Early warning, early action: ‘We bieden hulp voordat het een ramp is’

Bij een (dreigende) natuurramp hebben hulpverleners snel veel goede informatie nodig. Het expertisecentrum 510 van het Rode Kruis in Den Haag ontwikkelt digitale producten (zoals dashboards) en diensten waarmee hulpverleners die informatie snel en kosteneffectief krijgen. Hoe gaat dit expertisecentrum te werk? En wat is het geheim van goed informatiemanagement? We gingen langs voor een interview.

Stel, er is een grote overstroming in een ontwikkelingsland. De hulpverleners van het Rode Kruis willen dan snel weten om welk gebied het gaat en welke hulp de mensen nodig hebben. “Beoordelingsteams gaan dan naar het gebied toe en voeren verkenningen uit”, vertelt Marc van den Homberg, scientific lead bij 510. “Op deze manier kunnen zij contact leggen met de mensen die in het gebied wonen. Zij kunnen vertellen hoe groot de schade is en waar ze behoefte aan hebben. Maar deze beoordelingen kosten tijd, zijn vaak pas na een paar dagen of een week beschikbaar en zijn kostbaar, zeker omdat de gebieden moeilijk begaanbaar zijn. Ook kan de informatie subjectief zijn, bijvoorbeeld omdat de gedetailleerde beoordelingen niet in het hele gebied gedaan kunnen worden. Mensen vertellen alleen wat ze zelf weten en kunnen waarnemen.”

Om dit te verbeteren heeft het Rode Kruis de zogeheten Automated Damage Assessment Tool ontwikkeld. Dit systeem brengt met artificial intelligence automatisch in kaart hoe groot de ramp is. Het vergelijkt de satellietbeelden van vóór de ramp met de satellietbeelden van ná de ramp. Zo brengt het snel in kaart welk gebied er getroffen is en stelt het per gebouw vast wat de schade is.

“Het systeem is nog niet zo nauwkeurig als het menselijk oog”, vertelt Marc. “Maar het is nauwkeurig genoeg om de eerste dag (direct nadat het eerste satellietbeeld beschikbaar is) vast te stellen om welk gebied het gaat en welke hulp daar nodig is.”

De Automated Damage Assessment Tool is een product van de afdeling 510 van het Rode Kruis in Den Haag. Hoe is deze afdeling ontstaan?
“Deze afdeling is in 2016 ontstaan na een overstroming in Malawi. Maarten van der Veen, oprichter en team lead van 510, was daar als hulpverlener en hij zag dat het Rode Kruis nog niet data-gedreven werkte. Dit was een van de aanleidingen om 510 op te zetten.

De afdeling begon klein met drie vaste medewerkers waaronder Maarten en ikzelf, een tiental vrijwilligers en 3 studenten per jaar. We zijn inmiddels uitgegroeid tot een van de toonaangevende data- en digitale instellingen die humanitaire organisaties ondersteunt bij het verlenen van hulp aan mensen in nood. 510 bestaat uit 40 vaste medewerkers, zo’n 50 vrijwilligers en 25 studenten per jaar. De vrijwilligers zijn mensen die in hun dagelijks werk voor andere organisaties werken, zoals de private sector (bijvoorbeeld bol.com of booking.com) of aan universiteiten. Zij werken bijvoorbeeld 1 dag in de week op vrijwillige basis voor ons, omdat ze dat leuk vinden en omdat ze graag een bijdrage willen leveren aan het Rode Kruis.”

De afdeling 510 ontwikkelt verschillende producten en diensten om de hulpverlening van het Rode Kruis wereldwijd te ondersteunen. Hoe gaat dat ontwikkelproces in zijn werk?
“We hebben een mensgerichte aanpak. Dus het ontwikkelen van een nieuw product begint altijd met interviews met de hulpverleners ter plaatse. Wat is hun huidige workflow en welke tools hebben ze nu? En wat voor informatiesysteem zouden ze graag willen hebben?

Na die interviews maken we een prototype. Dit leggen we aan de hulpverleners voor. Pas als zij tevreden zijn, gaan we het systeem daadwerkelijk ontwikkelen. We vinden het belangrijk om het op deze manier te doen, zodat het systeem aansluit bij de wensen van de mensen die ermee werken. Hiermee voorkomen we dat we aannames doen. Doe je die check niet, dan loop je het gevaar dat je producten gaat ontwikkelen die niet aansluiten bij de praktijk.

Bij het ontwikkelen van modellen die de humanitaire impact van weer voorspellen, proberen we eerst of een eenvoudige aanpak kan werken. Een wat simpeler model zal sneller begrepen en geaccepteerd worden door de hulpverleners ter plekke dan een ingewikkeld model. Ook is er soms simpelweg niet genoeg data beschikbaar om meer ingewikkelde en meer precieze modellen te ontwikkelen. Bijvoorbeeld in Mali gebruiken we alleen peilwatermetingen in een rivier stroomop- en stroomafwaarts. In andere situaties zoals bij orkanen in de Filipijnen hebben we soms wel ingewikkelde technieken, zoals artificial intelligence, nodig om een goed model te bouwen.”

