DOI: https://doi.org/10.1038/s41598-025-21592-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41152482
تاريخ النشر: 2025-10-28
المؤلف: Raisul Islam وآخرون
الموضوع الرئيسي: المياه الجوفية وكيمياء النظائر
نظرة عامة
تدرس الدراسة جودة المياه الجوفية عبر 23 موقعًا في كاسجانج، أوتار براديش، الهند، مع تسليط الضوء على مخاطر التلوث الكبيرة التي تهدد كل من مياه الشرب والممارسات الزراعية. تم تحليل ما مجموعه 115 عينة من المياه الجوفية لـ 12 معلمة جودة، بما في ذلك الرقم الهيدروجيني، والمواد الصلبة الذائبة الكلية (TDS)، ومستويات الفلورايد. كشفت النتائج عن مستويات TDS مرتفعة بشكل مقلق، تتراوح من 252 إلى 2054 جزء في المليون (متوسط 942 جزء في المليون)، وتركيزات الفلورايد التي تتجاوز الحد المسموح به من منظمة الصحة العالمية البالغ 1.5 جزء في المليون، مع قيم تتراوح بين 0.21 و3.80 جزء في المليون (متوسط 1.55 جزء في المليون). أشار مؤشر جودة المياه (WQI) إلى أن 60.87% من العينات غير صالحة للشرب، مما يبرز مخاوف صحية خطيرة للسكان المحليين.
تم استخدام نماذج التعلم الآلي المتقدمة، بما في ذلك الغابة العشوائية (RF)، والشبكة العصبية الاصطناعية (ANN)، وزيادة التدرج المتطرف (XGB)، لتحليل الفئات الهيدروكيميائية وتقييمات WQI التنبؤية. أظهر نموذج RF أداءً متفوقًا مع أدنى مقاييس خطأ (RMSE: 5.97، MSE: 35.69، MAE: 5.49) ومعامل تحديد مرتفع ($R^2 = 0.951$)، بينما حققت ANN $R^2$ أعلى قليلاً قدره 0.957 ولكن مع معدلات خطأ أكبر. تؤكد هذه النتائج على إمكانيات التعلم الآلي في التنبؤ بدقة بجودة المياه الجوفية ودعم استراتيجيات إدارة المياه الفعالة. تختتم الدراسة بأن الإجراءات العلاجية الفورية ضرورية لمعالجة تدهور جودة المياه الجوفية المتأثرة بالعوامل الجيولوجية والبشرية.
طرق
تحدد قسم “الطرق” تصميم التجربة والمواد المستخدمة في الدراسة. توضح المنهجيات المحددة المستخدمة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج وموثوقيتها. قد يتضمن القسم أوصافًا للسكان العينة، والضوابط التجريبية، والتقنيات الإحصائية المطبقة لتفسير النتائج.
بالإضافة إلى ذلك، يتم تحديد أي أدوات أو تقنيات مستخدمة في البحث، مثل البرمجيات لتحليل البيانات أو المعدات المختبرية. تتيح هذه المقاربة الشاملة فهمًا واضحًا لكيفية إجراء البحث وتدعم صحة الاستنتاجات المستخلصة من الدراسة.
نتائج
تكشف التحليل الهيدروجيكيميائي للمياه الجوفية في حوض غانغا، وبالتحديد منطقة كاسجانج في أوتار براديش، الهند، عن نتائج هامة تتعلق بجودة المياه وتركيب المعادن. تفيد الدراسة بوجود نطاق واسع من المواد الصلبة الذائبة الكلية (TDS) من 252 إلى 2054 جزء في المليون، مع متوسط مقلق قدره 942 جزء في المليون. على الرغم من أن تركيزات الأيونات الرئيسية مثل الكلوريد والصوديوم والبوتاسيوم والكبريتات والنترات والمغنيسيوم والكالسيوم ظلت ضمن الحدود المقبولة، كانت مستويات الفلورايد مقلقة، حيث تتراوح من 0.21 إلى 3.80 جزء في المليون، بمتوسط 1.55 جزء في المليون، متجاوزة الحد المقبول لمنظمة الصحة العالمية البالغ 1.5 جزء في المليون. تم تسجيل الرقم الهيدروجيني المتوسط عند 7.36، مما يشير إلى جودة مياه محايدة.
