Maschinelles Lernen zur Modellierung eines nichtlinearen Umweltindex mit Sensitivitätsanalyse zur Grundwasserbewertung

Warum das Wasser unter unseren Füßen wichtig ist

In vielen trockenen Regionen der Welt, darunter Südiran, sind die Menschen auf Grundwasser als Hauptquelle für Trink- und Bewässerungswasser angewiesen. Diese verborgene Ressource kann sich jedoch allmählich durch Versalzung oder Verschmutzung verschlechtern, ohne dass es an der Oberfläche deutlich auffällt. Diese Studie untersucht den Marvdasht-Aquifer, der eine Stadt und Hunderte Dörfer versorgt, und zeigt, wie moderne Datenwerkzeuge aufzeichnen können, wo das Wasser noch trinkbar ist, wo es sich verschlechtert und welche Bestandteile im Wasser am wichtigsten sind.

Viele Messwerte zu einem klaren Index zusammenfassen

Grundwasser enthält eine Mischung gelöster Mineralien und Salze wie Natrium, Calcium, Magnesium, Chlorid und Sulfat. Jeder dieser Bestandteile wirkt sich auf Gesundheit und Korrosion in Rohrleitungen unterschiedlich aus, und lange Tabellen mit Zahlen aus Dutzenden von Brunnen sind schnell unübersichtlich. Zur Vereinfachung verwendeten die Forschenden einen Grundwasserqualitätsindex (Groundwater Quality Index, GWQI). Dieser Index kombiniert 11 routinemäßig gemessene Wasserparameter zu einem einzigen Wert und orientiert sich an Richtlinien der Weltgesundheitsorganisation. Niedrige Werte zeigen ausgezeichnetes Wasser an, während hohe Werte auf zu salziges oder anderweitig ungeeignetes Trinkwasser hinweisen.

Was die Brunnen über den Aquifer verraten

Anhand von Daten aus 70 Brunnen, die über ein Jahrzehnt gesammelt wurden, stellte das Team fest, dass ein großer Teil des Marvdasht-Aquifers bereits beeinträchtigt ist. Nur etwa ein Viertel der Proben wies niedrige Werte der gelösten Feststoffe (Total Dissolved Solids, TDS) auf, die als trinkgeeignet gelten. Alle Proben fielen in die Kategorien „hart“ oder „sehr hart“, was hohe Gehalte an Calcium und Magnesium bedeutet. Der nördliche Teil des Aquifers, der durch einen Stausee gespeist wird und durch Kalkstein fließt, zeigt noch meist gutes bis ausgezeichnetes Wasser. Während das Wasser jedoch nach Süden fließt, löst es mehr Salze aus gipsreichen Gesteinen und vermischt sich mit landwirtschaftlichen und städtischen Rückläufen, sodass es deutlich salzhaltiger und für Haushalte weniger geeignet wird.

Die wichtigsten Wasserbestandteile identifizieren

Nicht jede chemische Komponente im Grundwasser hat denselben Einfluss auf seine Sicherheit. Die Studie verwendete eine Sensitivitätsanalyse, um eine einfache Frage zu stellen: Wenn ein einzelner Bestandteil aus dem Index entfernt wird, wie stark ändert sich der Gesamtwert? Die Antwort war eindeutig. Gesamtgelöste Feststoffe und elektrische Leitfähigkeit — beide Messgrößen für Salinität — verursachten die größten Verschiebungen im Grundwasserqualitätsindex. Chlorid, Natrium und Wasserhärte waren ebenfalls wichtige Einflussfaktoren. Im Gegensatz dazu spielten Eigenschaften wie Kalium und Bicarbonat nur eine untergeordnete Rolle. Das bedeutet, dass in diesem Aquifer steigende Salinität und verwandte Ionen die wichtigsten Warnzeichen dafür sind, dass das Grundwasser unbrauchbar zum Trinken wird.

Computermodelle zur Vorhersage der Wasserqualität

Die Berechnung eines Index für jede neue Probe und die manuelle Aktualisierung detaillierter Karten kann langsam und teuer sein. Um den Prozess zu beschleunigen, trainierten die Forschenden drei Arten von Computermodellen — künstliche neuronale Netze, Support-Vektor-Maschinen und Random Forests — mithilfe der vorhandenen Wasserchemiedaten. Einmal trainiert, können diese Modelle den Grundwasserqualitätsindex direkt aus den gemessenen Ionen und Salzen schätzen, auch an Orten oder Zeitpunkten, an denen der Index noch nicht berechnet wurde. Unter den drei Modellen hob sich das neuronale Netzwerk hervor: Es reproduzierte den Index mit sehr hoher Genauigkeit und geringer Fehlerquote und erfasste die komplexe, nichtlineare Weise, in der verschiedene Chemikalien die Gesamtqualität beeinflussen.

Was das für Menschen und Politik bedeutet

Für Anwohner und Entscheidungsträger ist die Botschaft zweischneidig. Einerseits sind große Bereiche im südlichen und südöstlichen Teil des Marvdasht-Aquifers bereits so salz- und härtebelastet, dass das Grundwasser nicht mehr sicher zum Trinken ist; dieser Trend hängt eng mit lokaler Geologie und menschlichen Aktivitäten zusammen. Andererseits zeigt die Studie, dass sich durch die Kombination eines einfachen, leicht verständlichen Index mit maschinellem Lernen und digitalen Karten Veränderungen effizient überwachen und Gefahrenzonen genau lokalisieren lassen. Praktisch bietet dieser Ansatz ein kosteneffizientes Frühwarnsystem zur Bewirtschaftung von Brunnen, zur Begrenzung von Verschmutzung und zur Planung alternativer Wasserversorgungen in ariden Regionen, in denen jeder Tropfen sauberen Wassers zählt.

Zitation: Azma, A., Liu, Y. & Alemu, E.T. Machine learning modelling of a nonlinear environmental index with sensitivity analysis for groundwater assessment. Sci Rep 16, 14595 (2026). https://doi.org/10.1038/s41598-026-44906-6

Schlüsselwörter: Grundwasserqualität, Wassersalinität, maschinelles Lernen, Wasserressourcen, Aquiferüberwachung