Kan AI onze voeten drooghouden?
Op 30 mei dit jaar barstte de hemel open boven de KU Leuven-campus in Heverlee. Op slechts enkele uren tijd stonden de straten blank en liep het water de kelders (en mijn schoenen) binnen. Hoewel de campus vlak aan de Dijle gelegen is, was die niet de oorzaak van alle ellende. De overstroming werd rechtstreeks veroorzaakt door de neerslag en dus niet door een rivier die uit haar oevers treedt. Zulke regenoverstromingen, die ontstaan wanneer een stortbui zoveel water dumpt dat de bodem en riolering het niet meer aankunnen, krijgen veel minder aandacht dan rivieroverstromingen. Met behulp van artificiële intelligentie onderzocht ik die blinde vlek voor het eerst op wereldschaal. Wat blijkt? Klimaatverandering zorgt voor meer regenoverstromingen.
Overstroming op 30 mei 2026 op de KU Leuven-campus te Heverlee
Nog nat achter de (wetenschappelijke) oren
Het IPCC, het klimaatpanel van de Verenigde Naties, verwijst voor een inschatting over de effecten van klimaatverandering op regenoverstromingen naar extreme regenval als directe maatstaf. Opmerkelijk genoeg bestaat er vandaag nog altijd geen wereldwijde studie naar de impact van klimaatverandering op regenoverstromingen. Terwijl rivieroverstromingen uitgebreid onderzocht worden, blijft deze vorm van overstromingen grotendeels een blinde vlek. Waarom weten we zoveel over rivieroverstromingen en zo weinig over regenoverstromingen? Rivieren zijn enorm voorspelbaar: als er meer water toekomt dan er kan wegstromen, stijgt het waterniveau. Bij regenoverstromingen komt veel meer kijken: water infiltreert in de bodem, wordt opgenomen door planten en het verdampt. Voor die processen bestaan geen harde fysicawetten. Om toch een idee te krijgen over hun belang, maken onderzoekers inschattingen op basis van de kenmerken van de plaatselijke bodem, vegetatie en topografie. Dat is misschien werkbaar voor één rivierbekken, maar onmogelijk voor de hele planeet.
Voel je de bui al hangen?
Tijdens mijn thesis heb ik een wereld met en zonder klimaatverandering vergeleken voor het aantal regenoverstromingen. De conclusie is duidelijk: er zijn mondiaal systematisch meer regenoverstromingen in het huidige klimaat dan mocht de aarde niet opwarmen. Dat ligt in de lijn der verwachtingen, aangezien regenoverstromingen vaak direct gekoppeld zijn aan extreme regenval, wat op zijn beurt gelinkt is aan de stijgende temperatuur. Het is namelijk zo dat lucht die 1°C warmer is, 7% meer vocht kan bevatten. Het gevolg is voor veel plaatsen op aarde dat klimaatverandering zorgt voor langere droge periodes (deze zomer treffend geïllustreerd in Europa), maar ook voor hevigere stortbuien. Rivieren, daarentegen, bufferen een deel van de neerslag, waardoor rivieroverstromingen veel minder gevoelig zijn aan die hevige neerslag.
Op wereldschaal lijkt het effect verrassend klein: ongeveer 0,5 procent. Maar dat cijfer bedriegt. Achter dat gemiddelde schuilen regio's waar regenoverstromingen volgens het model veel vaker voorkomen. Vooral in delen van Noord- en Midden-Amerika en Oost-Azië ziet het model een sterke toename, maar ook delen van Noord-Europa kleuren rood. Op onderstaande kaart kan je per regio zien hoeveel vaker of minder vaak regenoverstromingen voorkomen: rood is een toename, blauw is een afname en grijs is stabiel.
Voor veel delen van de planeet is de verandering beperkt, maar enkele hotspots springen er sterk uit.
