AI-modellen verbeteren de monitoring van risicovolle grondwaterlocaties in Arizona en North Carolina

AmsterdamOnderzoekers hebben de methode voor het monitoren van de kwaliteit van grondwater verbeterd met een nieuwe machine learning-tool. Deze tool helpt om gebieden met een hoog risico op verontreiniging te identificeren, zelfs als er beperkte data beschikbaar zijn. Het wordt eerst toegepast in Arizona en North Carolina, maar kan ook worden aangepast voor gebruik in andere regio's. Grondwater kan gevaarlijke stoffen zoals arsenicum en lood bevatten, dus controle is zeer belangrijk. Het testen van grondwater kan duur en ingewikkeld zijn, daarom is deze nieuwe aanpak noodzakelijk.

Het machine learning-model analyseert een enorme verzameling van grondwaterkwaliteitsgegevens die teruggaan tot 140 jaar geleden. Het omvat meer dan 20 miljoen datapunten die meer dan 50 parameters van waterkwaliteit bestrijken. Met deze informatie kan de AI de aanwezigheid en niveaus van diverse anorganische verontreinigingen voorspellen, zelfs als slechts enkele parameters beschikbaar zijn. De eerste resultaten tonen aan dat er een verschil bestaat tussen de huidige gegevens en de voorspellingen van de AI over welke locaties aan de veiligheidsnormen voldoen. Bijvoorbeeld, veldgegevens geven aan dat 75-80% van de locaties slaagt voor de veiligheidstests, maar de AI voorspelt dat slechts 15-55% daarvan werkelijk veilig kan zijn.

Het model helpt bij het verdelen van middelen en richt zich op de meest risicovolle gebieden door de volgende factoren in overweging te nemen:

• Verbanden met geologische en milieu-informatie
• Historische patronen van specifieke verontreinigingen
• Elementen die nuttig zijn voor de landbouw maar schadelijk in andere contexten

Lees ook:

15 november 2024 · 02:13

Nieuw onderzoek: AI als diagnosehulp kan artsen op verrassende wijze ondersteunen en uitdagen

Deze benadering helpt overheidsinstanties en lokale overheden om middelen te richten op gebieden met de meeste behoefte, waardoor tests en waterbehandeling effectiever worden. Door het model continu bij te werken met gegevens uit de hele VS en nieuwe milieu-informatie, streven onderzoekers ernaar de nauwkeurigheid ervan in de loop van de tijd te verbeteren.

Onderzoek richt zich op het vermogen van het model om fosforniveaus bij te houden, wat cruciaal is voor de landbouw maar ook schade aan het milieu kan veroorzaken. Het belangrijkste doel is dat het model helpt bij het beheer van fosforgebruik in verschillende ecosystemen. Door dit AI-instrument te verbeteren, willen wetenschappers wereldwijd veiliger water bereiken, wat leidt tot verbeterde milieukwaliteit en volksgezondheid. Onderzoekers hopen dat dit ook zal bijdragen aan een betere monitoring van nieuwe verontreinigende stoffen.