Machine Learning-Based Spatial Mapping, Source Apportionment and Health Risk Prediction of Heavy Metal Contamination in Zanjan Province, Iran

De grond onder onze voeten wordt vaak behandeld als een stil, statisch podium voor het menselijk leven, maar in veel delen van de wereld is het een actieve reservoir van een onzichtbare chemische geschiedenis. Wanneer zware metalen zoals lood, zink of cadmium via mijnbouw, industrieel afval of voertuigemissies in de bodem terechtkomen, breken ze niet af of verdwijnen ze niet. In plaats daarvan blijven ze decennialang aanwezig, wachtend om te worden opgepikt door de wind, gewassen door de regen, of, het meest gevaarlijk, ingenomen door mensen en dieren. Het risico dat deze metalen vormen, hangt sterk af van de hoeveelheid die aanwezig is, waar ze zich bevinden en wie eraan wordt blootgesteld. Kinderen zijn uniek kwetsbaar; hun kleinere lichamen, ontwikkelende organen en natuurlijke neiging om in de modder te spelen, betekenen dat ze deze toxines gemakkelker absorberen dan volwassenen. Het begrijpen van de precieze kaart van deze contaminatie en het voorspellen wie in gevaar is, vereist meer dan alleen het nemen van een paar monsters en de rest gokken. Het vraagt om een manier om de onzichtbare patronen te zien die de chemie van de aarde verbinden met de gezondheid van haar inwoners.

In de noordwestelijke provincie Zanjan, Iran, zette een team van onderzoekers zich scharpe om deze verborgen dreiging met ongekende precisie in kaart te brengen. De regio is de thuisbasis van de Angouran-mijn, een van de grootste zinkafzettingen in het Midden-Oosten, die sinds de jaren 1960 actief is naast actieve smelterijen en industriesteden. Decennialang hebben deze operaties een chemische voetafdruk achtergelaten op het omliggende land. Om de volledige omvang van het probleem te begrijpen, verzamelden de onderzoekers bodemsamples van 357 verschillende locaties verspreid over de provincie, waardoor ze een dicht raster van datapunten creëerden die het hele gebied besloeg. Ze maten de niveaus van zes specifieke zware metalen: zink, koper, cadmium, nikkel, ijzer en lood. In plaats van te vertrouwen op een enkele methode om deze enorme hoeveelheid gegevens te interpreteren, maakten ze gebruik van een reeks geavanceerde computerprogramma's die bekend staan als machine learning. Deze programma's fungeren als hooggetrainde patroonherkenningsmotoren, in staat om complexe relaties te vinden tussen de concentraties metalen en de potentiële gezondheidsrisico's die zij vormen voor mensen.

De studie onthulde een landschap van scherpe contrasten. Terwijl sommige gebieden metaalniveaus vertoonden die dicht bij de natuurlijke achtergrondwaarden van de gesteenten in de regio lagen, waren andere gebieden verzadigd met contaminatie. Zink was de meest wijdverspreide overtreder, waarbij bijna 96 procent van de bemonsterde locaties niveaus vertoonde die hoger waren dan de natuurlijke achtergrond, waarbij sommige plekken tot wel vierendertig keer de verwachte hoeveelheid bevatten. Cadmium, hoewel aanwezig in kleinere absolute hoeveelheden, bleek het gevaarlijkst te zijn in termen van gezondheidsimpact omdat het zelfs in minuscule hoeveelheden zeer toxisch is en decennialang in het menselijk lichaam blijft. De onderzoekers gebruikten hun computermodellen om de oorsprong van deze vervuiling te traceren. Ze identificeerden drie duidelijke bronnen: een mijnbouw- en smeltingssignatuur die gedomineerd werd door zink, cadmium en lood, geconcentreerd rond de Angouran-mijn; een industriële signatuur van koper en ijzer gekoppeld aan de Zanjan Industriële Stad; en een natuurlijke, geologische achtergrond van nikkel en ijzer die afkomstig is van de lokale gesteenten zelf.

