Weltweit leiden Milliarden Menschen unter der Verschmutzung von Gewässern, deren Ausmaß und Auswirkungen immer größer werden. Doch verglichen mit den Hunderttausenden von Flüssen weltweit erscheint der Umfang der Studien zur Analyse der Wasserqualität von Flüssen verschwindend gering. Da die Industrialisierung weiterhin hauptsächlich das Oberflächenwasser von Flüssen verunreinigt, wird die Untersuchung von Gewässern immer wichtiger. Diese Untersuchung vergleicht und bewertet die industrielle Verschmutzung des Han-Flusses in Südkorea und der Donau in Österreich. Dazu werden die unabhängig voneinander gesammelten Daten zu den Wasserparametern gelöster Sauerstoff (DO), pH-Wert und Gesamtgehalt gelöster Feststoffe (TDS) interpretiert und vorhandene quantitative und qualitative Informationen zu den beiden Flüssen überprüft. Es wurden öffentliche Daten zur Bevölkerungsdichte (HPD) und zum Luftqualitätsindex (AQI) herangezogen. Unter Verwendung des kumulativen Luftqualitätsindex (CAI) als AQI für beide Flüsse enthüllten alle Daten das sich verschärfende Ausmaß der industriellen Verschmutzung im Han-Fluss, während die Donau ein beherrschbares Verschmutzungsniveau aufweist. Die Daten wurden auch zur Erstellung von Matrizen der Pearson-Korrelationskoeffizienten verwendet. Die Matrix, die die gesammelten Daten kumulativ auswertete, zeigte eine starke Korrelation zwischen allen untersuchten Parameterpaaren, was die Bewertung der industriellen Verschmutzung beider Flüsse weiter bestätigte. Die Daten wurden zum Trainieren und Testen von 185 Kombinationen überwachter maschineller Lernmodelle in Python verwendet, wobei verschiedene Ebenen der Merkmalsauswahl angewendet wurden. Schließlich wurden Daten aus öffentlichen Datenbanken gesammelt, um lineare Modelle, nichtlineare Support Vector Regressor-Modelle (SVR) und Modellensembles zu erstellen. Dabei wurde eine k-fache Kreuzvalidierung angewendet und zwischen Merkmalsauswahlmethoden und Techniken zur Dimensionsreduktion unterschieden, um eine hohe Genauigkeit zu gewährleisten.

Schlüsselwörter: Umweltwissenschaften, Ökologie, Flusshydrologie, industrielle Verschmutzung, maschinelles Lernen