Groundwater chemistry inference, transferability and physical consistency evaluation with machine learning across global monitoring records
Deze studie evalueert negen machine learning-methoden op 2,1 miljoen wereldwijde grondwatermonsters, waarbij wordt onthuld dat hoewel modellen effectief hoofdionen en de rangorde van overschrijdingen van verontreinigingen binnen getrainde regio's voorspellen, ze moeite hebben met de overdraagbaarheid buiten de distributie (out-of-distribution transferability), er niet in slagen de nominale onzekerheidsdekking te handhaven bij geografische verschuivingen, en niet betrouwbaar redoxgevoelige verontreinigingen zoals arsenicum kunnen afleiden zonder directe meting.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Grondwater is de onzichtbare voorraad die de helft van de wereldbevolking voedt en een groot deel van de gewassen op de planeet van water voorziet, maar de chemische kwaliteit ervan blijft in veel gebieden een mysterie. Hoewel we weten waar het water is, weten we vaak niet wat erin is opgelost. In veel regio's sijpelen natuurlijke verontreinigingen zoals arsenicum, fluoride en mangaan in aquifers bij niveaus die gevaarlijk zijn voor de menselijke gezondheid, maar uitgebreid testen is duur en logistiek moeilijk. Omdat het meten van elke chemische parameter in elke put onmogelijk is, wenden waterbeheerders zich vaak tot machine learning, een type computerprogramma dat patronen leert van gegevens, om de gaten op te vullen. Deze programma's proberen de ontbrekende chemie van een put te voorspellen op basis van wat al bekend is, zoals het lokale bodemtype, het klimaat of een paar basis watermetingen. De hoop is dat deze digitale hulpmiddelen als een betrouwbaar substituut kunnen dienen voor fysieke tests, waardoor instanties gevaarlijk water kunnen identificeren zonder elk enkele locatie te hoeven bezoeken.
Een team van onderzoekers zette zich in om te testen of deze machine learning-modellen werkelijk vertrouwd kunnen worden wanneer ze worden toegepast op plaatsen die ze nog nooit hadden gezien. Ze verzamelden een enorme collectie gegevens over de chemie van het water uit vier grote publieke databases, waarbij meer dan twee miljoen monsters werden gecombineerd uit monitoringnetwerken in Europa, Noord-Amerika en delen van Azië. Uit deze enorme dataset trainden ze negen verschillende soorten computermodellen, variërend van eenvoudige statistische methoden tot geavanceerde kunstmatige intelligentiesystemen die ontworాని om te leren van grote hoeveelheden data. Om een eerlijke test te garanderen, vroegen ze de modellen niet alleen om te raden op willekeurige monsters; in plaats daarvan daagden ze de modellen uit om de waterkwaliteit van hele regio's te voorspellen die volledig afwezig waren in hun trainingsdata. Deze aanpak bootst het scenario in de echte wereld na waarbij een model dat getraind is op data van één continent, wordt gevraagd de waterveiligheid in een totaal ander deel van de wereld te beoordelen. Ze testten de modellen ook op een specifieke set monsters uit Bangladesh, een regio die bekend staat om zijn unieke en zeer reducerende grondwatercondities, die chemisch gezien zeer verschillend zijn van de gematigde zones die de trainingsdata domineren.
De resultaten toonden een scherpe kloof tussen wat deze modellen kunnen en waar ze falen. Wanneer de onderzoekers de modellen vroegen om belangrijke chemische componenten zoals calcium, magnesium en natrium te voorspellen op basis van een paar basismetingen, waren de voorspellingen opmerkelijk nauwkeurig en kwamen ze met hoge precisie overeen met de werkelijke waarden. Echter, wanneer het kwam op het voorspellen van arsenicum, een giftig metaal dat een ernstig gezondheidsrisico vormt, stuitten de modellen op een hard plafond. Zelfs de meest geavanceerde systemen konden het arsenicumniveau niet beter voorspellen dan een gemiddelde gok, ongeacht hoeveel andere gegevens ze kregen. De studie toonde aan dat de complexe chemische processen die arsenicum in het water vrijmaken, slechts een zwak spoor achterlaten in de andere chemische stoffen die gemakkelijk te meten zijn. Bijgevolg concludeerden de onderzoekers dat arsenicum niet betrouwbaar kan worden afgeleid uit andere gegevens; het moet direct in het veld worden gemeten om veiligheid te garanderen.