Geen fysica maar patronen
Maar hoe ben ik er wél in geslaagd om een wereldwijde analyse van regenoverstromingen te maken? Ik heb gebruik gemaakt van artificiële intelligentie (AI). In plaats van alle processen afzonderlijk te beschrijven met formules, kan een AI-model zelf patronen leren uit grote hoeveelheden gegevens. Exact dat heb ik in mijn thesis gedaan: een AI-model ontwikkeld om regenoverstromingen op wereldschaal te kunnen voorspellen. Ik gaf het model kenmerken van bodem, landschap en neerslag. Op basis van satellietbeelden vertelde ik het model waar en wanneer er een overstroming plaatsvond. Vervolgens leerde het zelf welke omstandigheden er tot een overstroming leiden. Processen zoals verdamping of infiltratie heb ik dus niet expliciet beschreven: het model leerde ze rechtstreeks uit de gegevens.
Dat lijkt redelijk goed te lukken. Het model beschouwt bossen en hoger gelegen plaatsen bijvoorbeeld als veiliger, terwijl akkers en kleirijke gebieden veel vaker in de gevarenzone belanden. Dat zijn logische relaties die ik nooit aan het model verteld heb, maar die het zelfstandig heeft aangeleerd.
Waar zijn de uitschieters?
Toch is mijn model absoluut nog niet perfect. Kleine overstromingen worden vaak overschat, terwijl grote overstromingen worden onderschat. Het model vlakt dus extremen af. Daardoor lijkt het model goed te presteren voor gemiddelde situaties, maar worden de meest extreme overstromingen onderschat. Dat suggereert dat de werkelijke verandering in extreme regenoverstromingen wel eens groter zou kunnen zijn dan de 0,5% die het model voorspelt.
In september 2024 richtte storm Boris veel schade aan in Centraal-Europa. Op de kaartjes hieronder zie je een voorbeeld uit Wit-Rusland. Het kaartje links toont de overstroomde stukken zoals ze door de satelliet werden waargenomen, terwijl het kaartje in het midden de resultaten van het model afbeeldt. Helemaal rechts is het verschil tussen beiden weergegeven. Je ziet onmiddellijk wat ik bedoel met het afvlakken van extremen: het model geeft overal lichtblauw aan, terwijl in realiteit vaak donkerblauw en wit voorkomen.
Casestudy uit Wit-Rusland (2024)
Hoewel het model zeker nog niet optimaal presteert en vooral extremen onderschat, leert het toch de belangrijkste patronen achter regenoverstromingen aan. Voor het eerst is een mondiale analyse van deze vaak vergeten overstromingen mogelijk. Dat suggereert dat er potentieel ligt in het gebruik van AI om regenoverstromingen te voorspellen. Maar wat zijn we nu met zo’n model, buiten dat we de impact van klimaatverandering beter kunnen inschatten? Stel dat de KU Leuven haar campus wil herinrichten om regenoverstromingen in de toekomst te vermijden, dan zouden ze verschillende plannen kunnen inladen in mijn model en vergelijken voor welke maatregelen het model de minste regenoverstromingen voorspelt. Als het model nog wat verbeterd wordt, dan zouden we zelfs waarschuwingen kunnen verspreiden op basis van weersvoorspellingen, om bijvoorbeeld de kelders leeg te maken en zandzakjes klaar te leggen. AI houdt onze voeten misschien niet droog, maar het kan ons wel tonen waar we best een paraplu klaarzetten. Of hoe we onze campussen inrichten…
Bibliografie
Abbot, J. and Marohasy, J. (2014). Input selection and optimisation for monthly rain fall forecasting in queensland, australia, using artificial neural networks. Atmospheric Research, 138:166–178.
Aghenda, M., Labbaci, A., Bouchaou, L., Hssaisoune, M., and Ait Brahim, Y. (2025). Flood prediction using machine learning and deep learning models: a systematic review. Mediterranean Geoscience Reviews, pages 1–19.
Alfieri, L., Cohen, S., Galantowicz, J., Schumann, G. J., Trigg, M. A., Zsoter, E., Prud homme, C., Kruczkiewicz, A., de Perez, E. C., Flamig, Z., et al. (2018). A global network for operational flood risk reduction. Environmental science & policy, 84:149–158.
