20 | 2020 | Nummer 7

CIVIELETECHNIEK

CIVIELETECHNIEK Geotechniek & Ondergronds Bouwen

Bodemvocht is de hoeveelheid water in de onverza-digde zone; de bodemlaag tussen het maaiveld en het freatisch grondwater. Het water in de onverzadigde zone is onder andere belangrijk voor gewasgroei en vegetatie in natuurgebieden. Bodemvocht wordt vaak beschouwd als een van de missing links in beschik-bare hydrologische gegevens. Een belangrijke reden is het beperkte aanbod van bodemvochtobservaties. In recente jaren is de beschikbaarheid van bodemvocht-informatie uit satellietdata echter sterk gegroeid.

De rol van bodemvocht in droogteproblematiekFiguur 2 geeft de verspreiding van droogte door het hydrologisch systeem weer. De verspreiding van droogte kan gekarakteriseerd worden in verschil-lende gradaties. De eerste graad is meteorologische

Toepassing bodemvocht -ge gevens voor waterbeheer

De droge zomers van de afgelopen jaren hebben een grote impact op de waterhuishouding van Nederland. De droogte is bijvoorbeeld goed zichtbaar in de zandgronden van Nederland, waar veel beken droogvallen in droge perioden. Doordat in deze gebieden beperkte wateraan-voermogelijkheden zijn, zijn nationale en regionale waterbeheerders op zoek naar innovatieve oplossingen. Essentieel hierbij is het karakteriseren van de droogte aan de hand van metingen. Het promotiewerk van Michiel Pezij richtte zich op de toepassing van bodemvochtgegevens in operationeel waterbeheer. Hij promoveerde op 30 januari 2020 op dit onderwerp.

droogte. Deze droogte wordt gekarakteriseerd door neerslagtekorten. Meteorologische droogte kan als waarschuwing gelden voor andere droogtegradaties. Als de meteorologische droogte zodanig doorwerkt op vegetatiegroei spreekt men van agrarische droogte. Bodemvocht speelt een belangrijke rol bij deze graad. Men spreekt van hydrologische droogte als grond- en oppervlaktewaterstanden sterk beïnvloed worden door bodemvochtdroogte. Tot slot treedt socio-economische droogte op als economische activiteiten sterk beperkt worden. Voorbeelden zijn beperkte waterbeschikbaar-heid voor koelingsfaciliteiten voor energieproductie en beperkte beschikbaarheid van drinkwater. De ver-dringingsreeks zoals vastgelegd in de Waterwet wordt gebruikt om in dergelijke gevallen prioritering te ge-ven aan belangrijke functies met een waterbehoefte. Figuur 2 laat zien dat elke droogtegraad op een ander

21 | 2020 | Nummer 7

CIVIELETECHNIEK

Figuur 1: De Hooge Laarsleiding in Twente stond droog op 21 september 2019 (Foto: Michiel Pezij)

Figuur 2: De verspreiding van droogte over de verschillende aspecten van het hydrologisch systeem. Het figuur is geba-seerd op werk van Changnon Jr (1987) en Van Loon (2015)

moment in de tijd belangrijk wordt. Zo zal de impact van meteorologische droogte op grondwater niet direct zichtbaar zijn. Elke droogtegraad heeft dan ook een impact op de opeenvolgende graad.

Waterbeheerders zullen de effecten van elke droogte-stage moeten begrijpen om de impact van droogte te kunnen mitigeren. Het is dus belangrijk om het gehele hydrologische systeem te monitoren. Waar gebruik van gegevens over neerslag en verdamping, afvoeren en (grond-) waterstanden geïntegreerd is in het operati-oneel waterbeheer, is de toepassing van bodemvocht-gegevens beperkt. Voor deze toepassing is informatie over de actuele bodemvochtcondities essentieel.

Inschatten van actuele bodemvocht­conditiesEr zijn drie algemene methoden om het bodemvocht-gehalte te bepalen: door het verrichten van veldme-tingen, door gebruik te maken van satellietdata en door het uitvoeren van modelsimulaties. Veldmetingen worden uitgevoerd door het installeren van sensoren in de bodem. Omdat de sensoren gekalibreerd kunnen worden voor specifieke bodemtypes, zijn veldmetingen over het algemeen nauwkeurig. Daarnaast kunnen de sensoren op verschillende dieptes worden geïnstal-leerd, zodat een beeld van de vochtverdeling over de gehele onverzadigde zone kan worden opgesteld. Echter, de huidige meettechnieken beperken het ruim-telijk beeld dat de sensoren geven. Zo zijn er meerdere sensoren nodig om het bodemvochtgehalte voor een individueel landbouwperceel in kaart te brengen.

Satellietobservaties bieden de mogelijkheid om de ruimtelijke verdeling van bodemvocht in kaart te brengen. Zo kunnen bodemvochtcondities op nationa-le en regionale schalen worden geschat. Vaak worden satellieten gebruikt met sensoren die meten in het mi-crogolfspectrum. De observaties van deze satellieten zijn beperkt tot de bovenste centimeters van de bo-dem. Bodemvochtinformatie uit satellietdata geeft dus een beperkt overzicht van de variatie in bodemvocht over het verticale bodemprofiel. De relatie tussen bodemvocht aan het oppervlak en in diepere lagen is complex. Er zijn verschillende methoden beschikbaar om een vertaalslag tussen deze variabelen te maken, waaronder statistische methoden, hydrologische modellering en innovatieve technieken gebaseerd op machine-learning.

