Structurele en lithologische controles op de geschiktheid van stortplaatsen in Tenth of Ramadan City, Egypte met behulp van satellietgegevens en machine learning

Veilige locaties vinden voor stedelijk afval

Nu steden in droge gebieden groeien, is een van de moeilijkste planningsvragen schijnbaar simpel: waar kunnen we het afval veilig plaatsen? In het snelgroeiende Tenth of Ramadan City in Egypte kan een stortplaats op de verkeerde plek vervuilde vloeistoffen in de bodem laten sijpelen en uiteindelijk kostbaar grondwater bereiken. Deze studie toont hoe satellietbeelden en moderne rekenmethoden planners kunnen helpen stortplaatslocaties te kiezen die zowel mensen als watervoorraden beschermen in een hard woestijnlandschap.

Een groeiende woestijnstad en haar verborgen ondergrond

Tenth of Ramadan City ligt aan de rand van de Nijldelta, omgeven door rotsachtige woestijn doorkliefd door droge valleien. Onder het kale oppervlak ligt een lappendeken van gesteentelagen en breuken die sterk bepalen hoe water en verontreinigingen zich ondergronds verplaatsen. Sommige lagen, zoals klei- en marllagen, werken als natuurlijke barrières die het binnendringen vertragen. Andere, zoals losse zand- en grindafzettingen, laten water en verontreinigingen makkelijker stromen. Tegelijkertijd kunnen scheuren en breuken zich gedragen als ondergrondse snelwegen die vloeistoffen over lange afstanden leiden. Het begrijpen van deze verborgen structuur is essentieel voordat men besluit waar huishoudelijk en industrieel afval te storten.

De ondergrond vanuit de ruimte waarnemen

Alleen veldwerk kan niet eenvoudig elk gesteentetype en elke breuk over tientallen vierkante kilometers in kaart brengen, zeker niet in afgelegen woestijngebied. De onderzoekers wendden zich daarom tot satellietgegevens en digitale hoogtemodellen. Ze gebruikten beelden van de Landsat 5-satelliet om verschillende oppervlaktetypes te onderscheiden op basis van hoe ze zonlicht in meerdere golflengten weerkaatsen, inclusief zichtbaar licht en infrarood. Daarnaast gebruikten ze een gedetailleerd hoogtemodel afgeleid van ASTER-data om subtiele hoogte- en hellingsveranderingen te onthullen die vaak begraven breuken en overgangen tussen gesteenteeenheden volgen. Door deze datasets te combineren konden ze een veel scherper geologisch beeld produceren dan oudere regionale kaarten boden.

Computers leren het landschap lezen

Om de satellietsignalen om te zetten in een betrouwbare gesteentekaart gebruikte het team twee typen machine learning. Een onbewaakt (unsupervised) methode genaamd K-means groepeerde automatisch pixels met vergelijkbare kleuropbouw in brede terreintypen, wat een vroege schets van de belangrijkste eenheden gaf. Daarna werd een bewaakte (supervised) methode, de Support Vector Machine (SVM), getraind met bekende voorbeelden van elk gesteenteformat en landbedekking, inclusief stedelijke gebieden en wegen. Na zorgvuldige correctie voor atmosferische effecten produceerde de SVM een lithologiekaart die goed overeenkwam met beschikbare veldinformatie en meer dan vier van de vijf testpixels correct classificeerde. Dit fijnere beeld registreerde ook recente stadsuitbreiding die oudere kaarten misten, wat cruciaal is om conflicten tussen nieuwe stortplaatsen en groeiende woonwijken te vermijden.

Breuken en zwakke zones traceren

Vervolgens richtten de wetenschappers zich op het structurele "skelet" van de regio — de breuken en foutlijnen die de bodem kunnen verzwakken of vervuilde vloeistoffen kunnen geleiden. Ze verbeterden de satellietbeelden met een wiskundige aanpak genaamd hoofdcomponentenanalyse (principal component analysis) en directionele filters die kenmerken benadrukken die in bepaalde richtingen lopen. Geautomatiseerde tools extraheerden lineaire elementen, die vervolgens handmatig werden gecontroleerd aan de hand van schaduwreliëf en bestaande kaarten. Het resultaat was een toename van 25% in totaal in kaart gebrachte breuklengte vergeleken met oudere gegevens, en een duidelijke bevestiging dat twee hoofdrichtingen van breuken het gebied domineren. Kaarten van breukdichtheid toonden waar de bodem zwaar doorkliefd is door deze structuren en daardoor kwetsbaarder is voor lekkage of instabiliteit.

De beste en slechtste locaties afwegen

Gewapend met zowel een gedetailleerde gesteentekaart als een kaart van breukdichtheid bouwde het team een beslismodel om elk deel van het studiegebied te scoren op geschiktheid voor een stortplaats. Ze gaven de grootste gewicht aan gesteentetype: gebieden met dicht schalie en marl werden geprefereerd omdat die van nature neerwaartse infiltratie vertragen, terwijl losse zand-, grind- en wadideposito’s werden bestraft vanwege hun hoge permeabiliteit. Ook de afstand tot belangrijke breuken was van belang: zones ver van gemapte lineamenten werden als veiliger beschouwd dan gebieden dicht bij deze structuren, die als verborgen kanalen kunnen fungeren. Stedelijke en infrastructuurgebieden werden strikt uitgesloten, en recente stadsuitbreiding werd opgenomen met behulp van actuele grenzen, zodat toekomstige woonwijken niet naar de stortplaats zouden opschuiven.

Hoeveel land is echt veilig?

Wanneer al deze factoren werden gecombineerd in een multicriteria-model, bleek dat slechts ongeveer 16% van het studiegebied zeer geschikt was voor een stortplaats. Deze voorkeurszones delen verschillende gunstige eigenschappen: ze liggen op laag-permeabele gesteenten, zijn structureel rustig met weinig breuken, bevinden zich ver van de stad en hoofdwegen en liggen boven grondwater dat ongeveer 80 meter diep is. De onderzoekers testten ook hoe gevoelig hun resultaten waren voor veranderingen in het belang dat aan elk criterium werd toegekend. Zelfs bij lichte verschuivingen van de wegingsfactoren bleven de meest geschikte gebieden in dezelfde algemene locaties, wat suggereert dat de methode robuust genoeg is voor praktisch gebruik in planning.

Wat dit betekent voor woestijnsteden

Voor niet-specialisten is de conclusie dat het kiezen van een veilige stortplaats veel meer inhoudt dan het aanwijzen van een leeg stuk woestijn op een kaart. Deze studie toont aan dat door het combineren van satellietbeelden, basis-hoogtegegevens en slimme rekenmodellen planners snel grote gebieden kunnen terugbrengen tot een klein aantal geologisch veilige kandidaten. In Tenth of Ramadan City wijst deze aanpak op een beperkt aantal plekken waar de natuur zelf — dichte gesteenten, weinig breuken en diep grondwater — samen met zorgvuldige planning het risico minimaliseert dat begraven afval ooit schaarse watervoorraden vergiftigt. Hetzelfde raamwerk kan worden aangepast voor andere snel uitbreidende steden aan de rand van de woestijn die onder de dubbele druk van snelle groei en milieu- bescherming staan.

Bronvermelding: Essam, S., Mabrouk, W.M., Soliman, K.S. et al. Structural and lithological controls on landfill site suitability in Tenth of Ramadan City, Egypt using remote sensing and machine learning. Sci Rep 16, 9831 (2026). https://doi.org/10.1038/s41598-026-41772-0

Trefwoorden: locatiebepaling stortplaats, remote sensing, machine learning, bescherming grondwater, stedenbouw