Künstliche Intelligenz verändert im Stillen die Art und Weise, wie Wissenschaftler unsichtbare biologische Schadstoffe in Flüssen, Seen und Küstengewässern überwachen und bekämpfen. Ein neuer Überblick erklärt, wie dieser technologische Wandel Ökosysteme und die öffentliche Gesundheit besser schützen könnte.
In einem Artikel, der in der Open-Access-Zeitschrift Biocontaminant veröffentlicht wurde , beschreiben Forscher der Universität Nanjing, wie KI das Wassergütemanagement von einem reaktiven Prozess in ein proaktives Frühwarn- und Kontrollsystem für schädliche Mikroben, Algentoxine, Parasiten und Antibiotikaresistenzgene in aquatischen Ökosystemen verwandeln kann. Diese lebenden „Biokontaminanten“ sind hochdynamisch und können mit veränderten Temperaturen, Nährstoffen und Wasserverhältnissen wachsen, sich weiterentwickeln und ausbreiten, was ihre Erfassung deutlich erschwert – im Vergleich zu herkömmlichen chemischen Schadstoffen.
„Unsere Arbeit zeigt, dass künstliche Intelligenz das Potenzial besitzt, als intelligentes Nervensystem für aquatische Ökosysteme zu dienen, indem sie subtile biologische Veränderungen erkennt, daraus lernt und rechtzeitig reagiert, bevor Risiken eskalieren“, sagte die Hauptautorin Qinling Wang von der Fakultät für Umweltwissenschaften der Universität Nanjing. „Das ultimative Ziel ist es, von der passiven Entdeckung von Problemen in Gewässern zur aktiven Prävention von ökologischen und gesundheitlichen Krisen überzugehen.“
Von statischen Momentaufnahmen bis hin zur Echtzeit-Erfassung
Die herkömmliche Überwachung mikrobieller und Algenbelastungen beruht häufig auf periodischen Probenahmen und Laboranalysen, wodurch sich schnell entwickelnde Ereignisse wie schädliche Algenblüten oder Krankheitserregerausbrüche übersehen können. Der Übersichtsartikel beschreibt, wie neue intelligente Sensoren in Kombination mit Edge-Computing und eingebetteten Modellen des maschinellen Lernens Signale nun direkt vor Ort analysieren und so die Wasserqualität nahezu in Echtzeit beurteilen können.
Durch die Integration von KI-Modellen in Sensoren auf Basis von Fluoreszenz, elektrochemischen Verfahren und Raman-Spektroskopie entwickeln sich Geräte von einfachen Datensammlern zu Diagnosegeräten für den Einsatz vor Ort, die charakteristische „Fingerabdrücke“ von Schadstoffen erkennen. In Pilotstudien konnten solche KI-gestützten Sensorsysteme mehrere Krankheitserreger schnell identifizieren oder schädliche Algenarten mit hoher Genauigkeit unterscheiden. Dabei arbeiteten sie mit kostengünstigen und energieeffizienten Chips, die direkt an den Messstellen positioniert waren.
Algenblüten und -ausbrüche vorhersagen, bevor sie auftreten
Neben der Erkennung aktueller Wasserinhaltsstoffe wird KI auch zur Vorhersage des Auftretens biologischer Gefahren eingesetzt. Laut der Studie können Modelle wie tiefe neuronale Netze, rekurrente Netze und Gradient-Boosting-Bäume komplexe Zusammenhänge zwischen Umweltfaktoren wie Temperatur, Nährstoffen, Trübung und Wetter sowie dem Wachstum von Algen, Bakterien und Viren erlernen.
Diese Modelle wurden bereits eingesetzt, um schädliche Algenblüten Tage bis Monate im Voraus vorherzusagen, die Konzentration von Krankheitserregern in Trinkwasserquellen abzuschätzen und Schwellenwerte zu identifizieren, ab denen das Kontaminationsrisiko stark ansteigt. In Kombination mit erklärbaren KI-Verfahren, die die wichtigsten Faktoren hervorheben, können solche Prognosen praktische Entscheidungen wie den Betrieb von Stauseen, Strandsperrungen oder Anpassungen in der Wasseraufbereitung unterstützen.
Unsichtbare Quellen und Wege aufspüren
Ein dritter im Artikel behandelter Forschungsbereich befasst sich mit dem Einsatz von maschinellem Lernen, um die Herkunft von Biokontaminanten und deren Ausbreitung in vernetzten Gewässern, Sedimenten, Biofilmen und Infrastruktursystemen zu verfolgen. Durch die Analyse „mikrobieller Fingerabdrücke“ aus Hochdurchsatz-DNA-Sequenzierungen können KI-basierte Tools zur mikrobiellen Quellenverfolgung abschätzen, wie viel der Kontamination in einem Fluss oder Stausee auf Quellen wie menschliche Abwässer, Nutztiere oder Wildtiere zurückzuführen ist.
Die Übersichtsarbeit hebt zudem KI-Studien hervor, die die Ausbreitung von Antibiotikaresistenzgenen in verschiedenen Umweltmedien kartieren, wichtige mikrobielle Wirte identifizieren und aufzeigen, wie Stressfaktoren wie Mikroplastik oder Industriechemikalien den horizontalen Gentransfer beschleunigen können. In Kombination mit hydrologischen Daten, Landnutzungsdaten und Abwasserdaten können raumzeitliche Modelle Kontaminationsereignisse rekonstruieren und die abwasserbasierte Epidemiologie zur Verfolgung von Krankheitstrends in der Bevölkerung unterstützen.
Bildnachweis
Qinling Wang Yiran Zhang Wenze Wang Xinyi Wu Hailing Zhou Ling Chen Bing Wu
Wang Q, Zhang Y, Wang W, Wu X, Zhou H, et al. 2025. A review of AI-driven monitoring, forecasting, and source attribution of aquatic biocontaminants. Biocontaminant 1: e025 doi: 10.48130/biocontam-0025-0025