Wat dit onderzoek bijzonder krachtig maakte, was het vermogen om gezondheidsrisico's met hoge precisie te voorspellen met behulp van verschillende soorten computermodellen voor verschillende doelen. Het team kwam tot de conclusie dat geen enkel computerprogramma perfect was voor elke taak. Voor het voorspellen van algemene vervuilingslasten en niet-kankergerelateerde gezondheidsrisico's werkte een model genaamd Gradient Boosting Regression het beste, wat nauwkeurig in kaart bracht waar de bodem gevaarlijk was. Echter, voor het voorspellen van het risico op het ontwikkelen van kanker gedurende een leven, bleek een ander model, genaamd Support Vector Regression, superieur. Dit onderscheid was van belang omdat het de onderzoekers in staat stelde een nauwkeuriger beeld van de dreiging te schetsen dan wanneer ze één instrument voor alles hadden willen gebruiken. Hun analyse bevestigde dat cadmium en lood de primaire drijvers waren van onmiddellijke, niet-kankergerelateerde gezondheidsbedreigingen, terwijl koper en nikkel de belangrijkste bijdragers waren aan langetermijnkankerrisico's.

Misschien wel de meest opvallende bevinding van de studie was het dramatische verschil in risico tussen kinderen en volwassenen. De onderzoekers berekenden dat hoewel slechts een klein deel van de locaties een niet-kankergerelateerd gezondheidsrisico vormde voor volwassenen, een enorme 35 procent van de locaties de veiligheidsdrempel voor kinderen overschreed. Met andere woorden, een kind dat in de grond speelt op deze locaties, loopt een risico op schade dat meer dan twaalf keer hoger is dan dat van een volwassene die op dezelfde plek staat. Deze discrepantie wordt gedreven door het feit dat kinderen relatief meer bodem binnenkrijgen in verhouding tot hun lichaamsgewicht en gevoeliger zijn voor toxines. De studie wees vijf specifieke "hotspot"-locaties aan, gelegen direct naast de mijnresiduen (mine tailings), waar de contaminatie zo ernstig was dat onmiddellijke actie, zoals het reinigen of afdekken van de bodem, noodzakelijk is om de lokale bevolking te beschermen.

De onderzoekers gebruikten ook een techniek die precies uitsplitst welk metaal verantwoordelijk is voor het risico op elke specifieke locatie. Ze ontdekten dat in de meest gevaarlijke gebieden cadmium de belangrijkste factor was die de gezondheidsrisico's boven de veiligheidslimiet dreef. Dit betekent dat als het doel is om de bodem veilig te maken voor kinderen, het verwijderen of neutraliseren van het cadmium de meest effectieve eerste stap zou zijn, zelfs als andere metalen aanwezig blijven. De studie identificeerde niet alleen het probleem; het bood een duidelijk, op data gebaseerd stappenplan voor de oplossing. Door gedetailleerde ruimtelijke kaarten te combineren met geavanceerde computervoorspellingen, toonde het team aan dat de dreiging niet uniform is, maar geconcentreerd in specifieke zones die worden gedreven door specifieke industriële activiteiten.

Dit werk dient als een blauwdruk voor hoe de moderne wetenschap zich kan wenden tot milieugezondheidscrisissen. Het gaat verder dan eenvoudige metingen om een dynamisch, voorspellend begrip te creëren van hoe vervuiling door het milieu beweegt en de menselijke gezondheid beïnvloedt. De bevindingen suggeren dat in mijnbouwintensieve regio's de bescherming van kinderen een gerichte aanpak vereist die hun unieke kwetsbaarheid erkent. De studie concludeert dat onmiddellijke interventie nodig is in de vijf geïdentificeerde hotspot-zones, samen met regelmatige monitoring van de bodem rond industriesteden en de mijn zelf. Door zich te richten op de specifieke metalen die de hoogste risico's veroorzaken, kunnen autoriteiten hun inspanningen prioriteren om de lucht en de bodem te reinigen, zodat de grond onder de provincie een veilige basis wordt voor de volgende generatie.