezet in gestructureerde inzichten – een taak die handmatig zeer tijdrovend is.
Menselijke expertise blijft daarbij onmisbaar. De verificatie, interpretatie en toepassing van de resultaten vereisen deskundige beoordeling en worden in vervolgstappen verder verfijnd.
Het belang van grensoverstijgend waterbeheer
Traditioneel richt Nederland zich vooral op het water dat bij de grens het land binnenkomt en op de verdeling daarvan. Maar veel maatregelen die stroomopwaarts worden genomen voor waterveiligheid, zoals waterberging en stuwbeheer, beïnvloeden ook de beschikbaarheid van water tijdens droge periodes.
Water houdt nu eenmaal niet op bij landsgrenzen. Beleidskeuzes in andere landen hebben directe gevolgen voor zowel de waterveiligheid als de waterbeschikbaarheid in Nederland.
Door beter inzicht te krijgen in deze maatregelen kunnen mogelijke effecten eerder worden herkend en kan tijdig het gesprek met andere landen worden aangegaan.
Een voorbeeld uit het Rijngebied
Een recent experiment met LLM’s laat zien wat deze aanpak kan opleveren: een overzicht van maatregelen die relevant zijn voor de waterveiligheid in het Rijngebied, samengesteld op basis van duizenden documenten.
Met ‘maatregelen’ bedoelen we concrete acties die landen overwegen of uitvoeren binnen hun waterbeheer. Denk bijvoorbeeld aan het verhogen van dijken om overstromingsrisico’s te verkleinen, het creëren van extra waterberging in uiterwaarden of het vasthouden van water in stuwmeren voor energieopwekking, hoogwaterbescherming of als buffer voor droge periodes.
Dergelijke ingrepen stroomopwaarts kunnen zowel de hoeveelheid als het moment waarop water Nederland bereikt beïnvloeden. Door deze informatie eerder beschikbaar en beter inzichtelijk te maken, ontstaat meer ruimte om effecten te beoordelen en hierover met andere landen in gesprek te gaan.
Hoe werkt het technisch?
Voor deze toepassing is een agentisch data-miningsysteem ontwikkeld dat automatisch informatie over maatregelen kan verzamelen uit zeer grote documentcollecties. Het systeem maakt gebruik van cloudtechnologie en LLM’s.
Via een geautomatiseerd analyseproces zijn inmiddels tienduizenden relevante gegevens gevonden en vastgelegd, inclusief essentiële metadata en geografische coördinaten. Deze resultaten vormen de basis voor verdere analyse en interpretatie.
Technologie én expertise
In deze experimentele fase ligt de nadruk op het verkennen van de mogelijkheden van geautomatiseerde analyse van beleidsdocumenten. In vervolgfases wordt onderzocht hoe de verkregen inzichten verder kunnen worden geïnterpreteerd en toegepast.
Internationale samenwerking en toekomstperspectief
Binnen Deltares onderzoeken we stap voor stap waar LLM’s daadwerkelijk meerwaarde bieden, welke beperkingen de technologie kent en hoe deze op een verantwoorde manier kan worden ingezet. Dat betekent experimenteren, leren en verbeteren, voordat bredere toepassing wordt overwogen.
Daarnaast verkent Deltares hoe deze aanpak in de toekomst verder ontwikkeld kan worden, niet alleen voor het Rijngebied maar ook voor andere internationale stroomgebieden. Daarbij wordt ook gekeken naar samenwerking en kennisuitwisseling met internationale partners.
