Regionalisation of PFAS concentrations in groundwater as input for emission modelling

Abstract

Per- und Polyfluoralkylsubstanzen (PFAS) werden im Grundwasser häufig nachgewiesen, doch sind die Messdaten oft spärlich und räumlich ungleichmäßig verteilt. Diese Arbeit untersucht Methoden zur Regionalisierung von PFAS-Konzentrationen im österreichischen Grundwasser, um räumlich kontinuierliche Eingabedaten für die Emissionsmodellierung bereitzustellen. Acht häufig nachgewiesene PFAS wurden mithilfe von Modellen analysiert, die auf Inverse-Distance-Weighting (IDW), Kriging oder kombinierten Ansätzen unter Einbeziehung von Bevölkerungsdichte und Niederschlag als Kovariaten basierten. Die Modellleistung wurde über verschiedene Datensatzvarianten und Gittergrößen hinweg anhand des quadratischen Mittelwertfehlers (RMSE) und der Korrelation verglichen. Die räumliche Interpolation bot die konsistenteste Grundlage für die Regionalisierung. Die Kriging-Interpolation ergab im Vergleich zu IDW einen leicht niedrigeren durchschnittlichen RMSE, was auf einen Vorteil eines komplexeren Ansatzes hindeutet. Bevölkerungsdichte und Niederschlag führten nicht durchgängig zu einer Verringerung des RMSE, obwohl sich die Korrelation gelegentlich verbesserte. Die Modellleistung wurde stärker von der Datensatzvariante beeinflusst als von jeder anderen getesteten Variablen. Die größte Einschränkung war der hohe Anteil an Messwerten unterhalb der Bestimmungsgrenze. Die räumliche Interpolation bietet eine nützliche Grundlage für die Schätzung von PFAS-Konzentrationen, doch für genauere Ergebnisse ist ein höherer Anteil quantitativ ermittelter Konzentrationsmessungen erforderlich.

Per- and polyfluoroalkyl substances (PFAS) are widely detected in groundwater, while monitoring data is often sparse and not evenly spatially distributed. This thesis investigates methods for regionalising PFAS concentrations in Austrian groundwater to provide continuous input for emission modelling. Eight frequently detected PFAS were analysed, using models utilizing inverse distance weighting (IDW), Kriging or combined approaches with population density and precipitation as covariates. Model performance was compared across different Dataset variants and Grid sizes using root mean square error (RMSE) and correlation. Spatial interpolation provided the most consistent basis for regionalisation. Kriging interpolation produced slightly lower average RMSE when compared to IDW. Population density and precipitation did not consistently reduce RMSE, although the occasionally improved correlation. Model performance was effected more strongly by the Dataset variant than by any other tested variable. The main limitation was the high proportion of measurements below the limit of quantification. Spatial interpolation provides a useful basis for PFAS concentration estimation, but improvement requires a larger proportion of quantitatively determined concentration measurements.