Forscher der CU Boulder haben einen neuen Sensor zur E. coli-Risikoerkennung entwickelt und validiert, der eine beeindruckende Genauigkeitsrate von 83 % bei der Erkennung von Kontaminationen in Oberflächengewässern aufweist.
Die Ergebnisse wurden kürzlich in veröffentlicht Wasserforschung und könnte die Erkennung einer Vielzahl von Verunreinigungen in Wassersystemen auf der ganzen Welt und in Amerika schnell und effektiv verbessern.
Emily Bedell (Ph.D.EnvEngr’22) ist die Hauptautorin des Artikels des Mortenson Center in Global Engineering. Sie sagte, dass etwa zwei Milliarden Menschen weltweit eine Trinkwasserquelle nutzen, die einen gewissen Anteil an Fäkalien enthält und gesundheitliche Probleme verursachen kann, die von Durchfall bis zu Wachstumsstörungen reichen – insbesondere bei kleinen Kindern.
„Etwa 60 % aller Todesfälle durch Durchfall sind weltweit auf die Wasserqualität zurückzuführen“, sagte sie. „Dies ist ein echtes Problem, aber aktuelle Methoden zum Auffinden von Kot im Trinkwasser sind teuer, haben hohe Eintrittsbarrieren wie umfangreiche Schulungsanforderungen oder können etwa 24 Stunden dauern, bis sie Ergebnisse liefern. Wir haben einen Sensor in Kombination mit einem maschinellen Lernmodell erfunden verwendet Fluoreszenz, um fäkale Kontaminationsspitzen in Echtzeit anzuzeigen.“
Sowohl die Sensor- als auch die Modellkombination für maschinelles Lernen wurden vom US-Patentamt zum Patent angemeldet.
Laut Bedell funktioniert die Fluoreszenz, indem eine Wasserprobe mit einer UV-LED-Lichtquelle bestrahlt und die Lichtmenge gemessen wird, die bei einer höheren Wellenlänge absorbiert und wieder emittiert wird. Diese Informationen können schnell eine potenzielle Kontamination anzeigen, sind jedoch empfindlich gegenüber vielen Umgebungs- und physikalischen Faktoren wie der Probentemperatur, die ein Rauschen in den Daten verursachen und deren Interpretation erschweren.
„Wir verwenden maschinelle Lerntechniken, um dieses Rauschen zu durchdringen und Anomalien besser zu erkennen“, sagte Bedell.
Eine schnelle und genaue Bewertung der Wasserqualität ist ein wachsender Bedarf – nicht nur in Ländern mit niedrigem Einkommen, sondern auch in Situationen wie der Wasserkrise in Flint, Michigan, wo die Bürger gefährlichen Bleikonzentrationen durch schlechte Regierungspolitik ausgesetzt waren.
Professor Evan Thomas, Direktor des Mortenson Center, ist Co-Autor des Papiers. Er sagte, der Klimawandel sei auch ein Faktor in dieser Diskussion, da häufigere Stromausfälle den Betrieb der Kläranlage beeinträchtigen könnten und Unwetter kritische Wasserquellen kontaminieren könnten.
„Wir werden mehr Daten über die Wasserqualität brauchen, und wir brauchen sie, um allgemein verfügbar zu sein“, sagte er. „Einmal täglich zu messen, wird nicht ausreichen, um sicherzustellen, dass wir Wasser erhalten, das weder biologische noch chemische Verunreinigungen enthält, die uns kurz- und langfristig schaden können.“
Bedell ist jetzt als Ingenieur für Virridy in Boulder angestellt und arbeitet daran, die Technologie weiter voranzutreiben. Idealerweise funktioniert es in Partnerschaft mit einem größeren häuslichen Aufbereitungssystem für diejenigen, die einen privaten Brunnen für ihr Trinkwasser nutzen, dessen Wasserqualität nicht von der EPA reguliert wird.
„Dieser Sensor wird eine miniaturisierte Version des in diesem Papier eingebauten Designs sein und an der Hauptwasserleitung eines Hauses installiert werden, die aus dem Brunnen kommt“, sagte sie. „Die Daten des Sensors werden über das WLAN des Benutzers an eine Online-Datenbank gesendet, wo das maschinelle Lernmodell angewendet wird, um das Risikoniveau vorherzusagen und die Informationen an eine mobile App zu senden, die den Benutzer benachrichtigt, wenn eine Kontamination festgestellt wird.“
Bedell sagte, sie habe sich schon immer für die Schnittstellen von Technik, Umwelt und sozialer Gerechtigkeit interessiert, und dieses Forschungsprojekt habe diese Aspekte während ihrer Zeit am Mortenson Center wirklich zusammengebracht.
„Die Wasserqualitätsforschung trifft auf all diese Punkte auf so viele Arten. Mit mehr Daten können wir explizit darauf hinweisen, wie und wann Gemeinschaften durch Umweltungerechtigkeiten geschädigt werden, damit die Richtlinien und Praktiken, die den Schaden verursacht haben, angegangen werden können.“ Sie sagte.
Emily Bedell et al, Ein kontinuierlicher In-situ-Nahzeit-Fluoreszenzsensor gekoppelt mit einem maschinellen Lernmodell zur Erkennung des Risikos einer fäkalen Kontamination in Trinkwasser: Design, Charakterisierung und Feldvalidierung, Wasserforschung (2022). DOI: 10.1016/j.waters.2022.118644