Un nuovo strumento basato sull‘intelligenza artificiale (IA) è in grado di predire il livello tendenziale di inquinamento delle falde acquifere. E’ quanto emerge da uno studio guidato dalla North Carolina State University (NC State), e pubblicato su Environmental Science & Technology. Le falde acquifere sono una fonte di acqua potabile per milioni di persone e spesso contengono inquinanti che pongono rischi per la salute. Tuttavia, molte regioni non dispongono di set di dati completi sulla qualità delle falde acquifere. “Monitorare la qualita’ dell’acqua e’ un’attivita’ che richiede molto tempo ed e’ costosa, e piu’ inquinanti si analizzano, piu’ tempo e denaro ci vogliono”, afferma Yaroslava Yingling, co-autrice corrispondente dello studio e professoressa di scienze dei materiali presso la North Carolina State University. “Di conseguenza, c’e’ interesse nell’identificare quali riserve di acqua sotterranea dovrebbero essere considerate prioritarie per i test, massimizzando le limitate risorse di monitoraggio”, afferma Yingling. “Sappiamo che gli inquinanti naturali, come l’arsenico o il piombo, tendono a presentarsi insieme ad altri elementi specifici a causa di fattori geologici e ambientali. Ciò ha posto un’importante domanda sui dati: con dati limitati sulla qualita’ dell’acqua per una riserva di acqua sotterranea, potremmo prevedere la presenza e le concentrazioni di altri inquinanti?” “Oltre a identificare gli elementi che rappresentano un rischio per la salute umana, volevamo anche vedere se potevamo prevedere la presenza di altri elementi, come il fosforo, che possono essere utili in contesti agricoli ma possono rappresentare rischi ambientali in altri contesti”, afferma Alexey Gulyuk, co-autore del documento e professore di scienza e ingegneria dei materiali presso la NC State. Per affrontare questa sfida, i ricercatori hanno attinto a un enorme set di dati, che comprende oltre 140 anni di dati di monitoraggio della qualità dell’acqua per le falde acquifere negli stati della Carolina del Nord e dell’Arizona.
Nel complesso, il set di dati includeva oltre 20 milioni di punti dati, che coprivano oltre 50 parametri della qualità dell’acqua. “Abbiamo utilizzato questo set di dati per ‘addestrare’ un modello di apprendimento automatico per prevedere quali elementi sarebbero stati presenti in base ai dati disponibili sulla qualita’ dell’acqua”, afferma Akhlak Ul Mahmood, co-primo autore di questo lavoro ed ex studente di dottorato presso la NC State. “In altre parole, se avessimo solo dati su una manciata di parametri, il programma potrebbe comunque prevedere quali inquinanti inorganici potrebbero essere presenti nell’acqua, nonche’ quanto siano probabilmente abbondanti tali inquinanti”. Una scoperta fondamentale dello studio e’ che il modello suggerisce che gli inquinanti stanno superando gli standard dell’acqua potabile in piu’ fonti di acqua sotterranea di quanto documentato in precedenza. Mentre i dati effettivi dal campo indicano che il 75-80 per cento delle località campionate rientrava nei limiti di sicurezza, il framework di apprendimento automatico prevede che solo il 15-55 per cento dei siti potrebbe essere veramente privo di rischi. “Di conseguenza, abbiamo identificato un bel po’ di siti di falde acquifere che dovrebbero essere considerati prioritari per ulteriori test”, afferma Minhazul Islam, co-primo autore del documento e studente di dottorato presso l’Arizona State University. “Identificando potenziali ‘punti caldi’, le agenzie statali e le municipalita’ possono allocare strategicamente risorse ad aree ad alto rischio, garantendo campionamenti piu’ mirati e soluzioni efficaci per il trattamento delle acque”. “E’ estremamente promettente e pensiamo che funzioni bene”, afferma Gulyuk. “Tuttavia, il vero test sarà quando inizieremo a usare il modello nel mondo reale e vedremo se l’accuratezza della previsione regge”.
