Je overstromingsverzekering wordt geprijsd op een kaart uit 1987. Dit zou die moeten vervangen.

Vorig jaar zat ik tegenover een senior underwriter bij een middelgrote schade- en ongevallenverzekeraar in het zuidoosten. Achter hem hing een kaart aan de muur geprikt — letterlijk vastgeprikt met punaises — met de FEMA-overstromingszones voor een kustgraafschap waar zijn team volop polissen sloot. Ik vroeg wanneer de kaart voor het laatst was bijgewerkt.

Hij lachte. "Die kaart is ouder dan de meeste van mijn analisten."

Hij overdreef niet. De kaart was uit 1992. En hij gebruikte hem — samen met wat globaal middelen op postcodeniveau — om het overstromingsrisico te beprijzen voor duizenden woningen in een regio waar drie grote orkanen de kustlijn hadden hertekend, waar nieuwe woonwijken de moerasgebieden hadden dichtgeplaveid, en waar de afwateringsinfrastructuur was ontworpen voor een regenintensiteit die de realiteit niet meer weerspiegelt.

Dat gesprek liet me niet los. Niet omdat de underwriter incompetent was — hij was scherp, ervaren en zich terdege bewust van het probleem. Maar omdat de tools die hem ter beschikking stonden uit een ander klimaattijdperk stamden, en de sector geen duidelijke weg had om ze te vervangen.

Dat bracht mijn team bij Veriprajna ertoe om maandenlang onderzoek te doen naar wat we nu "Deep AI" noemen voor overstromingsonderschrijving — een samensmelting van computer vision, satellietradar en physics-informed machine learning die het overstromingsrisico kan beoordelen op het niveau van een afzonderlijk gebouw, niet van een postcode. Ik schreef hier een interactief overzicht van het volledige onderzoek, en hoe dieper ik erin dook, hoe meer ik ervan overtuigd raakte dat dit geen leuke-om-te-hebben-upgrade is. Het is een solvabiliteitskwestie.

De Kaart Die Tegen Je Liegt

Dit is wat de meeste mensen — waaronder veel verzekeringsprofessionals — niet volledig doorhebben over de overstromingskaarten van FEMA: ze zijn nooit bedoeld geweest als onderschrijvingsinstrumenten.

Het concept van de "100-jarige overstroming", dat aan de basis ligt van het volledige National Flood Insurance Program, staat voor een jaarlijkse kans van 1% op een overstroming. Klinkt zeldzaam. Maar reken die kans uit over een hypotheek van 30 jaar en je komt uit op een kans van 26% om een "100-jarige overstroming" mee te maken gedurende de looptijd van de lening. Dat is geen staartrisico. Dat is kop of munt, met net iets betere kansen.

De kaarten zelf zijn nog erger dan het concept. Ongeveer 75% van de FEMA-overstromingskaarten is ouder dan vijf jaar. Sommige dateren uit de jaren 1970 en 1980. Ze houden geen rekening met nieuwbouw die afwateringspatronen veranderde. Ze houden geen rekening met klimaatverandering die de regenval intensiveert. En ze creëren wat ik het "kliprandeffect" ben gaan noemen — een binaire lijn waarbij een woning die één voet binnen de Special Flood Hazard Area ligt duizenden dollars betaalt voor verplichte verzekering, terwijl een woning die één voet erbuiten ligt als minimaal risico wordt geclassificeerd.

Water trekt zich niets aan van lijnen op een kaart.

Bijna 68% van de meldingen van overstromingsschade doet zich voor buiten de door FEMA aangewezen overstromingszones met hoog risico. De kaarten zijn niet alleen verouderd — ze zijn systematisch misleidend.

Het resultaat is een markt gebouwd op verkeerde informatie. Minder dan 4% van de Amerikaanse huiseigenaren heeft een overstromingsverzekering. Niet omdat ze roekeloos zijn, maar omdat de kaarten hun vertelden dat ze veilig waren.

Waarom Gebeurt 68% van de Overstromingsschade Buiten de "Overstromingszones"?

