Waterbeheerders gebruiken beslissingsondersteunende systemen (BOS) voor operationeel waterbeheer. Een belangrijke component van een BOS is een hydrologisch model dat op basis van weersverwachtingen, in combinatie met dataassimilatie, hydrologische verwachtingen genereert. In deze modellen wordt de
werkelijkheid zo goed mogelijk, maar nooit perfect, nagebootst. Zowel het model zelf als de voorspelde neerslag die als invoer dient, zullen een zekere onzekerheid hebben.
Voor het operationeel beheer is het nuttig om te achterhalen wat de oorzaak is van optredende fouten in de voorspellingen van het BOS. Hiermee kan gericht worden gewerkt aan het verbeteren van het BOS. Daarnaast kan snel worden gehandeld als blijkt dat de voorspelling niet zozeer fout was, maar dat het watersysteem afwijkend gedrag vertoont door bijvoorbeeld een verstopping van een watergang. Tijdig herkennen van afwijkend gedrag in het watersysteem kan helpen schade en overlast te beperken. Wij hebben onderzocht of met Machine Learning fouten in verwachtingen herleid kunnen worden naar de oorzaak van de fout. Is het een fout in het hydrologisch model, een fout in de verwachte neerslag, of vertoont het watersysteem afwijkend gedrag?