Kun je een voorbeeld geven van een product dat jullie ontwikkeld hebben?
“We hebben voor 17 landen een Community Risk Assessment (CRA) dashboard gebouwd. Dit is een dashboard waarop je niet alleen kunt zien welke gebieden het grootste risico lopen, bijvoorbeeld op een overstroming of op droogte. Het geeft ook weer waar de meest kwetsbare groepen wonen, bijvoorbeeld omdat er veel armoede is of omdat er veel alleenstaande ouders wonen. Bovendien kun je in dit dashboard zien in welke gebieden de mensen het minst zelfredzaam zijn, bijvoorbeeld omdat ze geen mogelijkheid hebben om het gebied bij de ramp snel te ontvluchten.

De mensen die in een risicovol gebied wonen, kwetsbaar zijn en niet zelfredzaam, hebben vaak de meeste hulp nodig. Dit dashboard helpt ons om de juiste prioriteiten te stellen en programma’s op te stellen die het risico op een ramp verkleinen.”

Kun je nog een ander voorbeeld noemen van een product dat jullie ontwikkeld hebben?
"Ons Impact based Forecasting (IbF) portal. Met dit dashboard brengen we in kaart welke impact het weer van de komende dagen of weken zal hebben op het gebied. Bij verwachte hevige regenval brengen we bijvoorbeeld in kaart hoeveel huizen er naar verwachting onder water komen te staan.

De impact die het weer kan hebben, is per gebied verschillend. Bij een overstroming in Zambia, loop je bijvoorbeeld het risico dat alle waterputten in dat gebied vervuild raken. In het dashboard van dat gebied geven we dus aan welke waterputten waarschijnlijk getroffen gaan worden. In de Filipijnen kan hetzelfde weer ervoor zorgen dat er meer muggen komen die leiden tot meer knokkelkoortsinfecties (dengue). We geven in het dashboard van dat gebied weer wat de verwachte infectiegevallen van de mug zal zijn.”

In dit dashboard breng je de verwachte impact in kaart. Hoe ver kun je vooruit kijken?
“Dat ligt aan het weerfenomeen. Verwachte droogte zien we vaak 3 maanden van tevoren aankomen, een verwachte overstroming 7 dagen van tevoren en een orkaan 3 dagen van tevoren. Aardbevingen zijn nog niet te voorspellen. Er bestaan nog geen modellen die heel precies kunnen voorspellen wanneer een gebied te maken krijgt met een aardbeving.”

Wat gebeurt er vervolgens met de informatie uit deze dashboarden?
“We helpen mensen om maatregelen te nemen waarmee ze een ramp kunnen voorkomen. In de Filipijnen zagen we bijvoorbeeld enkele dagen van tevoren een orkaan aankomen. We hebben de mensen toen geholpen om hun daken te verstevigen. Zo konden ze grotere schade aan hun huis voorkomen.

Bij verwachte droogte delen we vaak geld uit aan de mensen die dat nodig hebben. We weten namelijk dat mensen die honger hebben door de droogte, de neiging hebben om al hun bezittingen te gaan verkopen. Ze verkopen ook hun laatste vee. Daardoor raken ze nog dieper in de ellende. Door geld te geven, helpen we hen door deze moeilijke periode heen. Zo kunnen ze hun vee behouden en kunnen ze na de droogte weer op eigen benen staan.”

Jullie ontwikkelen al sinds 2016 dit soort dashboards. Wat zou je – vanuit jullie ervaring – willen zeggen tegen andere organisaties die meer data-gedreven willen gaan werken?
“Houd er rekening mee dat de data uit het dashboard slechts één element is in de besluitvorming. Wij kunnen in een dashboard goed weergeven welk gebied het meest kwetsbaar is. Maar op lokaal niveau spelen er meer krachten en zijn er meer informatiebronnen beschikbaar. Er kunnen bijvoorbeeld politieke redenen zijn waarom er op lokaal niveau toch andere keuzes gemaakt worden.

Bovendien is het goed om te beseffen dat weermodellen altijd onzekerheden in zich hebben. We merken dat de gebruikers dat wel begrijpen. Ondanks de onzekerheden waarderen ze de modellen, want hoe eerder ze gewaarschuwd worden, hoe beter ze zich kunnen voorbereiden.

Vanwege de onzekerheden in de modellen, proberen we ‘early actions’ te adviseren die geen kwaad kunnen. Het kan bijvoorbeeld geen kwaad om geld te geven aan mensen die in armoede leven. Dit geld komt sowieso goed terecht, ook als de droogte uit blijft. Ook kan het geen kwaad om daken te verstevigen. Het is belangrijk om in de besluitvorming mee te nemen dat ons model gebaseerd is op verwachtingen. We geven alleen waarschuwingen af. We kunnen nooit met 100% zekerheid zeggen dat die verwachtingen uitkomen.”