Ali, H., Fowler, H. J., Lenderink, G., Lewis, E., and Pritchard, D. (2021). Consistent large-scale response of hourly extreme precipitation to temperature variation over land. Geophysical Research Letters, 48(4):e2020GL090317.
An, H. and Ouyang, C. (2025). A hybrid framework for real-time flash flood forecasting in small ungauged catchments: integrating hydrodynamic simulations with lstm networks. Journal of Hydrology, 661:133688.
Arnell, N. W. and Gosling, S. N. (2016). The impacts of climate change on river flood risk at the global scale. Climatic Change, 134(3):387–401.
Barichivich, J., Gloor, E., Peylin, P., Brienen, R. J. W., Sch¨ongart, J., Espinoza, J. C., and Pattanayayak, K. C. (2018). Recent intensification of Amazon flooding extremes driven by strengthened Walker circulation. Science Advances, 4(9):eaat8785.
Bauer-Marschallinger, B., Cao, S., Tupas, M. E., Roth, F., Navacchi, C., Melzer, T., Freeman, V., and Wagner, W. (2022). Satellite-based flood mapping through bayesian inference from a sentinel-1 sar datacube. Remote Sensing, 14(15):3673.
Baugh, C., Colonese, J., D’Angelo, C., Dottori, F., Neal, J., Prudhomme, C., and Sala mon, P. (2024). Global river flood hazard maps. European Commission, Joint Research Centre (JRC) [Dataset]. Consulted on 12 February 2025.
Berghuijs, W. R., Woods, R. A., Hutton, C. J., and Sivapalan, M. (2016). Dominant flood generating mechanisms across the United States. Geophysical Research Letters, 43(9):4382–4390.
Bharali, B. (2021). Rate of infiltration for different soil textures using rainfall simulator and green-ampt model. ISH Journal of Hydraulic Engineering, 27(sup1):70–76.
Bl¨oschl, G., Hall, J., Viglione, A., Perdig˜ao, R. A., Parajka, J., Merz, B., Lun, D., Arheimer, B., Aronica, G. T., Bilibashi, A., et al. (2019). Changing climate both increases and decreases european river floods. Nature, 573(7772):108–111.
Bulti, D. T. and Abebe, B. G. (2020). A review of flood modeling methods for urban pluvial flood application. Modeling earth systems and environment, 6(3):1293–1302.
Cea, L., Sa˜nudo, E., Montalvo, C., Farf´an, J., Puertas, J., and Tamagnone, P. (2025). Recent advances and future challenges in urban pluvial flood modelling. Urban Water Journal, 22(2):149–173.
Chen, W., Hong, H., Li, S., Shahabi, H., Wang, Y., Wang, X., and Ahmad, B. B. (2019). Flood susceptibility modelling using novel hybrid approach of reduced-error pruning trees with bagging and random subspace ensembles. Journal of Hydrology, 575:864 873.
Chini, M., Hostache, R., Giustarini, L., and Matgen, P. (2017). A hierarchical split-based approach for parametric thresholding of sar images: Flood inundation as a test case. IEEE Transactions on Geoscience and Remote Sensing, 55(12):6975–6988.
Cho, C., Li, R., Wang, S.-Y., Yoon, J.-H., and Gillies, R. R. (2016). Anthropogenic footprint of climate change in the June 2013 northern India flood. Climate Dynamics, 46(3–4):797–805. Copernicus Emergency Management Service (2025). Glofas global flood monitoring (gfm). https://global-flood.emergency.copernicus.eu/technical-information/ glofas-gfm/. Consulted on 2 December 2025.
Costabile, P. and Macchione, F. (2015). Enhancing river model set-up for 2-d dynamic flood modelling. Environmental Modelling & Software, 67:89–107. CRED and UNISDR (2015). The human cost of natural disasters: A global perspective. Technical report, UNISDR, Geneva, Switzerland.
Cui, Z., Zhou, Y., Guo, S., Wang, J., Ba, H., and He, S. (2021). A novel hybrid xaj-lstm model for multi-step-ahead flood forecasting. Hydrology Research, 52(6):1436–1454.
