L'apprendimento non supervisionato rileva anomalie di metalli pesanti nei siti di rifiuti in Ghana

Uno studio pubblicato su arXiv applica l'apprendimento automatico non supervisionato per rilevare contaminazioni anomale da metalli pesanti in siti di smaltimento rifiuti non regolamentati nella Regione Centrale del Ghana. I ricercatori hanno analizzato le concentrazioni di arsenico, cadmio, cromo, rame, mercurio, nichel, piombo e zinco in 78 campioni di suolo provenienti da dodici siti di rifiuti e controlli residenziali. Isolation Forest e l'errore di ricostruzione PCA hanno ciascuno segnalato 12 campioni anomali (15,4%), mentre DBSCAN non ne ha trovati. Un approccio di consenso ha identificato sei anomalie robuste (7,7%), tutte concentrate in un unico sito (S3). Queste anomalie mostravano valori medi dell'indice di pericolo più elevati del 70-80%, indicando rischi sanitari maggiori. Il framework dimostra il potenziale per la valutazione del rischio ambientale in regioni con scarsità di dati.