AI-teknik kartlägger farliga grundvattenområden för bättre övervakning och resursanvändning

StockholmForskare har utvecklat en förbättrad metod för att övervaka grundvattenkvalitet med hjälp av ett nytt verktyg baserat på maskininlärning. Detta verktyg hjälper oss att identifiera områden med hög risk för grundvattenföroreningar, även när datan är begränsad. Det används först i Arizona och North Carolina men kan anpassas för andra områden också. Eftersom grundvatten kan innehålla skadliga ämnen som arsenik och bly, är det viktigt att övervaka det. Att testa grundvatten kan vara både dyrt och komplicerat, vilket gör denna nya metod nödvändig.

En maskininlärningsmodell analyserar ett omfattande dataset över grundvattnets kvalitet under de senaste 140 åren, med över 20 miljoner datapunkter som täcker fler än 50 vattenkvalitetsparametrar. Med hjälp av denna information kan AI:n förutse närvaron och nivån av olika oorganiska föroreningar, även när endast ett fåtal parametrar är tillgängliga. De inledande resultaten visar på en skillnad mellan aktuella data och AI:s prognoser gällande vilka platser som uppfyller säkerhetsstandarderna. Fältdata tyder exempelvis på att 75-80% av platserna klarar säkerhetstesterna, medan AI:n förutspår att endast 15-55% av dem faktiskt kan vara säkra.

Modellen hjälper till att fördela resurser och fokusera på de mest riskfyllda områdena genom att ta hänsyn till följande faktorer:

• Koppling till geologiska och miljömässiga data
• Historiska mönster av specifika föroreningar
• Element som är gynnsamma inom jordbruket men kan vara skadliga i andra sammanhang

Läs också:

15 november 2024 · 02:13

Ny forskning: AI som diagnosverktyg – hur den kan stärka läkares träffsäkerhet

Denna metod är utformad för att hjälpa statliga och lokala myndigheter att rikta resurser till områden som behöver dem mest, vilket gör testning och vattenbehandling mer effektiva. Genom att kontinuerligt uppdatera modellen med olika data från hela USA och ny miljöinformation, strävar forskarna efter att förbättra dess noggrannhet över tid.

Studien undersöker hur modellen kan följa fosfornivåer, som är viktiga för jordbruket men samtidigt kan skada miljön. Målet är att modellen ska hjälpa till med att hantera fosforanvändning i olika ekosystem. Genom att förbättra detta AI-verktyg strävar forskarna efter att göra vattnet säkrare över hela världen, vilket leder till förbättrad miljö- och folkhälsa. Forskare hoppas också att detta kommer leda till bättre övervakning av nya föroreningar.