Dankers, R., Arnell, N. W., Clark, D. B., Falloon, P. D., Fekete, B. M., Gosling, S. N., Heinke, J., Kim, H., Masaki, Y., Satoh, Y., Stacke, T., Tang, Q., and Wada, Y. (2014). First look at changes in flood hazard in the Inter-Sectoral Impact Model Intercompar ison Project ensemble. Proceedings of the National Academy of Sciences, 111(9):3257 3261.
Deng, H., Chen, W., and Huang, G. (2022). Deep insight into daily runoff forecasting based on a cnn-lstm model. Natural Hazards, 113(3):1675–1696.
Ding, Y., Zhu, Y., Feng, J., Zhang, P., and Cheng, Z. (2020). Interpretable spatio temporal attention lstm model for flood forecasting. Neurocomputing, 403:348–359.
Dookie, N., Chadee, X. T., and Clarke, R. M. (2019). Trends in extreme temperature and precipitation indices for the Caribbean small islands: Trinidad and Tobago. Theoretical and Applied Climatology, 136(1):31–44
Dudley, R. W., Hodgkins, G. A., McHale, M. R., Kolian, M. J., and Renard, B. (2017). Trends in snowmelt-related streamflow timing in the conterminous United States. Jour nal of Hydrology, 547:208–221.
Dunn, R. J. H., Alexander, L. V., Donat, M. G., Zhang, X., Bador, M., Herold, N., Lippmann, T., Allan, R., Aguilar, E., Brunet, M., Caron, M., de Lima, R., Frich, P., Garc´ıa-Asensio, A., Jacob, O., Kiktev, D., Kruger, A., Kubota, H., Lal, M., Lashkari, A., Lim, G., McCabe, G., Mendes, M., Milewska, E., Nandintsetseg, B., Raymond, C., Rusticucci, M., Srivastava, A., Tamararatne, S., Timmerman, S., Toreti, A., Twist, G., van der Schrier, G., Villaroel, C., Vincent, L., Vischel, T., Witten, D., and Zong, C. (2020). Development of an updated global land in situ-based data set of temperature and precipitation extremes: HadEX3. Journal of Geophysical Research: Atmospheres, 125(16):e2019JD032263. European Space Agency (2025). Copernicus dem dataspace. //dataspace.copernicus.eu/explore-data/data-collections/ copernicus-contributing-missions/collections-description/COP-DEM. sulted on 2 December 2025. https: Con European Union’s Copernicus Land Monitoring Service (CLMS) (2026). Product valida tion report: Global land cover map, 10 m (lcm-10), version 1. Technical Report Issue 1.0, European Commission, Joint Research Centre (JRC). Copernicus Global Land Cover and Tropical Forest Mapping and Monitoring service (LCFM).
FAO, IIASA, ISRIC, ISS-CAS, and JRC (2008). Harmonized world soil database (version 1.0). Technical report, FAO and IIASA, Rome, Italy and Laxenburg, Austria. Version 1.0.
FAO, IIASA, ISRIC, ISS-CAS, and JRC (2012). Harmonized world soil database v1.2. https://www.fao.org/soils-portal/data-hub/soil-maps-and-databases/ harmonized-world-soil-database-v12/en/. Accessed on: 22 februari 2026.
Fischer, A. M. et al. (2015). Projected changes in precipitation intensity and fre quency in switzerland: a multi-model perspective. International Journal of Climatology, 35(11):3204–3219.
Fowler, H. J. et al. (2021). Anthropogenic intensification of short-duration rainfall ex tremes. Nature Reviews Earth & Environment, 2(2):107–122.
Fronk, C. and Petzold, L. (2025). The vanishing gradient problem for stiff neural differ ential equations. Chaos: An Interdisciplinary Journal of Nonlinear Science, 35(11).
Furquim, G., Pessin, G., Faical, B. S., Mendiondo, E. M., and Ueyama, J. (2016). Improv ing the accuracy of a flood forecasting model by means of machine learning and chaos theory: A case study involving a real wireless sensor network deployment in brazil. Neural computing and applications, 27(5):1129–1141.
Global Land Evaporation Amsterdam Model (2025). Global land evaporation amsterdam model. https://www.gleam.eu/. Consulted on 2 December 2025.
