Machinelearningmodellering van een niet-lineaire milieu-index met gevoeligheidsanalyse voor grondwaterbeoordeling

Waarom het water onder onze voeten ertoe doet

In veel droge delen van de wereld, waaronder Zuid-Iran, vertrouwen mensen op grondwater als hun belangrijkste bron voor drink- en irrigatiewater. Maar deze verborgen voorraad kan langzaam te zout of vervuild raken zonder duidelijke waarschuwingssignalen aan het oppervlak. Deze studie onderzoekt het Marvdasht-aquifer, dat een stad en honderden dorpen van water voorziet, en laat zien hoe moderne data-instrumenten kunnen volgen waar het water nog drinkbaar is, waar het verslechtert en welke ingrediënten in het water het meest van belang zijn.

Verschillende metingen terugbrengen naar één duidelijke score

Grondwater bevat een mengsel van opgeloste mineralen en zouten, zoals natrium, calcium, magnesium, chloride en sulfaat. Elk van deze heeft op verschillende manieren invloed op de gezondheid en op corrosie van leidingen, en het lezen van lange tabellen met cijfers van tientallen putten wordt snel overweldigend. Om dit te vereenvoudigen gebruikten de onderzoekers een Groundwater Quality Index, of GWQI. Deze index combineert 11 routinematig gemeten waterparameters tot één enkele score, met richtlijnen van de Wereldgezondheidsorganisatie als referentie. Lage scores duiden op uitstekend water, terwijl hoge scores aangeven dat het water te zout is of anderszins ongeschikt om te drinken.

Wat de putten over het aquifer onthullen

Aan de hand van gegevens van 70 putten verzameld over een decennium vond het team dat een groot deel van het Marvdasht-aquifer al onder stress staat. Slechts ongeveer een kwart van de monsters had lage waarden van totale opgeloste stoffen, een maat voor de totale zoutconcentratie, die als goed voor drinkwater worden beschouwd. Alle monsters vielen in de categorieën “hard” of “zeer hard”, wat wijst op hoge niveaus van calcium en magnesium. Het noordelijke deel van het aquifer, bijgevuld door een dam en stromend door kalksteen, vertoont nog grotendeels goed tot uitstekend water. Naarmate het water echter zuidwaarts beweegt, lost het meer zouten op uit gipsrijke gesteenten en mengt het met landbouw- en stedelijke retourstromen, waardoor het aanzienlijk zouter wordt en minder geschikt voor huishoudelijk gebruik.

Het vinden van de belangrijkste ingrediënten in het water

Niet elk chemisch bestanddeel in grondwater heeft dezelfde invloed op de veiligheid ervan. De studie gebruikte een gevoeligheidsanalyse om een eenvoudige vraag te stellen: als één component uit de index wordt verwijderd, hoeveel verandert dan de totaalscore? Het antwoord was duidelijk. Totale opgeloste stoffen en elektrische geleidbaarheid, beide maten voor verzilting, veroorzaakten de grootste verschuivingen in de grondwaterkwaliteitsindex. Chloride, natrium en waterhardheid waren ook belangrijke drijfveren. Daarentegen speelden eigenschappen zoals kalium en bicarbonaat slechts een kleine rol. Dit betekent dat in dit aquifer stijgende verzilting en gerelateerde ionen de belangrijkste waarschuwingssignalen zijn dat grondwater ongeschikt wordt om te drinken.

Computers leren voorspellen van waterkwaliteit

Het voor iedere nieuwe monster berekenen van een index en het handmatig bijwerken van gedetailleerde kaarten kan traag en kostbaar zijn. Om het proces te versnellen trainden de onderzoekers drie typen computermodellen — kunstmatige neurale netwerken, support vector machines en random forests — met behulp van de bestaande waterchemiegegevens. Eenmaal getraind kunnen deze modellen de grondwaterkwaliteitsindex rechtstreeks schatten op basis van de gemeten ionen en zouten, zelfs op locaties of tijdstippen waar de index nog niet is berekend. Onder de drie stak het neurale netwerkmodel eruit: het reproduceerde de index met zeer hoge nauwkeurigheid en lage fout, en legde de complexe, niet-lineaire manier vast waarop verschillende chemicaliën samen de algehele kwaliteit beïnvloeden.

Wat dit betekent voor mensen en beleid

Voor bewoners en beleidsmakers is de boodschap dubbelzinnig. Enerzijds hebben grote gebieden in de zuidelijke en zuidoostelijke delen van het Marvdasht-aquifer al grondwater dat te zout en te hard is om veilig te drinken, en de trend hangt sterk samen met zowel de lokale geologie als menselijke activiteiten. Anderzijds toont de studie aan dat door een eenvoudige, gemakkelijk te begrijpen index te combineren met machine learning en digitale kaarten, het mogelijk is deze veranderingen efficiënt te monitoren en risicovolle zones nauwkeurig aan te wijzen. In praktische zin biedt deze aanpak een kosteneffectief vroegwaarschuwingssysteem voor het beheer van putten, het beperken van vervuiling en het plannen van alternatieve watervoorzieningen in droge regio’s waar elke druppel schoon water telt.

Bronvermelding: 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

Trefwoorden: grondwaterkwaliteit, waterverzilting, machine learning, watervoorraden, aquiferbewaking