تشير التحليلات المعدنية إلى أن المياه الجوفية تتميز بنظام طبقات المياه الجوفية الضحلة الذي ينتقل من ظروف غير محصورة إلى شبه محصورة، مع وجود عدسات طينية تساهم في ظواهر جيولوجية كيميائية محلية. وُجدت قيم مؤشر التشبع (SI) للمعادن مثل الجبس (CaSO₄) والملح (NaCl) والسيلفيت (KCl) سلبية، مما يشير إلى ميل للتآكل في عينات المياه. تشير التركيبة المعدنية لعينات الرواسب إلى أن المعادن الكربونية، وخاصة الدولوميت والكالسيت، هي السائدة، مما يعكس الظروف القلوية والتبخرية للبيئة شبه الجافة. بالمقابل، فإن المعادن المتبخرة مثل الملح والسيلفيت نادرة، مما يشير إلى أن ترسيبها نادر ومحدود. بشكل عام، تسلط النتائج الضوء على تأثير التلوث البشري والظروف البيئية على كيمياء المياه الجوفية وتركيبات المعادن في منطقة كاسجانج.
مناقشة
يوفر قسم المناقشة في ورقة البحث تحليلًا شاملاً لجودة المياه الجوفية في منطقة كاسجانج في أوتار براديش، الهند، مع التركيز على التأثير الكبير لكل من العوامل الجيولوجية والبشرية. تكشف الدراسة أن متوسط هطول الأمطار السنوي هو 722.4 مم، مع تقلب مستويات المياه الجوفية بين 3.11 إلى 10.24 مترًا تحت مستوى سطح الأرض (mbgl) خلال فترة ما قبل موسم الأمطار و2.58 إلى 9.79 mbgl بعد موسم الأمطار. تشير تقييمات جودة المياه الجوفية إلى أن 60.87% من العينات غير مناسبة للاستهلاك البشري، ويرجع ذلك أساسًا إلى ارتفاع تركيزات المواد الصلبة الذائبة الكلية (TDS) والفلورايد، التي تتجاوز إرشادات منظمة الصحة العالمية (WHO). تستخدم الدراسة طرق تحليل متقدمة، بما في ذلك نماذج التعلم الآلي مثل الغابة العشوائية (RF) والشبكات العصبية الاصطناعية (ANN) وزيادة التدرج المتطرف (XGBoost)، للتنبؤ بمؤشر جودة المياه (WQI). من بين هذه النماذج، أظهر RF أعلى دقة (R² = 0.951) وموثوقية، مما يبرز إمكانيته في مراقبة جودة المياه الجوفية بشكل فعال.
علاوة على ذلك، تشير الخصائص الهيدروكيميائية إلى هيمنة الفئات Ca-Mg-Cl في عينات المياه الجوفية، مما يشير إلى تأثيرات من ذوبان المعادن والأنشطة البشرية. كما تبرز الدراسة العلاقة بين تركيزات الفلورايد والمعلمات الفيزيائية الكيميائية الأخرى، كاشفة عن علاقة إيجابية قوية مع أيونات البيكربونات والصوديوم. تدعو النتائج إلى تدخلات عاجلة في إدارة المياه الجوفية، نظرًا لمستويات التلوث المقلقة والآثار المترتبة على الصحة العامة والممارسات الزراعية. بشكل عام، تسهم هذه الدراسة في تقديم رؤى قيمة حول الديناميات الهيدروجيكيميائية للمنطقة وقابلية تطبيق تقنيات التعلم الآلي في التقييمات البيئية.
DOI: https://doi.org/10.1038/s41598-025-21592-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41152482
Publication Date: 2025-10-28
Author(s): Raisul Islam et al.
Primary Topic: Groundwater and Isotope Geochemistry
Overview
The study investigates groundwater quality across 23 locations in Kasganj, Uttar Pradesh, India, highlighting significant contamination risks that threaten both drinking water and agricultural practices. A total of 115 groundwater samples were analyzed for 12 quality parameters, including pH, total dissolved solids (TDS), and fluoride levels. The findings revealed alarmingly high TDS levels, ranging from 252 to 2054 ppm (average 942 ppm), and fluoride concentrations exceeding the World Health Organization’s permissible limit of 1.5 ppm, with values between 0.21 and 3.80 ppm (average 1.55 ppm). The Water Quality Index (WQI) indicated that 60.87% of samples were unfit for drinking, underscoring serious health concerns for local populations.