De studie legde ook een aanzienlijk gebrek bloot in de manier waarop veel huidige gevarenkaarten worden opgesteld. Deze kaarten vertrouwen vaak op satellietgegevens die oppervlaktekenmerken tonen zoals bodemtype, vegetatie en neerslag om te voorspellen waar contaminatie zou kunnen bestaan. Hoewel deze kaarten goed presteerden wanneer ze werden getest op data uit dezelfde regio's waar ze voor zijn gebouwd, stortte hun nauwkeurigheid in wanneer ze werden toegepast op nieuwe, onbekende regio's. De modellen gebaseerd op oppervlaktegegevens presteerden niet beter dan een willekeurige gok wanneer ze werden gevraagd de contaminatie in een nieuw gebied te voorspellen. In tegenstelling hiertoe waren modellen die gebruikmaakten van werkelijke waterchemische metingen van een paar lokale putten in staat om hun kennis met veel meer succes over te dragen naar nieuwe regio's. Dit suggereert dat hoewel oppervlaktedata het landschap kunnen beschrijven, ze niet de verborgen, ondergrondse chemische condities kunnen vastleggen die de waterveiligheid bepalen.
Misschien wel de meest kritieke bevinding betrof het vertrouwen dat deze modellen stellen in hun eigen voorspellingen. In de regio's waar de modellen voor getraind waren, boden ze betrouwbare schattingen van onzekerheid en gaven ze correct aan wanneer ze er niet zeker van waren. Echter, wanneer ze naar nieuwe regio's werden verplaatst, verdween deze betrouwbaarheid. De meest geavanceerde modellen, die gevaarlijke putten met hoge nauwkeurigheid rangschikten, werden ook gevaarlijk overmoedig en misten frequent gevaarlijke putten terwijl ze met zekerheid over hun veiligheid beweerden. Daarentegen waren eenvoudigere modellen, die voorzichtiger waren en vaak weigerden een beslissing te nemen, eigenlijk veiliger, omdat ze minder gevaarlijke putten misten. De onderzoekers ontdekten dat geen enkel model zowel hoog nauwkeurig als betrouwbaar zeker kon zijn bij het opereren buiten zijn trainingsomgeving. Dit betekent dat het gebruik van deze modellen om fysieke tests te vervangen riskant is; in plaats daarvan zouden ze gebruikt moeten worden om te prioriteren welke putten getest moeten worden, om veldteams naar de meest waarschijnlijke probleemgebieden te leiden, terwijl men erkent dat directe meting essentieel blijft voor verificatie.
Het onderzoek keek ook naar de vraag of gespecialiseerde training op grondwaterdata deze modellen een voordeel gaf ten opzichte van generieke modellen. Ze vonden dat een model dat specifiek was voorgetraind op miljoenen watermonsters net zo goed presteerde als een generiek model dat getraind was op synthetische data, mits beide werden aangepast voor de specifieke taak. Verder testten ze een gesimuleerde quantum computing-methode, een baanbrekende aanpak die de principes van de quantummechanica gebruikt om informatie te verwerken. In deze specifieke toepassing presteerde de quantummethode niet beter dan standaard klassieke computermethoden, wat geen voordeel bood bij het voorspellen van de waterkwaliteit. De studie schetst uiteindelijk een beeld van machine learning als een krachtig hulpmiddel voor het organiseren van kennis en het benadrukken van risico's, maar als een middel dat nog steeds niet in staat is om de fundamentele noodzaak van fysieke observatie te vervangen. De meest effectieve strategie voor waterveiligheid blijft een partnerschap tussen digitale hulpmiddelen, die de weg kunnen wijzen, en menselijke meting, die de waarheid moet bevestigen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.