Guo, J. (2024). Explicit solution of horton’s equation for infiltration capacity. Journal of Irrigation and Drainage Engineering, 150(6):06024002
Hallegatte, S., Green, C., Nicholls, R. J., and Corfee-Morlot, J. (2013). Future flood losses in major coastal cities. Nature climate change, 3(9):802–806.
Helsen, S. et al. (2020). Consistent scale-dependency of future increases in hourly ex treme precipitation in two convection-permitting climate models. Climate Dynamics, 54(3):1267–1280.
Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Hor´anyi, A., Mu˜noz-Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., et al. (2020). The era5 global reanalysis. Quarterly journal of the royal meteorological society, 146(730):1999–2049.
Hirabayashi, Y., Mahendran, R., Koirala, S., Konoshima, L., Yamazaki, D., Watanabe, S., Kim, H., and Kanae, S. (2013). Global flood risk under climate change. Nature climate change, 3(9):816–821.
Hochreiter, S. and Schmidhuber, J. (1997). Long short-term memory. Neural Computa tion, 9(8):1735–1780.
Horton, R. E. (1940). An approach toward a physical interpretation of infiltration capacity. In Soil science Society of America proceedings, volume 5, page 24. Madison.
Jonkman, S. N. (2005). Global perspectives on loss of human life caused by floods. Natural hazards, 34(2):151–175.
Kabir, S., Patidar, S., Xia, X., Liang, Q., Neal, J., and Pender, G. (2020). A deep convolutional neural network model for rapid prediction of fluvial flood inundation. Journal of Hydrology, 590:125481.
Karger, D. N., Lange, S., Hari, C., Reyer, C. P., Conrad, O., Zimmermann, N. E., and Frieler, K. (2023). Chelsa-w5e5: daily 1 km meteorological forcing data for climate impact studies. Earth System Science Data, 15(6):2445–2464.
Karger, D. N. and Zimmermann, N. E. (2021). Climatologies at high resolution for the earth land surface areas chelsa v1. 2: technical specification. Swiss Federal Research Institute WSL. Retrieved January, 7:2025.
Karim, F., Armin, M. A., Ahmedt-Aristizabal, D., Tychsen-Smith, L., and Petersson, L. (2023). A review of hydrodynamic and machine learning approaches for flood inundation modeling. Water, 15(3):566.
Kharin, V. et al. (2018). Risks from climate extremes change differently from 1.5°c to 2.0°c depending on rarity. Earth’s Future, 6(5):704–715.
Kim, B., Sanders, B. F., Famiglietti, J. S., and Guinot, V. (2015). Urban flood modeling with porous shallow-water equations: A case study of model errors in the presence of anisotropic porosity. Journal of Hydrology, 523:680–692.
Kratzert, F., Klotz, D., Brenner, C., Schulz, K., and Herrnegger, M. (2018a). Rainfall runoff modelling using long short-term memory (lstm) networks. Hydrology and Earth System Sciences, 22(11):6005–6022.
Kratzert, F., Klotz, D., Herrnegger, M., and Hochreiter, S. (2018b). A glimpse into the unobserved: Runoff simulation for ungauged catchments with lstms. In Workshop on Modeling and Decision-Making in the Spatiotemporal Domain, 32nd Conference on Neural Information Processing Systems (NeurIPS 2018), Montreal, Canada.
Krieger, G., Moreira, A., Fiedler, H., Hajnsek, I., Werner, M., Younis, M., and Zink, M. (2007). Tandem-x: A satellite formation for high-resolution sar interferometry. IEEE transactions on geoscience and remote sensing, 45(11):3317–3341.
Kroll, C. N. and Vogel, R. M. (2002). Probability distribution of low streamflow series in the united states. Journal of hydrologic Engineering, 7(2):137–146.
Li, C. et al. (2021). Changes in annual extremes of daily temperature and precipitation in cmip6 models. Journal of Climate, 34(9):3441–3460.
Li, X. and Willems, P. (2020). A hybrid model for fast and probabilistic urban pluvial flood prediction. Water Resources Research, 56(6):e2019WR025128.
