Машинное обучение предсказывает наиболее опасные участки подземных вод для улучшения мониторинга качества воды

Междисциплинарная группа исследователей разработала машинный алгоритм, который использует ограниченные пробы качества воды для прогнозирования вероятного присутствия неорганических загрязнителей в подземных источниках. Новый инструмент позволит регулирующим органам и службам здравоохранения расставлять приоритеты для тестирования качества воды в конкретных водоносных горизонтах.

Эта доказательная работа была сосредоточена на Аризоне и Северной Каролине, но может быть применена для восполнения критических пробелов в данных о качестве подземных вод в любом регионе. Исследование опубликовано в открытом доступе в журнале Environmental Science & Technology.

Мониторинг качества воды требует много времени и средств, и чем больше загрязнителей проверяется, тем он дороже. Поэтому существует интерес к выявлению приоритетных для тестирования источников. Ученые задались вопросом: можно ли на основе ограниченных данных предсказать наличие и концентрации других загрязнителей, учитывая, что некоторые элементы, такие как мышьяк или свинец, часто встречаются вместе из-за геологических и экологических факторов.

Для решения этой задачи исследователи использовали огромный набор данных за более чем 140 лет мониторинга подземных вод в Северной Каролине и Аризоне, включающий более 20 миллионов точек данных по более чем 50 параметрам. На этих данных была «обучена» модель машинного обучения, способная предсказывать наличие и концентрацию элементов на основе лишь нескольких известных параметров.

Ключевой вывод исследования заключается в том, что модель предсказывает превышение стандартов питьевой воды в большем количестве источников, чем было задокументировано фактически. Если полевые данные показывали, что 75%–80% проб соответствуют нормам, то алгоритм прогнозирует, что лишь 15%–55% участков могут быть действительно безопасными. Это позволило выявить множество «горячих точек», требующих приоритетного дополнительного тестирования.

«Это чрезвычайно многообещающе, и мы считаем, что модель работает хорошо. Однако настоящее испытание начнется, когда мы начнем применять ее в реальном мире», — отмечает соавтор работы Алексей Гулюк. В планах исследователей — расширить обучающие данные для разных регионов США, интегрировать новые источники информации и провести полевые испытания для обеспечения надежных и целенаправленных мер безопасности подземных вод по всему миру.