Dit was de statistiek die me deed verstommen toen ik hem voor het eerst in het onderzoek tegenkwam. Als je me had gevraagd te gokken voordat ik de gegevens zag, had ik misschien 20% gezegd, of 30%. Maar 68%? Dat betekent dat het merendeel van de overstromingsverliezen onzichtbaar is voor het systeem dat ze zou moeten voorspellen.

Het antwoord is een woord dat de meeste mensen buiten de hydrologie nog nooit hebben gehoord: pluviale overstroming.

FEMA-kaarten modelleren rivieren die buiten hun oevers treden (fluviale overstroming) en stormvloed aan de kust. Ze modelleren niet wat er gebeurt wanneer vijftien centimeter regen valt in twee uur tijd in een wijk waar elke oprit, parkeerplaats en dak een ondoorlatend oppervlak is. Het water kan nergens heen. Het hoopt zich op. Het zoekt het laagste punt — dat misschien iemands verlaagde woonkamer is, drie mijl van de dichtstbijzijnde rivier.

Ik herinner me dat mijn team hierover in discussie ging tijdens een laat telefoongesprek. Een van onze onderzoekers, die zich diep in de literatuur over stedelijke hydrologie had verdiept, bleef volhouden dat micro-topografie — de subtiele helling van een straat, of een oprit naar de garage toe of ervan af loopt — belangrijker is dan de nabijheid van een rivier voor pluviale gebeurtenissen. Ik bracht daar tegenin. Het klonk te fijnkorrelig om betekenisvol te zijn op portefeuilleschaal.

Hij haalde schadegegevens tevoorschijn uit Houston na Harvey. Blok voor blok waren de verliezen enorm ongelijkmatig. Huizen in dezelfde straat, in dezelfde postcode, met dezelfde FEMA-aanduiding — het ene overstroomde, het andere niet. Het verschil zat vaak in een paar centimeter hoogteligging of de keermuur van een buurman.

Toen begreep ik het: middelen op postcodeniveau is niet alleen onnauwkeurig. Het is een fundamenteel verkeerde analyse-eenheid voor overstromingsrisico.

De Revolutie van Twintig Centimeter

Als er één variabele is die bepaalt of een overstroming een overlast of een ramp is, dan is het de First Floor Elevation — de verticale afstand tussen de grond en de laagste bewoonbare verdieping van een gebouw.

De cijfers zijn hier verbluffend. Het verhogen van de begane grond van een woning met slechts één voet boven de basisoverstromingshoogte kan het gemiddelde jaarlijkse verlies met ongeveer 90% verminderen. Eén voet. Dat is het verschil tussen een pand dat een tikkende tijdbom is en een pand dat uitstekend te verzekeren is.

En toch staat dit getal bijna nooit in het dossier van de underwriter. Openbare kadastrale registers leggen het niet vast. Elevation Certificates zijn dure, handmatig opgestelde documenten. Verouderde modellen gokken gewoon maar wat — door bijvoorbeeld aan te nemen dat elke woning in een regio een standaard kruipruimte van één voet heeft.

Dit is waar computer vision alles verandert.

Mijn team bestudeerde wekenlang hoe neurale netwerken de First Floor Elevation kunnen extraheren uit beelden van Google Street View. Het proces is elegant op een manier die me verraste. Een convolutioneel neuraal netwerk kijkt naar een foto op straatniveau van een huis en identificeert de grondlijn, de drempel van de voordeur, de treden. Het schat de diepte in vanaf de camera tot de gevel. Vervolgens past het basale trigonometrie toe — camerahoogte, kantelhoek, pixelpositie — om de fysieke hoogte van de ingang boven straatniveau te berekenen.

Er is zelfs een prachtig eenvoudige reservemethode: treden tellen. Bouwvoorschriften schrijven een standaard optredehoogte voor van ongeveer 7 inch. Zes treden naar de voordeur? Dat is ruwweg 42 inch aan First Floor Elevation. Een CV-model kan treden tellen bij miljoenen panden zonder dat iemand zijn bureau verlaat.

Neurale netwerken die getraind zijn voor het schatten van de laagste verdiepingshoogte hebben gemiddelde foutmarges bereikt van slechts 0,218 meter — ongeveer 8,5 inch. Dat is precisie op centimeterniveau, op continentbrede schaal, zonder één enkel plaatsbezoek.