Liao, Y., Wang, Z., Chen, X., and Lai, C. (2023). Fast simulation and prediction of urban pluvial floods using a deep convolutional neural network model. Journal of Hydrology, 624:129945.
Lin, M., Lucas, H. C., and Shmueli, G. (2011). Too big to fail: larger samples and false discoveries. Robert H. Smith School Research Paper No. RHS, pages 06–068.
Mabumbo, D., Nohayi, N., Sanchez Ramirez, J. C., Dessalegn, M., and Ruckstuhl, S. (2024). Navigating climate resilience in fragile settings: A retrospective analysis of the 2023 flood impacts, early warning, and response in ethiopia’s somali region. Technical report, International Water Management Institute (IWMI), Colombo, Sri Lanka.
Martinis, S., Kuenzer, C., Wendleder, A., Huth, J., Twele, A., Roth, A., and Dech, S. (2015). Comparing four operational sar-based water and flood detection approaches. International Journal of Remote Sensing, 36(13):3519–3543.
McKee, T. B., Doesken, N. J., Kleist, J., et al. (1993). The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference on Applied Climatology, volume 17, pages 179–183. Boston.
Mengel, M., Treu, S., Lange, S., and Frieler, K. (2021). Attrici v1. 1–counterfactual climate for impact attribution. Geoscientific Model Development, 14(8):5269–5284.
Mosavi, A., Ozturk, P., and Chau, K.-w. (2018). Flood prediction using machine learning models: Literature review. Water, 10(11):1536.
Mosavi, A., Rabczuk, T., and Varkonyi-Koczy, A. R. (2017). Reviewing the novel machine learning tools for materials design. In International Conference on Global Research and Education, pages 50–58. Springer.
Nachtergaele, F., Van Velthuizen, H., Verelst, L., Batjes, N., Dijkshoorn, K., van Engelen, V., Fischer, G., Jones, A., Montanarella, L., Petri, M., et al. (2010). Harmonized world soil database. In Proceedings of the 19th world congress of soil science, soil solutions for a changing world, Brisbane, Australia, volume 2010, pages 34–37. International Union of Soil Sciences.
Nearing, G., Cohen, D., Dube, V., Gauch, M., Gilon, O., Harrigan, S., Hassidim, A., Klotz, D., Kratzert, F., Metzger, A., et al. (2024). Global prediction of extreme floods in ungauged watersheds. Nature, 627(8004):559–563.
Nearing, G. S., Kratzert, F., Sampson, A. K., Pelissier, C. S., Klotz, D., Frame, J. M., Prieto, C., and Gupta, H. V. (2021). What role does hydrological science play in the age of machine learning? Water Resources Research, 57(3):e2020WR028091.
Neri, A., Villarini, G., Slater, L. J., and Napolitano, F. (2019). On the statistical attri bution of the frequency of flood events across the U.S. Midwest. Advances in Water Resources, 127:225–236.
Nevo, S., Morin, E., Gerzi Rosenthal, A., Metzger, A., Barshai, C., Weitzner, D., Voloshin, D., Kratzert, F., Elidan, G., Dror, G., et al. (2022). Flood forecasting with machine learning models in an operational framework. Hydrology and Earth System Sciences, 26(15):4013–4032.
Nie, J., Sobel, A. H., Shaevitz, D. A., and Wang, S. (2018). Dynamic amplification of extreme precipitation sensitivity. Proceedings of the National Academy of Sciences, 115(38):9467–9472.
Nix, D. and Weigend, A. (1994). Estimating the mean and variance of the target prob ability distribution. In Proceedings of 1994 IEEE International Conference on Neural Networks (ICNN’94), volume 1, pages 55–60 vol.1. NOAA’s National Weather Service (2024). Glossary. https://forecast.weather.gov/. Consulted on 30 October 2025.
Office of Public Works (2026). FloodInfo.ie- National Flood Information Portal. https: //www.floodinfo.ie/. Accessed on 4 May 2026.
Paik, S. et al. (2020). Determining the anthropogenic greenhouse gas contribution to the observed intensification of extreme precipitation. Geophysical Research Letters, 47(12):e2019GL086875.
