Schätzung der chemischen Sauerstoffbedarfswerte in kommunalem Deponiesickerwasser mittels mehrschichtiger Perzeptron‑Neuronaler Netze basierend auf saisonalen Überwachungsdaten

Warum Deponiepfützen wichtig sind

Jede moderne Stadt ist auf Deponien angewiesen, um ihren Müll außer Sicht zu lagern, doch Regenwasser, das durch vergrabene Abfälle sickernd hindurchgeht, kann sich in einen starken chemischen Cocktail verwandeln, der als Sickerwasser bezeichnet wird. Diese Flüssigkeit kann Boden und Gewässer belasten, wenn sie nicht sorgfältig kontrolliert wird. Die hier beschriebene Studie zeigt, wie ein Computermodell, das von der Funktionsweise des Gehirns inspiriert ist, vorhersagen kann, wie belastet dieses Sickerwasser ist — ohne dass jedes Mal teure Labortests nötig wären. Dieses Wissen kann Gemeinden helfen, Deponien sicherer zu betreiben und die Überwachungskosten zu senken.

Das verborgene Wasser unter unserem Müll

Fällt Regen auf eine Deponie, sickert er durch Schichten aus alten Lebensmittelresten, Papier, Kunststoffen und anderem Abfall. Dabei nimmt er gelöste organische Stoffe, Öle, Salze und Spuren von Schwermetallen wie Arsen, Kobalt und Cadmium auf. Das Ergebnis ist Sickerwasser, eine dunkle, oft übel riechende Flüssigkeit, die aufgefangen und behandelt werden muss. Ein zentraler Messwert für die Verschmutzungsstärke ist der chemische Sauerstoffbedarf (COD). Vereinfacht gesagt gibt COD an, wie viel Sauerstoff benötigt würde, um alle chemischen und organischen Verbindungen im Wasser abzubauen; ein hoher COD‑Wert bedeutet eine starke, potenziell schädliche Belastung.

Die Deponie über die Jahreszeiten beobachten

Die Forschenden konzentrierten sich auf eine kommunale Deponie in Niğde, einer halbtrockenen Region in Zentral‑Türkei. Ein Jahr lang, von Ende 2022 bis Ende 2023, entnahmen sie wöchentlich Proben aus dem Sickerwasserteich, in dem das von der Deponie anfallende Wasser gesammelt wird. Sie bestimmten neun grundlegende Merkmale des Sickerwassers und seiner Umgebung: Temperatur, pH‑Wert (wie sauer oder alkalisch das Wasser ist), Gesamtsubstanzgehalt (Feststoffe), Öl und Fett, elektrische Leitfähigkeit (als Indikator für den Salzgehalt) sowie die Gehalte an Arsen, Kobalt und Cadmium neben dem COD. Die COD‑Werte waren extrem hoch — im Mittel etwa 35‑mal höher als die landesüblichen Einleitgrenzwerte — und bestätigten, dass unbehandeltes Deponiesickerwasser ein sehr starker Schadstoffträger sein kann.

Viele Messwerte zu wenigen aussagekräftigen Signalen verdichten

Da vollständige Labortests kostspielig und zeitaufwendig sein können, untersuchte das Team, ob sich der COD aus den anderen, leichter zu messenden Merkmalen vorhersagen lässt. Zunächst nutzten sie ein statistisches Werkzeug namens Hauptkomponentenanalyse. Anstatt jede Variable einzeln zu betrachten, findet diese Methode Muster — Kombinationen von Messgrößen, die tendenziell gemeinsam steigen und fallen. Sie half zu erkennen, welche Faktoren die meiste Information über das Verhalten des Sickerwassers tragen: Temperatur, pH‑Wert, Öl und Fett sowie bestimmte Metalle hoben sich hervor. Durch die Reduktion der Eingangsvariablen auf die informativsten Werte hofften die Forschenden, einfachere, schnellere Modelle zu bauen, die dennoch das Wesentliche erfassen.

Ein digitales „Gehirn“ das Sickerwasser liest

Kern der Studie war ein mehrschichtiges Perzeptron, eine Form eines künstlichen neuronalen Netzes. Dieses digitale „Gehirn“ lernt an Beispielen: gemessene Eingangsgrößen wie pH‑Wert oder Temperatur, gepaart mit den tatsächlichen COD‑Werten. Der Datensatz mit 52 wöchentlichen Proben wurde saisonal in Trainings‑ und Testanteile aufgeteilt, sodass das Modell mit unbekannten Bedingungen konfrontiert wurde. Das Team testete vier Modellvarianten, die jeweils unterschiedliche Eingabesets nutzten, und stützte sich auf wiederholte Kreuzvalidierung — ein Verfahren, das das Modell auf vielen verschiedenen Datenaufteilungen trainiert und prüft — um sich nicht von Zufallstreffern täuschen zu lassen. Das beste Modell verwendete nur fünf Variablen, die aus der vorherigen Musteranalyse ausgewählt wurden, und hatte eine Architektur mit einer Eingabeschicht, einer versteckten Schicht mit 21 Knoten und einer Ausgabeschicht.

Was das Modell uns sagen kann

Wurde dieses beste Modell mit zuvor unbekannten Daten getestet, stimmten die vorhergesagten COD‑Werte eng mit den realen Messungen überein; die Korrelation betrug 0,864. Das bedeutet, dass das Modell die meisten Schwankungen der Deponieverschmutzung über die Jahreszeiten erfasste, obwohl die Gesamtanzahl der Proben moderat war. Fehler traten noch auf, insbesondere bei niedrigen COD‑Werten, doch die Gesamtleistung legt nahe, dass eine Handvoll routinemäßiger Messungen zuverlässig für eine vollständige chemische Analyse stehen kann. Für Deponiebetreiber und Aufsichtsbehörden bietet dieser Ansatz eine praktikable Möglichkeit, eine gefährliche Flüssigkeit zu überwachen und gleichzeitig Zeit und Kosten zu sparen.

Sauberere Aufsicht für ein schmutziges Problem

Im Kern zeigt diese Arbeit, dass intelligente Datenanalyse und maschinelles Lernen ein komplexes, teures Testproblem in ein handhabbares verwandeln können. Indem sie ein neuronales Netz mit einem Jahr saisonaler Überwachungsdaten trainierten, schufen die Forschenden ein Hilfsmittel, das die Verschmutzung von Deponiesickerwasser aus einer kleinen Auswahl einfacher Tests schätzen kann. Das ersetzt weder Behandlung noch detaillierte Kontrollen, gibt Entscheidern aber ein schnelleres Frühwarnsystem und eine effizientere Planungsgrundlage. Wenn ähnliche Modelle weiter verfeinert und mit mehr Daten versorgt werden, könnten sie zu Standardwerkzeugen werden, um sicherzustellen, dass die Flüssigkeiten unter unserem Müll kontrolliert bleiben und nicht in Gewässer gelangen.

Zitation: Gök, G., Gürbüz, O.Ö. & Gürbüz, O.A. Estimating chemical oxygen demand in municipal landfill leachate using multilayer perceptron artificial neural networks based on seasonal monitoring data. Sci Rep 16, 7096 (2026). https://doi.org/10.1038/s41598-026-37497-9

Schlüsselwörter: Deponiesickerwasser, Wasserverschmutzung, künstliche neuronale Netze, Abfallwirtschaft, chemischer Sauerstoffbedarf