Dynamisk værktøj til vurdering af grundvandets PFAS-sårbarhed 'proof of concept'

Rapporten præsenterer et projekt, der har udviklet en machine learning-model til at vurdere sandsynligheden for tilstedeværelsen af PFAS i grundvandet. Ved at bruge offentlige data fra blandt andet GEUS’ Jupiter-database og anvende kunstig intelligens, kan modellen estimere sandsynligheden for tilstedeværelse af PFAS i forskellige grundvandsmagasiner. Formålet er at hjælpe kommuner, regioner og andre interessenter ved at stille et indledende screeningsværktøj til rådighed ved undersøgelses-, oprydnings- og anlægsindsatser. 

Projektet bygger på et eksisterende værktøj udviklet af COWI til vurdering af grundvandets sårbarhed over for pesticider. Modellen bruger de samme 11 parametre, såsom magasintype, vandstand, nettoinfiltration og arealanvendelse, men er tilpasset til at estimere PFAS-sårbarheden. Der er anvendt algoritmen 'XG Boost Classifier' for at opnå de bedste prædiktive resultater. Modellen har en høj nøjagtighed på 83% og præcision på 79%, men også en tendens til at underestimere sandsynligheden for fund. På trods af usikkerheder og bias, anses modellens estimater for at være anvendelige i praksis, men bør suppleres med faglige vurderinger og lokale data.

Efterhånden som nye data indsamles, kan modellen let gentrænes, hvilket sikrer, at estimaterne altid er baseret på de nyeste data og modellen forbedres således løbende i takt med, at mere data bliver tilgængeligt. 

Værktøjet er tilgængeligt gennem Danmarks Miljøportal, hvor implementeringen sikrer bred adgang og nem anvendelse af værktøjet. Modellen udgør et værdifuldt værktøj til vurdering af PFAS-sårbarhed i grundvandet og forventes at kunne udgøre en vigtig ressource for fremtidige beslutninger om f.eks. miljøbeskyttelse og offentlige sundhedsindsatser i Danmark.

Læs rapporten her