Advanced machine learning models, including Random Forest (RF), Artificial Neural Network (ANN), and Extreme Gradient Boosting (XGB), were employed for hydrochemical facies analysis and predictive WQI assessments. The RF model demonstrated superior performance with the lowest error metrics (RMSE: 5.97, MSE: 35.69, MAE: 5.49) and a high coefficient of determination ($R^2 = 0.951$), while ANN achieved a slightly higher $R^2$ of 0.957 but with greater error rates. These results emphasize the potential of machine learning in accurately predicting groundwater quality and supporting effective water management strategies. The study concludes that immediate remedial actions are necessary to address the deteriorating groundwater quality influenced by both geogenic and anthropogenic factors.
Methods
The “Methods” section outlines the experimental design and materials utilized in the study. It details the specific methodologies employed to collect and analyze data, ensuring reproducibility and reliability of results. The section may include descriptions of the sample population, experimental controls, and statistical techniques applied to interpret the findings.
Additionally, any instruments or technologies used in the research, such as software for data analysis or laboratory equipment, are specified. This comprehensive approach allows for a clear understanding of how the research was conducted and supports the validity of the conclusions drawn from the study.
Results
The hydrogeochemical analysis of groundwater in the Ganga Basin, specifically the Kasganj area of Uttar Pradesh, India, reveals significant findings regarding water quality and mineral composition. The study reports a wide range of total dissolved solids (TDS) from 252 to 2054 ppm, with an alarming average of 942 ppm. Although the concentrations of major ions such as chloride, sodium, potassium, sulfate, nitrate, magnesium, and calcium remained within acceptable limits, fluoride levels were concerning, ranging from 0.21 to 3.80 ppm, with an average of 1.55 ppm, exceeding the World Health Organization’s acceptable limit of 1.5 ppm. The mean pH was recorded at 7.36, indicating neutral water quality.
Mineralogical analysis indicates that the groundwater is characterized by a shallow aquifer system transitioning from unconfined to semi-confined conditions, with the presence of clay lenses contributing to localized geochemical phenomena. The saturation index (SI) values for minerals such as gypsum (CaSO₄), halite (NaCl), and sylvite (KCl) were found to be negative, suggesting a tendency for corrosion in the water samples. The mineralogical composition of sediment samples indicates that carbonate minerals, particularly dolomite and calcite, are predominant, reflecting the alkaline and evaporative conditions of the semi-arid environment. In contrast, evaporite minerals like halite and sylvite are scarce, indicating that their deposition is rare and localized. Overall, the findings highlight the influence of anthropogenic contamination and environmental conditions on the groundwater chemistry and mineral assemblages in the Kasganj region.
Discussion
The discussion section of the research paper provides a comprehensive analysis of groundwater quality in the Kasganj area of Uttar Pradesh, India, emphasizing the significant impact of both geogenic and anthropogenic factors. The study reveals that the mean annual rainfall is 722.4 mm, with groundwater levels fluctuating between 3.11 to 10.24 meters below ground level (mbgl) during pre-monsoon and 2.58 to 9.79 mbgl post-monsoon. Groundwater quality assessments indicate that 60.87% of the samples are unsuitable for human consumption, primarily due to elevated concentrations of Total Dissolved Solids (TDS) and fluoride, which exceed World Health Organization (WHO) guidelines. The research employs advanced analytical methods, including machine learning models such as Random Forest (RF), Artificial Neural Networks (ANN), and Extreme Gradient Boosting (XGBoost), to predict the Water Quality Index (WQI). Among these, RF demonstrated the highest accuracy (R² = 0.951) and reliability, underscoring its potential for effective groundwater quality monitoring.
Furthermore, the hydrochemical characterization indicates a predominance of the Ca-Mg-Cl facies in groundwater samples, suggesting influences from mineral dissolution and anthropogenic activities. The study also highlights the correlation between fluoride concentrations and other physicochemical parameters, revealing a strong positive relationship with bicarbonate and sodium ions. The findings advocate for urgent interventions in groundwater management, given the alarming levels of contamination and the implications for public health and agricultural practices. Overall, this research contributes valuable insights into the hydrogeochemical dynamics of the region and the applicability of machine learning techniques in environmental assessments.