Toen ik die foutmarge voor het eerst zag, keek ik nog eens goed. Achtenhalve inch gemiddelde fout, afgeleid uit een foto genomen door een langsrijdende auto. Vergelijk dat met de verouderde aanpak waarbij wordt aangenomen dat elk huis in een postcode hetzelfde hoogteprofiel heeft. Het is niet eens dezelfde sport.

Wat Gebeurt Er Als Je Door Wolken Heen Kunt Kijken?

Overstromingsonderschrijving kent een wrange ironie: het moment waarop je het meest moet zien wat er op de grond gebeurt — tijdens een overstroming — is precies het moment waarop optische satellieten blind worden. Overstromingen gaan gepaard met wolken en regen. Camera's kunnen door geen van beide heen kijken.

Synthetic Aperture Radar trekt zich niets aan van wolken.

SAR-satellieten zenden microgolfpulsen uit die door wolkendek, rook en zware regen heen dringen, en meten vervolgens de energie die terugkaatst. Kalm water werkt als een spiegel — het weerkaatst het radarsignaal weg van de satelliet, en verschijnt als donkere pixels in het beeld. Droog land verstrooit het signaal terug, en verschijnt helder. Het contrast levert je een overstromingskaart op, door elk weertype heen, dag of nacht.

Ik geef toe dat toen ik voor het eerst SAR-gegevens tegenkwam, ik ze buitenaards vond. Het lijkt niet op een foto. Het is korrelig, gespikkeld en oncomfortabel. Maar zodra je begrijpt wat het je toont, is het buitengewoon — een alleswerend oog dat de exacte contour van een overstroming binnen enkele uren na de piek van een gebeurtenis in kaart kan brengen.

De complexiteit ontstaat in steden. Stedelijke overstroming veroorzaakt een verschijnsel dat "double bounce" wordt genoemd — de radar raakt het wateroppervlak, kaatst af tegen een muur van een gebouw en keert met hoge intensiteit terug naar de satelliet. Voor een naïef algoritme ziet dit eruit als droog land. Er zijn deep-learningmodellen voor nodig die specifiek getraind zijn op deze interferentiepatronen om stedelijke onderlopen correct te identificeren. Traditionele op drempelwaarden gebaseerde benaderingen falen hier stelselmatig.

Wanneer je SAR fuseert met optische gegevens — de radar voor allweerdekking en optische beelden voor spectrale bevestiging — overschrijdt de classificatienauwkeurigheid 92%, zelfs in complexe stedelijke landschappen.

Waarom Kan Standaard-AI Overstromingen Niet Gewoon Voorspellen?

Dit is een vraag die ik voortdurend krijg, en die een fundamenteel misverstand blootlegt over wat machine learning wel en niet kan.

Een standaard deep-learningmodel dat getraind is op historische overstromingsgegevens leert patronen. Het leert misschien dat panden nabij rivieren vaker overstromen, dat bepaalde grondsoorten correleren met hogere verliezen, dat de lente erger is dan de herfst. En voor gebeurtenissen die lijken op de trainingsgegevens presteert het redelijk goed.

Maar overstromingen worden erger op manieren waarvoor geen historisch precedent bestaat. Een puur datagestuurd model dat een stormintensiteit tegenkomt die het nog nooit heeft gezien, zal ofwel wild extrapoleren ofwel terugvallen op iets conservatiefs en verkeerds. Erger nog, het zou fysiek onmogelijke voorspellingen kunnen genereren — water dat verschijnt zonder bron, of dat bergopwaarts stroomt.

Een neuraal netwerk dat nog nooit een 500-jarige storm heeft gezien, zal hallucineren wanneer het er een tegenkomt. Fysica hallucineert niet.

Dit is waarom Physics-Informed Neural Networks — PINN's — de belangrijkste architecturale doorbraak in overstromingsmodellering vertegenwoordigen. Een PINN is niet alleen getraind om overeen te komen met historische gegevens. Het is tegelijkertijd getraind om de wetten van de vloeistofdynamica te gehoorzamen: behoud van massa (water verschijnt niet uit het niets) en behoud van impuls (water stroomt bergafwaarts, met inachtneming van zwaartekracht en wrijving).

