Графовые нейросети предсказали загрязнение подземных вод мышьяком в США

Исследователи из США опубликовали работу, в которой графовые нейронные сети (GNN) успешно предсказывают концентрацию мышьяка в подземных водах. Традиционные методы, такие как градиентный бустинг, считались стандартом для табличных данных, но GNN смогли дополнительно учесть пространственную связь между точками замеров и в ряде случаев показали равные или лучшие результаты.

Для работы была собрана база из более чем 74 000 образцов мышьяка, взятых из трёх источников: Water Quality Portal (WQP), Mineral Resources Data System (MRDS) и Gridded National Soil Survey Geographic Database (gNATSGO). Данные объединили с помощью k ближайших соседей и инструментов географических информационных систем (ГИС), что позволило создать пространственно интегрированный набор данных.

На основе этого массива авторы сравнили несколько подходов: случайный лес, градиентный бустинг, многослойный перцептрон и три варианта графовых нейросетей. Выяснилось, что GNN, благодаря учёту соседства точек измерений, способны улавливать региональные особенности загрязнения. Это особенно важно для частных колодцев, владельцы которых часто не проверяют воду, а отравление мышьяком остаётся серьёзной проблемой общественного здоровья.

Как отмечается в публикации, улучшение прогнозов позволит точнее очерчивать зоны, где необходимы приоритетные меры по фильтрации и мониторингу. Пока исследование носит академический характер, но его результаты могут лечь в основу практических инструментов для региональных служб водоснабжения.

Работа выложена на arXiv (ID: 2607.19392) и привлекает внимание специалистов по машинному обучению и гидрогеологии. Авторы подчёркивают, что графовые методы перспективны не только для прогноза мышьяка, но и для других экологических задач с выраженной пространственной структурой данных.