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

Rivieren zijn de levensader van landschappen; ze vervoeren water dat alles ondersteunt, van de kleinste vissen tot de grootste kuddes grazende dieren. Maar de gezondheid van een rivier gaat niet alleen over hoeveel water er doorheen stroomt; het gaat over wat er in dat water is opgelost of gesuspendeerd. Wetenschappers meten deze gezondheid door te kijken naar specifieke ingrediënten, zoals hoeveel zuurstof er beschikbaar is voor het aquatische leven, hoeveel organisch afval er wordt afgebroken, en hoeveel modder of slib de stroming vertroebelt. Deze ingrediënten blijven niet hetzelfde; ze verschuiven met de seizoenen. Wanneer zware regen valt, spoelen ze bodem en voedingsstoffen de rivier in, wat de chemie ervan verandert. Wanneer het droge seizoen aanbreekt, vertraagt het water en nemen andere processen het over. Het begrijpen van deze verschuivende patronen is cruciaal voor het beheer van waterbronnen, vooral in regio's waar rivieren grenzen overschrijden en hele ecosystemen ondersteunen. De relatie tussen deze veranderende ingrediënten is echter vaak rommelig en onvoorspelbaar, wat het moeilijk maakt om te voorspellen hoe een rivier zich zal gedragen door enkel naar eenvoudige gemiddelden te kijken.

In het Tanzaniaanse deel van de Mara-rivier, een vitale waterweg die gedeeld wordt met Kenia, is een team van onderzoekers gestart om deze complexe seizoensgebonden verschuivingen te begrijpen. Ze verzamelden een enorme collectie waterkwaliteitsgegevens die zestien jaar beslaat, van 2010 tot 2026, afgenomen van twaalf verschillende locaties langs de rivier. Ze richtten zich op vier belangrijke indicatoren: de hoeveelheid zwevende modder en slib, het niveau van opgeloste zuurstof, de hoeveelheid organische vervuiling en de concentratie ammoniakstikstof. Door deze gegevens te sorteren in natte en droge seizoenen, ontdekten ze dat de rivier zich anders gedraagt afhankelijk van het jaargetijde. Tijdens het natte seizoen steeg de hoeveelheid organische vervuiling aanzienlijk, terwijl de zuurstofniveaus ook een bescheiden toename lieten zien. De hoeveelheid zwevende modder bleef ongeveer gelijk tussen de seizoenen, hoewel deze wilder varieerde wanneer de regen zwaar was. De ammoniakniveaus vertoonden slechts een minimale toename tijdens de natte maanden. Cruciaal was dat de onderzoekers ontdekten dat deze getallen geen nette, voorspelbare klokcurve volgen; in plaats daarvan zijn ze scheefgetrokken, met incidentele pieken die het patroon van de normale verdeling doorbreken. Deze onregelmatigheid betekent dat standaard wiskundige instrumenten vaak moeite hebben om de gegevens betekenis te geven.

Om deze complexiteit aan te pakken, maakten de onderzoekers gebruik van een geavanceerd computermodel genaamd een Adaptive Neuro-Fuzzy Inference System, of ANFIS. Denk aan dit systeem als een zeer getrainde waarnemer die leert patronen te herkennen door voorbeelden te bestuderen, net zoals een persoon leert een vogel te identificeren door veel verschillende soorten te zien in plaats van een enkele tekstboekdefinitie uit het hoofd te leren. Dit model werd ontworpen om de rommelige, niet-lineaire relaties tussen de waterkwaliteitsingrediënten en een algemene score die het vervuilingsniveau van de rivier vertegenwoordigt, te verwerken. Het team splitste hun zestien jaar aan gegevens in twee groepen: één om het model te onderwijzen en een andere om de voorspellingen ervan te testen. Ze draaiden het model afzonderlijk voor het droge seizoen en het natte seizoen om te zien of het kon aanpassen aan de verschillende omstandigheden.

De resultaten waren bemoedigend. Het model bleek een krachtig instrument te zijn voor het begrijpen van de gezondheid van de rivier, waarbij het erin slaagde de complexe interacties tussen de verschillende waterkwaliteitsfactoren vast te leggen. Tijdens het droge seizoen kwamen de voorspellingen van het model met een hoge mate van nauwkeurigheid overeen met de werkelijke waarnemingen, waarbij ongeveer tachtig procent van de variaties in de echte data werd verklaard. Het presteerde iets minder goed, maar nog steeds zeer sterk, tijdens het natte seizoen, waarbij bijna tachtig procent van de variaties werd verklaard. Het model maakte geen perfecte voorspellingen, en er waren nog steeds onverklaarde verschillen, vooral tijdens de regenachtige maanden wanneer de rivier het meest chaotisch is. Het feit dat het model zo goed werkte zonder dat er vanuit gegaan hoefde te worden dat de gegevens een eenvoudig, rechtlijnig patroon volgden, suggereert echter dat deze aanpak goed geschikt is voor rivieren die snel veranderen.

De studie benadrukt dat hoewel de waterkwaliteit van de Mara-rivier wordt beïloed door seizoensgebonden regen en menselijke activiteit, deze veranderingen kunnen worden gevolgd en begrepen met behulp van geavanceerde modelleringstechnieken. De onderzoekers merkten op dat hun werk steunde op vier specifieke metingen, en dat het toevoegen van meer datapunten, zoals hoeveelheden neerslag of watertemperatuur, toekomstige modellen nog scherper zou kunnen maken. Ze erkenden ook dat hun gegevens afkomstig waren van verschillende bronnen over vele jaren, wat kleine inconsistenties zou kunnen introduceren. Ondanks deze beperkingen toont de studie aan dat kunstmatige intelligentie een betrouwbare gids kan zijn voor rivierbeheer. Door te leren van het verleden, bieden deze modellen een manier om toekomstige waterkwaliteitsproblemen te anticiperen, waardoor een duidelijker beeld ontstaat van hoe dit cruciale grensoverschrijdende hulpbron beschermd kan worden voor de wilde dieren, de landbouw en de gemeenschappen die er afhankelijk van zijn.