Modelling the Water Quality of River Mara Using an Adaptive Neuro-Fuzzy Inference System (ANFIS)

I fiumi sono il sangue vitale dei paesaggi, trasportando acqua che sostiene tutto, dal pesce più piccolo ai grandi branchi di animali al pascolo. Ma la salute di un fiume non riguarda solo quanta acqua scorre al suo interno; riguarda ciò che è disciolto o sospeso in quell'acqua. Gli scienziati misurano questa salute osservando ingredienti specifici, come quanto ossigeno sia disponibile per la vita acquatica, quanta materia organica in decomposizione sia presente e quanto fango o limo offuschi il flusso. Questi ingredienti non rimangono invariati; cambiano con le stagioni. Quando cadono piogge intense, esse trasportano terreno e nutrienti nel fiume, cambiandone la chimica. Quando arriva la stagione secca, l'acqua rallenta e processi diversi prendono il sopravvento. Comprendere questi modelli mutevoli è fondamentale per la gestione delle risorse idriche, specialmente nelle regioni in cui i fiumi attraversano i confini e sostengono interi ecosistemi. Tuttavia, la relazione tra questi ingredienti variabili è spesso disordinata e imprevedibile, rendendo difficile prevedere come si comporterà un fiume guardando semplicemente alle medie semplici.

Nel tratto della Tanzania del fiume Mara, un'importante via d'acqua condivisa con il Kenya, un team di ricercatori si è posto l'obiettivo di comprendere questi complessi cambiamenti stagionali. Hanno raccolto una vasta collezione di dati sulla qualità dell'acqua che copre sedici anni, dal 2010 al 2026, prelevati da dodici punti diversi lungo il fiume. Si sono concentrati su quattro indicatori chiave: la quantità di fango e limo sospesi, il livello di ossigeno disciolto, la quantità di inquinamento organico e la concentrazione di azoto ammoniacale. Ordinando questi dati in stagioni umide e secche, hanno scoperto che il fiume si comporta diversamente a seconda del periodo dell'anno. Durante la stagione umida, la quantità di inquinamento organico è aumentata significativamente, mentre anche i livelli di ossigeno hanno visto un modesto incremento. La quantità di fango sospeso è rimasta approssimativamente la stessa tra le stagioni, sebbene variasse in modo più selvaggio quando le piogge erano intense. I livelli di ammoniaca hanno mostrato solo un piccolissimo aumento durante i mesi umidi. Fondamentalmente, i ricercatori hanno scoperto che questi numeri non seguono una curva a campana netta e prevedibile; al contrario, sono asimmetrici, con picchi occasionali che interrompono il modello di distribuzione normale. Questa irregolarità significa che gli strumenti matematici standard spesso faticano a dare un senso ai dati.

Per affrontare questa complessità, i ricercatori si sono rivolti a un sofisticato modello informatico chiamato Sistema di Inferenza Neuro-Fuzzy Adattivo, o ANFIS. Pensate a questo sistema come a un osservatore altamente addestrato che impara a riconoscere i modelli studiando gli esempi, proprio come una persona impara a identificare un uccello vedendo molte specie diverse piuttosto che memorizzando una singola definizione da un libro di testo. Questo modello è stato progettato per gestire le relazioni disordinate e non lineari tra gli ingredienti della qualità dell'acqua e un punteggio complessivo che rappresenta il livello di inquinamento del fiume. Il team ha diviso i loro sedici anni di dati in due gruppi: uno per insegnare al modello e un altro per testare le sue previsioni. Hanno eseguito il modello separatamente per la stagione secca e per la stagione umida per vedere se potesse adattarsi alle diverse condizioni.

I risultati sono stati incoraggianti. Il modello si è dimostrato uno strumento potente per comprendere la salute del fiume, catturando con successo le complesse interazioni tra i diversi fattori della qualità dell'acqua. Durante la stagione secca, le previsioni del modello corrispondevano alle osservazioni reali con un alto grado di precisione, spiegando circa l'ottanta per cento delle variazioni osservate nei dati reali. Ha performato leggermente meno bene, sebbene comunque molto bene, durante la stagione umida, spiegando quasi l'ottanta per cento delle variazioni. Il modello non ha fatto previsioni perfette, e c'erano ancora alcune differenze non spiegate, in particolare durante i mesi piovosi quando il fiume è più caotico. Tuttavia, il fatto che il modello abbia funzionato così bene senza dover assumere che i dati seguissero un semplice schema lineare suggerisce che questo approccio è ben adatto ai fiumi che cambiano rapidamente.

Lo studio evidenzia che, sebbene la qualità dell'acqua del fiume Mara sia influenzata dalle piogge stagionali e dall'attività umana, questi cambiamenti possono essere tracciati e compresi utilizzando tecniche di modellazione avanzate. I ricercatori hanno notato che il loro lavoro si è basato su quattro misurazioni specifiche e che l'aggiunta di ulteriori punti dati, come le quantità di pioggia o la temperatura dell'acqua, potrebbe rendere i modelli futuri ancora più precisi. Hanno anche riconosciuto che i loro dati provenivano da fonti diverse nel corso di molti anni, il che potrebbe introdurre piccole incongruenze. Nonostante queste limitazioni, lo studio dimostra che l'intelligenza artificiale può servire come una guida affidabile per la gestione dei fiumi. Imparando dal passato, questi modelli offrono un modo per anticipare i futuri problemi di qualità dell'acqua, fornendo un quadro più chiaro di come proteggere questa risorsa transfrontaliera critica per la fauna selvatica, l'agricoltura e le comunità che dipendono da essa.