Bis zu 225 Millionen Menschen leben weltweit in Gebieten, deren Grundwasservorkommen durch Arsen belastet sein könnte. Ein auf Maschinenlernen aufbauendes statistisches Modell hat jetzt das Risiko weltweit ermittelt und in einer Karte die besonders gefährdeten Regionen dargestellt. In der aktuellen „Science“ stellen Wissenschaftler der Schweizer EAWAG das Modell vor.
Daten aus mehr als 80 Studien zur Arsenbelastung des Grundwassers haben die zwei Hydrologen des Schweizer Wasserforschungsinstituts EAWAG zusammengetragen, und daraus umfassende Informationen über die Arsenbelastung an mehr als 55.000 Orte gewonnen. Mit diesen Datensätzen fütterten die beiden Forscher ein mit künstlicher Intelligenz arbeitendes Risikomodell, um das Risiko auch jenseits der bekannten Belastungen abzuschätzen. „Das Resultat ist die bisher genaueste und detaillierteste Risikokarte im globalen Maßstab“, erklärt Joel Podgorski Geophysiker in der Abteilung Wasserressourcen und Trinkwasser der EAWAG.
Die Weltgesundheitsorganisation WHO empfiehlt seit 1993 eine Höchstbelastung von zehn Mikrogramm, weil eine dauerhaft erhöhte Arsenaufnahme das Risiko einer Krebserkrankung drastisch steigert. Dieser Wert wurde auch in den Risikokarten als Richtschnur benutzt. Neben den bekannten Problemgebieten im pakistanischen Industal und im Gangesdelta Bangladeschs zeigten die Gefährdungskarten auch für ein breites Band von Nordchina über die Mongolei bis Kasachstan und für die Sahelzone in Afrika ein hohes Risiko. Hinzu kommen weite Gebiete Mexikos und im Südwesten der USA, sowie ein breites Band von den nördlichen Provinzen Argentiniens über die Hauptstadtregion Buenos Aires bis zur Atlantikküste. Diese Arsenrisikogebiete waren bislang bereits bekannt. In Afrika ist vor allem ein Streifen im Norden Namibias und Botswanas auffällig.
Das statistische Modell arbeitete zunächst mit 52 verschiedenen Umweltindikatoren, doch im Laufe des Lernprozesses stellten sich elf Variable als geeignete Kombination heraus. Unter diesen elf Eigenschaften waren etliche Boden- und zahlreiche Klimaparameter, jedoch nicht ein einziger geologischer Indikator. Die Forscher führen dies auf die rein statistische Natur des Modells zurück, die bessere Korrelationen für andere Parameter lieferte. Mehr erfahren…
