(ENGLISH BELOW) Op woensdag 12 juni gaf Koen van Asselt van Deltares een DigiShape Online Technical Session over zijn afstudeeronderzoek naar het voorspellen van duinerosie met behulp van convolutionele neurale netwerken (CNN’s). Er was veel belangstelling voor dit onderwerp en er kwam een levendige discussie op gang. In dit interview vertelt Koen over dit onderzoek en waarom volgens hem iedereen in de waterwereld met machine learning kan werken.
Koen, waarom is het belangrijk om duinerosie te voorspellen?
"Duinen bieden een natuurlijke barrière tegen het water. Ze beschermen mensen, bebouwing en infrastructuur tegen overstromingen en zijn belangrijk voor onze veiligheid. Bij zware stormen krijg je transport van sediment, wat betekent dat delen van de duinen in het water verdwijnen. Dit heet duinerosie en voor de veiligheid van het achterland is het belangrijk dat we kunnen voorspellen hoeveel schade een storm zal veroorzaken.”
Waarom zou je hier convolutionele neurale netwerken voor gebruiken?
“CNN's en andere machine learning algoritmes zijn veel sneller dan de numerieke modellen die we nu gebruiken. Bij een naderende storm is snelheid cruciaal voor het voorspellen van scenario's en tijdige besluitvorming. Door CNN's te integreren met traditionele modellen zoals XBeach voor sedimenttransport, combineren we snelheid met nauwkeurigheid.”
Hoe hebben jullie het voorspellen van duinerosie met behulp van CNN’s aangepakt?
“Het was mijn afstudeeronderzoek, dus we hadden maar een paar maanden de tijd. Toch hebben we heel wat stappen kunnen zetten. We zijn begonnen met het verkennen van de technische mogelijkheden en zijn uitgekomen op U-net als CNN. Vervolgens hebben we XBeach gebruikt als synthetische databron om input te leveren aan het CNN. We zijn begonnen met één storm scenario en vier kustprofielen van de Nederlandse kust. Toen we deze datadoorvoer werkend hadden gekregen, wat niet zonder slag of stoot ging, zijn we gaan experimenteren met grotere hoeveelheden kustprofielen. Uiteindelijk is het ons gelukt om een realistisch storm scenario voor de Nederlandse kust na te bootsen, op basis van vierhonderd stormprofielen uit XBeach.”
Wat betekenen deze resultaten?
“Dat het gebruiken van CNN’s voor het voorspellen van duinerosie kansrijk is. Wij hebben het CNN tot nu getraind met een schijntje van wat er in de echte wereld aan informatie en variatie mogelijk is. Maar het feit dat we nu weten hoe we dit soort data door een CNN kunnen leiden, en output krijgen die overeenkomt met wat we op basis van fysica zouden verwachten, geeft vertrouwen dat we hier in de toekomst verder mee komen. Het ultieme doel is dat we waterbeheerders in de toekomst echt gaan helpen om in de operatie beslissingen te nemen.”
Wat zijn hierin de grootste uitdagingen volgens jou?
“Voor mij als jonge waterbeheerder zijn er talloze uitdagingen. Maar de grootste uitdaging op het gebied van machine learning zit hem in de beschikbaarheid van data. Het is heel lastig om data te verkrijgen tijdens een storm, terwijl die die data cruciaal is voor onze kennisontwikkeling op het gebied van duinerosie en het gebruik van machine learning. Daarnaast zie ik wel terughoudendheid om me heen om met machine learning aan de slag te gaan. Het is een andere manier van naar problemen kijken, die wij als ingenieurs misschien niet helemaal gewend zijn. Toch denk ik dat het heel veel toe kan voegen aan onze huidige manier van werken!"
Hoe kan DigiShape hierbij helpen?
“Uiteraard door afspraken te maken over het delen van data, maar ook door het delen van onze voorbeelden met elkaar. Bij de DigiShape sessie op 12 juni kwam er een levendige discussie op gang met mensen die hier ook wat ervaring mee hebben. Dat is voor mij waardevolle input om te bepalen of ik op de goede weg zit, of dat er nog andere mogelijkheden zijn. Machine learning is niet zo spannend als het lijkt. Ik wist er niks van toen ik eraan begon en ik heb het in een paar maanden opgezet. Ik hoop dat mensen die dit verhaal lezen of de sessie terugkijken, denken: ‘Als hij het kan, kan ik het ook!’”
Meer informatie
Kijk Koen zijn online technical session over dit onderwerp terug (engels)
Dit e-mailadres wordt beveiligd tegen spambots. JavaScript dient ingeschakeld te zijn om het te bekijken. (e-mail)
--- ENGLISH VERSION (translated by Deepl) ---
On Wednesday 12 June, Koen van Asselt from Deltares gave a DigiShape Online Technical Session on his thesis research on predicting dune erosion using convolutional neural networks (CNNs). There was a lot of interest in this topic and a lively discussion ensued. In this interview, Koen talks about this research and why he believes everyone in the water world can work with machine learning.
Koen, why is it important to predict dune erosion?
‘Dunes provide a natural barrier against water. They protect people, buildings and infrastructure from flooding and are important for our safety. During heavy storms, you get transport of sediment, which means parts of the dunes disappear into the water. This is called dune erosion, and for the safety of the hinterland, it is important that we can predict how much damage a storm will cause.’
Why use convolutional neural networks for this?
‘CNNs and other machine learning algorithms are much faster than the numerical models we use now. With an approaching storm, speed is crucial for predicting scenarios and making timely decisions. By integrating CNNs with traditional models such as XBeach for sediment transport, we combine speed with accuracy.’
How did you approach predicting dune erosion using CNNs?
‘It was my thesis research, so we only had a few months. Nevertheless, we were able to take quite a few steps. We started by exploring the technical possibilities and ended up using U-net as a CNN. We then used XBeach as a synthetic data source to provide input to the CNN. We started with one storm scenario and four coastal profiles of the Dutch coast. Once we got this data feed working, which was not without a struggle, we started experimenting with larger quantities of coastal profiles. In the end, we managed to simulate a realistic storm scenario for the Dutch coast, based on four hundred storm profiles from XBeach.’
What do these results mean?
‘That using CNNs to predict dune erosion is promising. We have so far trained the CNN with a pittance of what information and variation is possible in the real world. But the fact that we now know how to run this kind of data through a CNN, and get output that matches what we would expect based on physics, gives confidence that we can move forward with this in the future. The ultimate goal is that in the future we will really help water managers make decisions in operations.’
In this, what do you think are the biggest challenges?
‘For me, as a young water manager, there are numerous challenges. But the biggest challenge in the field of machine learning is in the availability of data. It is very difficult to obtain data during a storm, while that data is crucial for our knowledge development in the field of dune erosion and the use of machine learning. In addition, I do see reluctance around me to start working with machine learning. It is a different way of looking at problems, which we as engineers are perhaps not quite used to. Still, I think it can add a lot to our current way of working!’
How can DigiShape help with this?
‘Obviously by making agreements on data sharing, but also by sharing our examples with each other. At the DigiShape session on 12 June, a lively discussion ensued with people who also have some experience with this. This is valuable input for me to determine whether I am on the right track, or whether there are other possibilities. Machine learning is not as exciting as it seems. I knew nothing about it when I started and I set it up in a few months. I hope people who read this story or watch the session back think, ‘If he can do it, I can do it too!’’
More information
Review Koen's online technical session about this subject
Dit e-mailadres wordt beveiligd tegen spambots. JavaScript dient ingeschakeld te zijn om het te bekijken. (e-mail)
