Machine learning på Jordforureningsdata

Projektbeskrivelse

Vi har adgang til store mængder offentligt tilgængelige data om jordforurening. I testprojektet “Machinelearning på Jordforureningsdata” undersøger vi, om moderne dataanalyse (machinelearning) kan hjælpe os med at bruge disse data mere målrettet. Målet er ikke at erstatte faglige vurderinger eller undersøgelser i felten, men at skabe bedre beslutningsstøtte, så vi kan arbejde mere effektivt og præcist.

Projektet består af tre delprojekter (usecases):

1) Forudsigelse af om en grund er forurenet (V1)
I den første del undersøger vi, om en model kan vurdere sandsynligheden for, at en grund er forurenet – baseret på kendte oplysninger. Det kan fx være branche/aktivitet på grunden, jordforhold, jordtype, grundvandsdybde og andre relevante parametre. De foreløbige resultater viser, at modellen med høj sandsynlighed kan identificere mønstre, der hænger sammen med forurening. Det kan på sigt styrke prioriteringen af V1-indsatser.

2) Analysepakker og smartere prøvetagning
I den anden del ser vi på, om der er tydelige sammenhænge mellem stoftyper, brancher og geografiske forhold. Hvis bestemte stoffer ofte optræder sammen, kan det måske blive muligt at udvikle “analysepakker”, hvor man i nogle situationer kan teste for billigere indikator-stoffer for at pege på risikoen for andre stoffer.

3) PFAS uden PFAS-målinger
Den tredje del handler om PFAS: Kan man vurdere PFAS-risiko ud fra ældre analyser, hvor PFAS ikke blev målt? Her har vi desværre vurderet, at datagrundlaget lige nu er for begrænset, og at resultaterne ikke bliver præcise nok. Derfor kan denne del ikke gennemføres med tilstrækkelig kvalitet i øjeblikket.

Projektet bruges til at lære, afprøve metoder og vurdere potentialet for fremtidig anvendelse.