De technische implementatie is in concept bedrieglijk eenvoudig. De verliesfunctie van het netwerk heeft twee componenten: hoe goed het overeenkomt met waargenomen gegevens, en hoe erg het de sturende fysicavergelijkingen schendt. Bestraf de fysicaschendingen tijdens de training, en je krijgt een model dat zowel data-geïnformeerd als fysiek beperkt is.

De praktische opbrengst is enorm. PINN's hebben veel minder trainingsgegevens nodig omdat de fysicavergelijkingen de oplossingsruimte inperken. En ze generaliseren naar ongekende gebeurtenissen omdat de onderliggende fysica niet verandert — een 500-jarige storm volgt dezelfde vloeistofdynamica als een 10-jarige storm, alleen met andere invoerwaarden.

Voor de volledige technische uiteenzetting van hoe deze architecturen samenwerken, inclusief de wiskunde achter Graph Neural Networks voor hydrologische routering, verwijs ik je graag naar ons onderzoeksrapport. Maar het kerninzicht voor de onderschrijving is dit: een PINN die getraind is als surrogaatmodel kan in realtime duizenden klimaatscenario's simuleren voor een specifiek pand. In plaats van een statisch "Zone AE"-tarief krijg je een dynamisch, probabilistisch risicoprofiel dat de werkelijke fysica weerspiegelt van water dat door dat specifieke landschap naar dat specifieke gebouw stroomt.

Het Solvabiliteitsargument

Ik heb het technologische argument aangevoerd, maar laat me het zakelijke maken, want hier huist de urgentie.

De combined ratio van de opstalverzekering — de basismaatstaf voor de vraag of een verzekeraar winst of verlies maakt op onderschrijving — bedroeg recent gemiddeld 101,5% en piekte op 110,5% in 2023. Boven de 100% betekent dat je verlies maakt. De sector bloedt.

Averechtse selectie verslindt verzekeraars levend. Wanneer je het overstromingsrisico op postcodeniveau beprijst, middel je een huis op een heuvel samen met een huis in een laagte. De huiseigenaar in de laagte — die weet dat zijn kelder bij elke zware regen onderloopt — koopt gretig tegen de gemiddelde prijs. De huiseigenaar op de heuvel, die de prijs terecht als te hoog voor zijn werkelijke risico beschouwt, haakt af. Je risicopool concentreert stilletjes de slechte risico's, en je schaderatio verslechtert op manieren die pas bij de volgende grote gebeurtenis aan het licht komen.

Deep AI keert deze dynamiek om. Een verzekeraar die weet dat een woning in een zone met "hoog risico" in werkelijkheid vier voet boven de basisoverstromingshoogte ligt, met geïnstalleerde overstromingsroosters en een verhoogd HVAC-systeem, kan die polis winstgevend afsluiten tegen een tarief waar verouderde concurrenten niet aan durven te raken. Dat is geen krenten uit de pap halen — het is nauwkeurige tarifering. En het werkt in beide richtingen: de woning in een zone met "laag risico" met een verlaagde garage en ondoorlatende oppervlakken aan alle kanten wordt beprijsd voor wat ze werkelijk is.

Het tijdperk van het onderschrijven van overstromingsrisico op basis van papieren kaarten uit de jaren 80 en postcodegemiddelden is feitelijk voorbij. De vraag is welke verzekeraars dit als eerste zullen inzien.

Er is hier ook een herverzekeringsaspect. Herverzekeraars — de bedrijven die de verzekeraars verzekeren — eisen in toenemende mate transparantie in de onderliggende portefeuilles van primaire verzekeraars. Een boek aan zaken dat is onderschreven met hoogtegegevens op pixelniveau en gemonitord via satellietradar is een fundamenteel andere risicopropositie dan een boek dat is beprijsd op basis van FEMA-zones. Betere gegevens betekenen betere herverzekeringsvoorwaarden, wat betere kapitaalefficiëntie betekent, wat concurrentievoordeel betekent. Het cumuleert.

"Maar Kun Je Het Uitleggen aan een Toezichthouder?"