Pall, P., Tallaksen, L. M., and Stordal, F. (2019). A climatology of rain-on-snow events for Norway. Journal of Climate, 32(20):6995–7016.
Pendergrass, A. G., Lehner, F., Sanderson, B. M., and Xu, Y. (2015). Does extreme precipitation intensity depend on the emissions scenario? Geophysical Research Letters, 42(20):8767–8774.
Perera, M. D. D., Angeloudis, A., Siripatana, A., and Beevers, L. (2026). Hybrid methods in flood inundation modeling: a systematic review. Natural Hazards, 122(8):357.
Philip, S., Kew, S. F., van Oldenborgh, G. J., Otto, F. E. L., O’Keefe, S., Hauser, M., King, A. D., Zehe, E., Jadav, G., and Vautard, R. (2018). Validation of a Rapid Attribution of the May/June 2016 Flood-Inducing Precipitation in France to climate change. Journal of Hydrometeorology, 19(11):1881–1898.
Rehmer, A. and Kroll, A. (2020). On the vanishing and exploding gradient problem in gated recurrent units. IFAC-PapersOnLine, 53(2):1243–1248.
Rentschler, J., Salhab, M., and Jafino, B. A. (2022). Flood exposure and poverty in 188 countries. Nature communications, 13(1):3527.
Riboldi, J., Noyelle, R., Agayar, E., Binder, H., Federer, M., Hartmuth, K., Sprenger, M., Thurnherr, I., and Vishnupriya, S. (2025). Storm boris (2024) in the current and future climate: a dynamics-centered contextualization, and some lessons learnt. EGUsphere, 2025:1–33.
Rosenzweig, C., Arnell, N. W., Ebi, K. L., Lotze-Campen, H., Raes, F., Rapley, C., Smith, M. S., Cramer, W., Frieler, K., Reyer, C. P., et al. (2017). Assessing inter sectoral climate change risks: the role of isimip.
Samadi, A., Jafarzadegan, K., and Moradkhani, H. (2025). Dem-based pluvial flood inundation modeling at a metropolitan scale. Environmental Modelling & Software, 183:106226.
Samset, B. H., Sand, M., Smith, C. J., Bauer, S. E., Forster, P. M., Fuglestvedt, J. S., Osprey, S., and Schleussner, C.-F. (2018). Climate impacts from a removal of anthro pogenic aerosol emissions. Geophysical Research Letters, 45(2):1020–1029.
Schumann, G. J.-P. and Moller, D. K. (2015). Microwave remote sensing of flood inunda tion. Physics and Chemistry of the Earth, Parts a/b/c, 83:84–95.
Seneviratne, S. I. and Hauser, M. (2020). Regional climate sensitivity of climate extremes in cmip6 versus cmip5 multimodel ensembles. Earth’s Future, 8(9):e2019EF001474.
Seneviratne, S. I., Nicholls, N., Easterling, D., Goodess, C. M., Kanae, S., Kossin, J., Luo, Y., Marengo, J., McInnes, K., Rahimi, M., Reichstein, M., Sorteberg, A., Vera, C., and Zhang, X. (2012). Changes in climate extremes and their impacts on the natural physical environment. In Field, C. B., Barros, V., Stocker, T. F., and Dahe, Q., editors, Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation, pages 109–230. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. A Special Report of Working Groups I and II of the Intergovernmental Panel on Climate Change (IPCC).
Seneviratne, S. I., Zhang, X., Adnan, M., Badi, W., Dereczynski, C., Di Luca, A., Ghosh, S., Iskandar, I., Kossin, J., Lewis, S., Otto, F., Pinto, I., Satoh, M., Vicente-Serrano, S. M., Wehner, M., and Zhou, B. (2021). Weather and climate extreme events in a changing climate. In Masson-Delmotte, V., Zhai, P., Pirani, A., Connors, S. L., P´ean, C., Berger, S., Caud, N., Chen, Y., Goldfarb, L., Gomis, M. I., Huang, M., Leitzell, K., Lonnoy, E., Matthews, J. B. R. t., Maycock, T. K., Waterfield, T., Yelek¸ci, ¨ O., Yu, R., and Zhou, B., editors, Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change, pages 1513–1766. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.
