Моделирование машинного обучения нелинейного экологического индекса с анализом чувствительности для оценки грунтовых вод

Почему вода под нашими ногами важна

Во многих сухих районах мира, включая южный Иран, люди зависят от подземных вод как от основного источника питьевой и поливной воды. Но этот скрытый ресурс может постепенно становиться слишком солёным или загрязнённым без явных признаков на поверхности. В этом исследовании рассматривается водоносный горизонт Марвдашт, который обеспечивает водой город и сотни деревень, и показано, как современные методы работы с данными могут отслеживать, где вода ещё безопасна для питья, где она ухудшается и какие компоненты воды имеют наибольшее значение.

Как множество измерений превращается в один понятный показатель

Грунтовые воды содержат смесь растворённых минералов и солей, таких как натрий, кальций, магний, хлорид и сульфат. Каждый из этих компонентов по-разному влияет на здоровье и коррозию труб, и чтение длинных таблиц с данными из десятков скважин быстро становится непрактичным. Чтобы упростить оценку, исследователи использовали Индекс качества грунтовых вод (GWQI). Этот индекс объединяет 11 регулярно измеряемых характеристик воды в один балл, используя руководящие ориентиры Всемирной организации здравоохранения в качестве эталона. Низкие баллы указывают на отличную воду, тогда как высокие — сигнализируют о слишком солёной или иначе непригодной для питья воде.

Что скважины показывают о водоносном горизонте

Анализ данных из 70 скважин, собранных за десять лет, показал, что значительная часть водоносного горизонта Марвдашт уже испытывает стресс. Лишь около четверти проб имели низкие уровни общего количества растворённых веществ — показателя общей солёности — которые считаются хорошими для питья. Все образцы относились к категориям «жёсткая» или «очень жёсткая» воды, что означает повышенное содержание кальция и магния. Северная часть водоносного горизонта, подпитываемая плотиной и протекающая через известняки, по-прежнему демонстрирует в основном хорошую и отличную воду. Однако по мере того как вода движется на юг, она растворяет больше солей из гипсосодержащих пород и смешивается с возвратными стоками сельского хозяйства и городов, становясь заметно солонее и менее пригодной для бытового использования.

Нахождение самых важных компонентов в воде

Не каждый химический компонент грунтовой воды одинаково влияет на её безопасность. В исследовании использовали анализ чувствительности, чтобы задать простой вопрос: если исключить один компонент из индекса, насколько изменится общий показатель? Ответ оказался однозначным. Общее количество растворённых веществ и электропроводность, оба измеряющие солёность, вызвали наибольшие изменения в индексе качества грунтовых вод. Хлорид, натрий и жёсткость воды также оказались существенными факторами. Напротив, такие параметры, как калий и бикарбонат, играли лишь незначительную роль. Это означает, что в этом водоносном горизонте растущая солёность и связанные с ней ионы являются основными признаками того, что вода становится непригодной для питья.

Обучение компьютеров прогнозировать качество воды

Вычислять индекс для каждой новой пробы и вручную обновлять подробные карты может быть медленно и дорого. Чтобы ускорить процесс, исследователи обучили три типа компьютерных моделей — искусственные нейронные сети, машины опорных векторов и случайные леса — используя имеющиеся данные по химии воды. После обучения эти модели могут оценивать индекс качества грунтовых вод непосредственно по измеренным ионам и солям, даже в местах или в моменты, где индекс ещё не был рассчитан. Среди трёх моделей нейронная сеть выделялась: она воспроизводила индекс с чрезвычайно высокой точностью и низкой ошибкой, улавливая сложный нелинейный способ, которым разные химические компоненты влияют на общее качество.

Что это значит для людей и политики

Для жителей и тех, кто принимает решения, вывод двоякий. С одной стороны, большие площади в южной и юго-восточной частях водоносного горизонта Марвдашт уже имеют грунтовые воды, слишком солёные и жёсткие для безопасного питья, и эта тенденция тесно связана как с местной геологией, так и с антропогенной деятельностью. С другой стороны, исследование показывает, что сочетая простой, понятный индекс с методами машинного обучения и цифровыми картами, можно эффективно контролировать эти изменения и точно выявлять зоны высокого риска. В практическом плане такой подход предлагает экономичный систему раннего предупреждения для управления скважинами, ограничения загрязнений и планирования альтернативных источников воды в засушливых регионах, где каждая капля чистой воды на вес золота.

Цитирование: 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

Ключевые слова: качество грунтовых вод, солёность воды, машинное обучение, водные ресурсы, мониторинг водоносных горизонтов