Mensen vragen me dit altijd, en het is de juiste vraag. Naarmate AI centraal komt te staan in prijsbeslissingen die bepalen of iemand het zich kan veroorloven om in zijn eigen huis te blijven wonen, zal — en moet — het toezicht van de regelgevers verscherpen.

Dit is eigenlijk waar physics-informed modellen een onverwacht voordeel hebben boven black-box deep learning. De voorspellingen van een PINN zijn gefundeerd op expliciete fysische vergelijkingen — de Saint-Venant-vergelijkingen van de vloeistofdynamica, behoud van massa, behoud van impuls. Wanneer een verzekeringstoezichthouder van een deelstaat vraagt waarom een premie is gestegen, kan de verzekeraar wijzen op een specifiek, fysiek gemodelleerd hydraulisch risico: "Water uit dit stroomgebied bereikt dit pand op deze diepte onder deze regencondities, op basis van deze hoogtemetingen en deze afwateringstopologie."

Dat is geen ondoorzichtige algoritmische correlatie. Dat is engineering. Toezichthouders begrijpen engineering.

Ik ben dit "Glass Box AI" gaan noemen — modellen waarvan de redenering transparant is omdat ze verankerd is in bekende fysica, en niet alleen in aangeleerde statistische patronen. Het is het tegenovergestelde van het black-boxprobleem dat iedereen nerveus maakt over AI in besluiten met hoge inzet.

Waar Dit Vervolgens Heen Gaat

Het concept dat ik het meest fascinerend — en het meest ontwrichtend — vind, is wat ik het "levende" risicomodel zou noemen. Vandaag de dag wordt het overstromingsrisico beoordeeld bij aanvang van de polis en misschien opnieuw bekeken bij verlenging. Het is een momentopname. Maar risico is continu.

Als een SAR-satelliet bodemdaling in een regio detecteert, zouden de risicoscores van de getroffen panden moeten worden bijgewerkt. Als een buurman een waterdoorlatend gazon dichtplaveit, veranderen de oppervlakteafvloeiingskenmerken van het hele micro-stroomgebied. Als een gemeente haar regenwaterafvoer verbetert, profiteert elk pand in het afwateringsbekken daarvan.

Een levend model transformeert de verzekeraar van een uitbetaler van claims tot iets wat meer op een risicopartner lijkt. Tussentijdse aanpassingen. Proactieve waarschuwingen. Premiekortingen voor mitigatie die de verzekeraar daadwerkelijk kan verifiëren via luchtopnames — geïnstalleerde overstromingsroosters, verhoogde HVAC, onderhouden waterdoorlatende oppervlakken.

Dit maakt ook parametrische verzekering voor overstroming mogelijk — polissen die automatisch uitbetalen wanneer een satelliet bevestigt dat de overstromingsdiepte een drempelwaarde overschrijdt op de verzekerde coördinaten. Geen bezoeken van een schade-expert. Geen maandenlang claimproces. Onmiddellijke liquiditeit wanneer mensen die het hardst nodig hebben.

Ik blijf denken aan die underwriter met de kaart uit 1992 aan zijn muur. Hij was niet het probleem. Hij werkte met wat de sector hem gaf. Het probleem is dat de sector traag is geweest om te erkennen dat het klimaat is verdergegaan, de gegevens zijn verdergegaan en de technologie is verdergegaan — terwijl de onderschrijvingsinfrastructuur aan de muur geprikt bleef.

De samensmelting van computer vision, synthetic aperture radar en physics-informed machine learning verbetert de overstromingsonderschrijving niet alleen. Het maakt haar voor het eerst mogelijk. Alles wat hieraan voorafging was beredeneerd gokken op een resolutie die te grof was om betekenisvol te zijn. Wat hierna komt is meting — gebouw voor gebouw, voet voor voet, storm voor storm — op een precisie die het overstromingsrisico verandert van een onvoorspelbare ramp in iets dat je daadwerkelijk kunt beprijzen.

De verzekeraars die dit als eerste doorgronden, zullen niet alleen betere schaderatio's hebben. Zij zullen de enige schaderatio's hebben die hout snijden.