L'IA predittiva individua siti a rischio per migliorare il monitoraggio della qualità delle falde

RomeTitolo: Strumento di apprendimento automatico rivoluziona il monitoraggio delle acque sotterranee

Ricercatori hanno sviluppato un nuovo strumento basato sull'apprendimento automatico per migliorare il monitoraggio della qualità delle acque sotterranee. Questo strumento permette di individuare aree a rischio elevato di contaminazione, anche quando i dati disponibili sono scarsi. È stato inizialmente implementato in Arizona e Carolina del Nord, ma può essere adattato per altre regioni. Le acque sotterranee possono contenere sostanze pericolose come arsenico e piombo, quindi il monitoraggio è fondamentale. Dato che i test possono essere costosi e complessi, questo nuovo approccio si rivela indispensabile.

Il modello di apprendimento automatico analizza un vasto insieme di dati riguardanti la qualità delle acque sotterranee raccolti negli ultimi 140 anni. Si tratta di oltre 20 milioni di punti dati che coprono più di 50 parametri di qualità dell'acqua. Grazie a queste informazioni, l'intelligenza artificiale è in grado di prevedere la presenza e i livelli di vari inquinanti inorganici, anche disponendo di pochi parametri. I risultati iniziali mostrano discrepanze tra i dati attuali e le previsioni dell'AI su quali siti soddisfano gli standard di sicurezza. Ad esempio, i dati sul campo indicano che il 75-80% delle località supera i test di sicurezza, ma l'AI prevede che solo il 15-55% di esse possa essere effettivamente sicuro.

Leggi anche:

15 novembre 2024 · 02:13

Studio innovativo: AI e diagnosi medica – verso una maggiore precisione clinica

Il modello facilita la distribuzione delle risorse e si focalizza sulle aree più a rischio prendendo in considerazione i seguenti fattori:

• Correlazione dei dati geologici e ambientali
• Schemi storici di occorrenza di specifici inquinanti
• Elementi utili per l'agricoltura ma dannosi in altri contesti

Questa strategia è concepita per aiutare le agenzie statali e i governi locali a indirizzare le risorse verso le aree che ne hanno più bisogno, rendendo più efficaci i test e il trattamento delle acque. Aggiornando continuamente il modello con dati provenienti da diverse aree degli Stati Uniti e nuove informazioni ambientali, i ricercatori mirano a migliorarne la precisione nel tempo.

Lo studio esamina come il modello possa monitorare i livelli di fosforo, fondamentali per l'agricoltura ma potenzialmente dannosi per l'ambiente. L'obiettivo principale è che il modello possa aiutare a gestire l'uso del fosforo in diversi ecosistemi. Migliorando questo strumento di intelligenza artificiale, gli scienziati mirano a rendere l'acqua più sicura a livello globale, portando benefici per la salute ambientale e pubblica. I ricercatori auspicano che ciò conduca a un monitoraggio più efficace dei nuovi inquinanti.