INTRODUCTIE
Nederland staat voor een grote opgave om de doelen uit de Kaderrichtlijn Water (KRW) te halen. De KRW-Verkenner is een belangrijk hulpmiddel voor waterbeheerders om te bepalen welke maatregelen nodig zijn om de ecologische waterkwaliteit te verbeteren. In dit project ontwikkelen we een vernieuwde versie van deze tool, die beter onderbouwde keuzes mogelijk maakt – met name voor het herstel van planten, vissen en andere waterorganismen.
De kern van de vernieuwing is het gebruik van kunstmatige intelligentie (AI) om oorzaak-gevolgrelaties te achterhalen. In plaats van alleen te kijken naar statistische verbanden, leggen we expliciet vast welke drukfactoren, zoals vervuiling of temperatuur, echt sturend zijn voor het voorkomen van soorten. Dat biedt concreet handelingsperspectief: het helpt waterbeheerders gericht te sturen op ecologische verbetering. De uitkomsten worden vertaald naar indicatoren zoals EKR-scores en biodiversiteitsindices die aansluiten bij nationaal en Europees beleid. Het gebruik van AI helpt om de belangrijkste drukfactoren voor ecologische achteruitgang te identificeren én te voorspellen welke maatregelen onder welke omstandigheden het meest effectief zijn.
Het project is een samenwerking tussen onderzoekers, overheden en adviesbureaus. Samen zorgen we voor een werkend prototype van de vernieuwde KRW-Verkenner, dat goed aansluit bij bestaande beleidsinstrumenten. De tool wordt getest in de praktijk en ontwikkeld met oog voor voor uitlegbaarheid, herbruikbaarheid en aansluiting bij de beleidsvragen van morgen. Bij de ontwikkeling wordt nadrukkelijk contact gezocht met de waterschappen, als belangrijke eindgebruikers van het prototype, via gebruikersdagen, een enquête en workshops.
DOEL
Het project levert een vernieuwd prototype van de KRW-Verkenner op, waarmee beleidsmakers en waterbeheerders beter kunnen voorspellen wat de ecologische effecten zijn van maatregelen. Het model is gebaseerd op verbeterde stuurvariabelen, verfijnde kennisregels en AI-gedreven verbanden tussen milieudrukken en soortvoorkomen. De uitkomsten worden vertaald naar EKR-scores, Natura2000-maatlatten en biodiversiteitsindices zoals de Shannon-index. Hiermee ontstaat een robuuster fundament voor beleidskeuzes.
Naast het prototype worden herbruikbare datasets, kennisregels en algoritmen opgeleverd, bruikbaar voor bredere beleidscontexten zoals natuur- en stikstofanalyses. Door de koppeling met D-Eco Impact en het Landelijk Waterkwaliteitsmodel wordt de tool ingebed in de nationale informatie-infrastructuur. Zo vormt het project een stap richting een geïntegreerde standaard voor ecologische waterkwaliteitsbeoordeling.
WERKPLAN
Het project borduurt voort op de bestaande KRW-Verkenner en ontwikkelt een nieuwe, AI-gedreven module die voor het eerst causale verbanden legt tussen milieudrukken en ecologische respons. Dit leidt tot een uitlegbaar en beleidsgericht prototype dat soortenvoorkomen, EKR’s en biodiversiteitsindices voorspelt en inzetbaar is in tools als D-Eco Impact en het Landelijk Waterkwaliteitsmodel.
Het project is opgebouwd uit vier werkpakketten:
WP1 – Modelarchitectuur en data-infrastructuur - Q3 2025 tot Q4 2025
In dit werkpakket worden de bouwstenen en structuur van het nieuwe ecologische AI-model ontworpen. De focus ligt op het selecteren van relevante stuurvariabelen, het modulair opzetten van de modelarchitectuur en het ontwikkelen van een generieke database met milieudrukken en ecologische respons. Ook wordt gekeken naar harmonisatie tussen de KRW-Verkenner voor regionale en rijkswateren en de koppeling met bestaande tools zoals D-Eco Impact.
WP2 – Modelontwikkeling en AI-technieken - Q4 2025 tot Q3 2026
Hier worden AI-methoden toegepast om causale relaties tussen drukfactoren en ecologische respons te achterhalen. Het doel is om uitlegbare, robuuste modellen te ontwikkelen die handelingsperspectief bieden voor waterbeheerders. De trainingsbasis wordt waar mogelijk verrijkt met buitenlandse datasets om de generaliseerbaarheid te vergroten.
WP3 – Modelvalidatie en evaluatie - Q2 2026 tot Q4 2026
De ontwikkelde AI-componenten worden getoetst aan velddata, historische datasets en expertbeoordelingen. Samen met waterschappen en adviesbureaus wordt geëvalueerd of de modellen aansluiten bij de beleidspraktijk. De validatie richt zich op nauwkeurigheid, toepasbaarheid en de begrijpelijkheid van de modeluitvoer.
WP4 – Integratie en bouw prototype - Q1 2027 tot Q2 2027
De resultaten worden geïntegreerd in een werkend, uitlegbaar prototype dat inzetbaar is in beleidsstudies en scenarioplanning. Het prototype wordt getest met eindgebruikers tijdens workshops en gebruikersdagen. Het werkpakket sluit af met een technische en functionele beschrijving ter ondersteuning van verdere opschaling.
VOORTGANG