Tot slot kan hydrologisch modelleren worden toege-past om bodemvocht in te schatten. Hydrologische modellen zijn inzetbaar op verschillende ruimte- en tijdsschalen. Deze modellen worden gedreven door verscheidende invoerdatasets, waaronder meteorolo-

22 | 2020 | Nummer 7

CIVIELETECHNIEK

gische data, informatie over bodemtypes, landgebruik en vegetatiegegevens. Het gebruik van deze datasets leidt tot onzekerheden in modelresultaten. Daarom is het belangrijk om bodemvochtschattingen uit modelsimulaties te valideren met veldmetingen en satellietdata.Veldmetingen geven informatie op puntniveau, satel-lietgegevens zijn gelimiteerd aan de pixelgrootte van het satellietproduct en de nauwkeurigheid van model-resultaten is onder andere gebaseerd op de ruimte-lijke resolutie van invoerdata. Daardoor representeert elke observatiemethode een specifieke ruimtelijke schaal. Dit verhindert een directe vergelijking tussen bodemvochtobservaties uit veldmetingen, satelliet-data en modelsimulaties. Deze vergelijking vraagt om de ontwikkeling van innovatieve vergelijkingsmetho-den. Binnen het promotieonderzoek van Pezij zijn twee methoden ontwikkeld om een beter inzicht te krijgen in actuele bodemvochtcondities door het combineren van veldmetingen, satellietdata en modelsimulaties. De eerste methode richt zich op het verbeteren van een bestaand operationeel hydrologisch model, terwijl de tweede methode gebruik maakt van machine-learning.

Data­assimilatieEen goed beeld van de initiële modelcondities zijn van belang voor de nauwkeurigheid van de modelresulta-ten. Pezij et al. (2019) heeft een data-assimilatieme-thode ontwikkeld waarbij bodemvochtinformatie uit satellietdata wordt gebruikt om de initiële condities van een modelsimulatie te bepalen. Vervolgens wor-den veldmetingen gebruikt om de nauwkeurigheid van het nieuwe informatieproduct te beoordelen. Zeker op regionale schaal vergroot het assimileren van satel-lietdata onze kennis over actuele bodemvochtcondi-ties. De data-assimilatietool is gratis verkrijgbaar en toepasbaar voor alle modelinstrumenten binnen het Nederlands Hydrologisch Instrument (NHI).De data-assimilatiemethode vereist veel rekenkracht. Een alternatief is het toepassen van een effici-ente machine-learningmethode die gebaseerd is op tijdreeksanalyse. Pezij et al. (2020) gebruikt hiervoor bodemvochtinformatie uit satellietdata in combinatie met radargegevens van neerslag en verdamping en de open-source software Pastas (Collenteur et al., 2019).

De machine-learning methode biedt mogelijkheden om met weinig handelingen en rekenkracht een beeld te krijgen van een watersysteem. De data-assimilatie- en machine-learningmethoden laten zien dat het combineren van proceskennis en data-science een steeds belangrijker onder-deel zal worden in het waterbeheer. De impact van bodemvocht(-tekorten) op droogteproblematiek kan hierdoor beter in kaart gebruikt worden en zo kunnen bijpassende maatregelen genomen worden. Het toe-passen van bodemvochtinformatie in het operationeel beheer biedt daarom goede kansen om watersystemen robuuster in te richten voor de toekomst. Michiel Pezij, Universiteit Twente, HKV Lijn in Water

Het promotiewerk van Michiel Pezij is vrij beschikbaar via: https://doi.org/10.3990/1.9789036549486

ReferentiesChangnon Jr, S. A. (1987). Detecting drought conditions in Illinois. Retrieved from Illinois State Water Survey Champagin Collenteur, R. A., Bakker, M., Caljé, R., Klop, S. A., & Schaars, F. (2019). Pastas: open source software for the analysis of groundwater time series. Groundwater. doi:10.1111/gwat.12925 Pezij, M., Augustijn, D. C. M., Hendriks, D. M. D., & Hulscher, S. J. M. H. (2020). Applying transfer function-noise modelling to characterize soil moisture dynamics: a data-driven appro-ach using remote sensing data. Environmental Modelling & Software, 131, 104756. doi:10.1016/j.envsoft.2020.104756 Pezij, M., Augustijn, D. C. M., Hendriks, D. M. D., Weerts, A. H., Hummel, S., van der Velde, R., & Hulscher, S. J. M. H. (2019). State updating of root zone soil moisture estimates of an unsaturated zone metamodel for operational water resources management. Journal of Hydrology X, 4, 100040. doi:10.1016/j.hydroa.2019.100040 Van Loon, A. F. (2015). Hydrological drought explained. Wiley Interdisciplinary Reviews: Water, 2(4), 359-392. doi:10.1002/wat2.1085

Dit onderzoek is verricht in het kader van het OWAS1S-programma (afkorting van Optimizing Water Availability with Sentinel-1 Satellites), dat gedeeltelijk wordt gefinancierd door NWO (projectnummer 13871). Binnen dit programma is samengewerkt met Deltares, HKV, HydroLogic, Provincie Overijssel, Rijkswaterstaat, STOWA, waterschappen Aa en Maas, Drents Overijsselse Delta en Vechtstromen en ZLTO.