Eine internationale Forschungsgruppe hat mit einer bahnbrechenden Studie die Bewertung der Grundwasserqualität in der wasserarmen Region Rudan County im Süden Irans revolutioniert. Die im Fachjournal Results in Engineering (Band 27, 2025, 105421) veröffentlichte Arbeit kombiniert den neu entwickelten Root Mean Square Water Quality Index (RMS-WQI) mit Techniken des maschinellen Lernens und liefert damit ein präzises Werkzeug zur Risikobewertung. Geleitet wurde die Studie von Amin Mohammadpour (Jahrom University of Medical Sciences, Iran), Md Galal Uddin (University of Galway, Irland) und Amin Mousavi Khaneghah (ITMO University, Russland).
Die Analyse von 169 Proben aus dem Jahr 2021 zeigte, dass 99,41 Prozent der Standorte die Grenzwerte für pH-Wert, Fluorid (F⁻) und Nitrat (NO₃⁻) einhielten, während die gesamten gelösten Feststoffe (TDS) an 63,90 Prozent der Orte die Richtwerte überschritten. Der RMS-WQI klassifizierte die Wasserqualität als „mäßig“ bis „gut“ mit einem Durchschnittswert von 62,91 ± 9,33. Die räumliche Verteilung, wie in einer Karte dargestellt, zeigt überwiegend „mäßige“ Qualität, was auf gezielte Maßnahmen hinweist.
Der Extremely Randomized Trees (ExT)-Algorithmus erwies sich als besonders effektiv bei der Vorhersage der RMS-WQI-Werte (R² = 0,99), wobei elektrische Leitfähigkeit (EC) und Chlorid (Cl⁻) als maßgebliche Parameter identifiziert wurden. Weitere Modelle wie XGBoost und Random Forest bestätigten diese Ergebnisse, während tief neuronale Netze (DNN) weniger erfolgreich waren.
Die Gesundheitsrisikobewertung (HRA) wies auf erhebliche Gefahren hin, insbesondere für Kinder, bei denen der Gefährdungsindex (HI) an 57,4 Prozent der Standorte die Sicherheitsschwelle überschritt. Hauptursache sind Expositionen gegenüber F⁻ und NO₃⁻, wobei der orale Verzehr dominierte. Natriumchlorid (NaCl), beeinflusst durch Meerwasserinfiltration und hohe Verdunstung, stellt einen weiteren Faktor dar.
Rudan County, geprägt von einem heißen Klima (bis 49 °C) und nur 250 mm Jahresniederschlag, steht vor erheblichen Wasserknappheitsproblemen. Die Studie unterstreicht die globale Relevanz sauberen Trinkwassers, das für etwa zwei Milliarden Menschen weltweit unzugänglich ist. Die Forscher schlagen vor, die Methode in anderen Regionen zu testen und mit längeren Datensätzen die Präzision zu steigern.
Quelle: Mohammadpour, A., et al. (2025). „Advanced water quality assessment using machine learning: Source identification and probabilistic health risk analysis.“ Results in Engineering, 27, 105421. https://doi.org/10.1016/j.rineng.2025.105421
Entdecke mehr von LabNews
Melde dich für ein Abonnement an, um die neuesten Beiträge per E-Mail zu erhalten.
