Trotz der Risiken für die menschliche Gesundheit ist für die meisten privaten Trinkbrunnen in New Jersey kein Arsentest erforderlich. Um diese Regulierungslücke zu schließen, entwickelte ein Rutgers-Forscher ein maschinelles Lernmodell, das die Arsenkontamination in privaten Brunnen abschätzen kann, ohne dass das Wasser selbst entnommen werden muss.
„New Jersey hat viele natürlich vorkommende Arsenquellen, die die Arsenkonzentration im Grundwasser erhöhen können“, sagte Subhasis Giri, Assistenzprofessor in der Abteilung für Ökologie, Evolution und natürliche Ressourcen und Hauptautor der in der Zeitschrift veröffentlichten Studie Wissenschaft der gesamten Umwelt. „Unsere Arbeit trägt zum Verständnis dieses Risikos für die menschliche Gesundheit bei, indem sie die Quellen der Arsenkonzentration in privaten Trinkwasserbrunnen aufdeckt, was wiederum zur Eindämmung beitragen wird.“
Arsen kommt sowohl in organischer als auch in anorganischer Form vor. Zu den natürlichen Quellen zählen Gesteine, Böden und Wasser, zu den anthropogenen Quellen Pestizide, Holzschutzmittel, der Bergbau und die Verhüttung arsenhaltiger Mineralien. Eine langfristige Exposition gegenüber erhöhten Arsenwerten im Trinkwasser kann schwerwiegende gesundheitliche Folgen wie Herzerkrankungen, Diabetes und Krebs haben.
Um Arsen-Hotspots in drei Ländern im Westen von New Jersey (Hunterdon, Somerset und Morris) zu identifizieren, entwickelten Giri und Kollegen von der Columbia University und dem New Jersey Institute of Technology ein Computermodell, das mithilfe von maschinellem Lernen die Wahrscheinlichkeit vorhersagt, dass ein privater Brunnen vorhanden ist ist mit unsicheren Arsenwerten kontaminiert.
Der erste Schritt war die Analyse von Daten aus 2.626 privaten Brunnen, die zwischen 2011 und 2019 von Raritan Headwaters, einer Naturschutzgruppe, die in der Wasserscheide des Raritan River arbeitet, gesammelt wurden. Von diesen Brunnen hatten 496 Arsenkonzentrationen von 5 Mikrogramm pro Liter oder mehr, dem vom Staat erlaubten Höchstwert in öffentlichen Trinkwassersystemen. Diese Daten wurden unter Verwendung von Brunnenstandorten auf einer Karte dargestellt.
Als nächstes entwickelten die Forscher Algorithmen für maschinelles Lernen, um zu bestimmen, was zu höheren Arsenkonzentrationen beiträgt. Zu den Faktoren gehörten der geologische Grundgesteinstyp, der Bodentyp, die Entwässerungsklasse, die Landnutzungsbedeckung, das Vorhandensein von Obstplantagen, bekannte Kontaminationen und verlassene Minen im Umkreis von 500 Fuß um jedes Bohrloch.
Mit diesem mehrschichtigen Datensatz verglich Giri die vorhergesagten Arsenwerte mit den tatsächlichen Werten aus den Proben des Raritan-Oberlaufs.
„Wir fanden heraus, dass die Hauptquelle von Arsen eher aus der Geologie als aus menschlichen Aktivitäten stammt“, sagte Giri.
Beispielsweise besteht Basalt, eine im gesamten Untersuchungsgebiet verbreitete Gesteinsart, aus Mineralien mit hohen Arsenkonzentrationen, die ins Grundwasser gelangen können. Der zweitwichtigste Beitrag war die Bodenart, gefolgt von der Landnutzung, sagte er.
Es wurden zwei Modelle erstellt, die eine Genauigkeit von 55 Prozent bzw. 66 Prozent erreichten.
Die meisten öffentlichen Wasserversorgungen in den USA sind durch den Federal Safe Drinking Water Act reguliert, aber private Brunnen sind oft nicht reguliert. Im Jahr 2001 wurde das New Jersey Private Well Testing Act eingeführt, das jedoch nur obligatorische Tests erfordert, wenn eine Immobilie gekauft oder verkauft wird oder wenn der Brunnen von Mietern genutzt wird.
Die Forscher fanden heraus, dass von den rund 400.000 privaten Brunnen in New Jersey bis zu 80 Prozent nicht auf Wasserqualität überwacht werden. Giri sagte, dass Computermodelle wie die von ihm entwickelten dabei helfen können, Bereiche mit höherem Arsenrisiko zu identifizieren, und Bohrlochbesitzern zusätzliche Informationen bei der Planung ihrer Teststrategie geben.
„Die Möglichkeit, potenzielle ‚Hotspots‘ erhöhter Arsenkonzentrationen zu kartieren, erleichtert die Bemühungen, Bohrlochtestprogramme gezielt zu testen und Lösungen zu implementieren“, sagte Giri. „Das Testen der Bohrlochqualität stellt eine finanzielle Belastung für die Eigentümer dar, und Tools wie unsere Modellierungssoftware können kostengünstige Möglichkeiten sein, das Risiko auszugleichen.“
Mehr Informationen:
Subhasis Giri et al, Offenlegung der Arsenquellen in privatem Brunnenwasser unter Verwendung von Random Forest Classification and Regression, Wissenschaft der gesamten Umwelt (2022). DOI: 10.1016/j.scitotenv.2022.159360