Talajvízkutak vízminőségének értékelése vízminőségi indexek, mesterséges intelligencia és adatvizualizáció segítségével egy alföldi település példáján

Absztrakt

Tanulmányunkban egy alföldi településen, Bárándon, azt vizsgáltuk, hogy a szennyvízcsatorna-hálózat kiépítését követő nyolcadik évben milyen változások mutathatók ki a talajvíz minőségében. A vizsgált településen 2014-ben készült el a csatornahálózat, 2022-ben a háztartások rákötöttségi aránya meghaladta a 90%-ot. 2022 nyarán 34 ásott talajvízkútból gyűjtöttünk be vízmintákat. A vízminőségben bekövetkező változásokat három vízminőségi mutató (Súlyozott Vízminőség Index (WQI), Szennyezettségi Index (Cd), Kanadai Környezetvédelmi Tanács Vízminőség Indexe (CCME-WQI)) segítéségével, továbbá térinformatikai (GIS), adatvizualizációs rendszerek és mesterséges intelligencia (MI) bevonásával értékeltük. A talajvíz minőségének értékelése során 8 vízkémiai paramétert használtunk fel (pH, EC, NH₄⁺, NO₂^-, NO₃^-, PO₄^3-, KOI_ps, Na⁺). Interpolált térképek alapján megállapítottuk, hogy a terület egyre nagyobb része mutat megfelelő vagy jó vízminőséget. Azonban a csatornázást követően nyolc év után, továbbra is magas a szervetlen nitrogénformák és szervesanyag koncentrációk értéke, mely azt indikálja, hogy a területen felhalmozódott szennyezőanyagok továbbra is jelen vannak, amelyet mindhárom vízminőségi mutató eltérő mértékben és területi konfigurációban, de igazolt. A vízminőségi geoadatbázis adatainak interaktív adatvizualizációja és felhő alapú megosztását Tableau Cloud segítésével tettünk szabadon elérhetővé.

Előrecsatolt neurális háló (Feed-Forward Neural Network, FFNN) létrehozásával továbbá kísérletet tettünk a talajvízminőség előrejelzésére, amely a vízkémiai paraméterek alapján három vízminőségi mutató vízminőségi állapotát becsülte meg. Az eredmények azt mutatták, hogy az alkalmazott tanító algoritmusok és aktivációs függvények eltérő hálózati struktúrák esetén bizonyultak a legjobbnak. A WQI és Cd mutatók legpontosabb előrejelzését a bayesi szabályozáson alapuló algoritmus (trainbr) adta, amely a legkisebb átlagos négyzetes hibát (RMSE_WQI = 0,164 RMSE_Cd = 0,089) és a legmagasabb determinációs együtthatót (R²_WQI= 0,978 R²_Cd= 0,994) érte el. A CCME-WQI mutató esetében a modellek pontossága alacsonyabb volt (RMSE = 0,272, R²= 0,863), ami arra utal, hogy ezt a mutató nehezebben prediktálható. Tanulmányunk vonatkozásában kiemelendő, hogy az adatvizualizáció különösen praktikus eszköz a térbeli monitoring adatok utófeldolgozására, mivel alkalmas az információk intuitív, vizuális formában történő megjelenítésére és a térbeli mintázatok és összefüggések felfedezésére, valós időben történő elemzések elvégzésére. A mesterséges intelligencia a jövőben várhatóan tovább növeli a vizualizáció hatékonyságát, lehetővé téve a nagy mennyiségű adatok és térbeli adatbázisok gyors feldolgozását és a komplex mintázatok azonosítását.