Sillmann, J., Stjern, C. W., Myhre, G., Samset, B. H., Hodnebrog, O., Andrews, T., Boucher, O., Faluvegi, G., Forster, P., Kasoar, M., Kharin, V. V., Kirkev˚ag, A., Lamar que, J.-F., Olivi´e, D. J. L., Richardson, T. B., Shindell, D., Takemura, T., Voulgarakis, A., and Zwiers, F. W. (2019). Extreme wet and dry conditions affected differently by greenhouse gases and aerosols. npj Climate and Atmospheric Science, 2(1):24.
Solomatine, D. P. and Ostfeld, A. (2008). Data-driven modelling: some past experiences and new approaches. Journal of hydroinformatics, 10(1):3–22.
Sun, Q., Zhang, X., Zwiers, F., Westra, S., and Alexander, L. (2021). A global, conti nental, and regional analysis of changes in extreme precipitation. Journal of Climate, 34(1):243–258.
Teufel, B., Diro, G. T., Whan, K., Milrad, S. M., Jeong, D. I., Ganji, A., Huziy, O., Matthews, H. D., and de Elia, R. (2019). Investigation of the mechanisms leading to the 2017 Montreal flood. Climate Dynamics, 52(7–8):4193–4206.
The Inter-Sectoral Impact Model Intercomparison Project (2025). Isimip repository. https://www.isimip.org. Consulted on 11 November 2025.
Thiery, W., Lange, S., Rogelj, J., Schleussner, C.-F., Gudmundsson, L., Seneviratne, S. I., Andrijevic, M., Frieler, K., Emanuel, K., Geiger, T., et al. (2021). Intergenerational inequities in exposure to climate extremes. Science, 374(6564):158–160.
Torres, R., Snoeij, P., Geudtner, D., Bibby, D., Davidson, M., Attema, E., Potin, P., Rommen, B., Floury, N., Brown, M., et al. (2012). Gmes sentinel-1 mission. Remote sensing of environment, 120:9–24.
Tramblay, Y., Villarini, G., and Zhang, W. (2020). Observed changes in flood hazard in Africa. Environmental Research Letters, 15(10):1040b5.
Venkatesan, E. and Mahindrakar, A. B. (2019). Forecasting floods using extreme gradient boosting–a new approach. International journal of civil engineering and technology, 10(2):1336–1346.
Vicente-Serrano, S. M., Beguer´ıa, S., and L´opez-Moreno, J. I. (2010). A multiscalar drought index sensitive to global warming: the standardized precipitation evapotran spiration index. Journal of climate, 23(7):1696–1718.
Ward, R. C. and Robinson, M. (2000). Principles of Hydrology. McGraw-Hill, London, 4th edition.
Waseem, H. B. and Rana, I. A. (2023). Floods in pakistan: A state-of-the-art review. Natural Hazards Research, 3(3):359–373.
Wasko, C. and Nathan, R. (2019). Influence of changes in rainfall and soil moisture on trends in flooding. Journal of Hydrology, 575:432–441.
Wessel, B., Huber, M., Wohlfart, C., Marschalk, U., Kosmann, D., and Roth, A. (2018). Accuracy assessment of the global tandem-x digital elevation model with gps data. ISPRS Journal of Photogrammetry and Remote Sensing, 139:171–182.
Woldemeskel, F. and Sharma, A. (2016). Should flood regimes change in a warming climate? The role of antecedent moisture conditions. Geophysical Research Letters, 43(14):7556–7563.
Yan, S. (2016). Understanding LSTM and its diagrams. https://blog.mlreview. com/understanding-lstm-and-its-diagrams-37e2f46f1714. Accessed on 11 August 2026.
Zhang, X., Wan, H., Zwiers, F. W., Hegerl, G. C., and Min, S.-K. (2013). Attribut ing intensification of precipitation extremes to human influence. Geophysical Research Letters, 40(19):5252–5257.
