Here, we present an improved water quality index (WQI) model for assessment of coastal water quality using Cork Harbour, Ireland, as the case study. The model involves the usual four WQI components - selection of water quality indicators for inclusion, sub-indexing of indicator values, sub-index weighting and sub-index aggregation - with improvements to make the approach more objective and data-driven and less susceptible to eclipsing and ambiguity errors. The model uses the machine learning algorithm, XGBoost, to rank and select water quality indicators for inclusion based on relative importance to overall water quality status. Of the ten indicators for which data were available, transparency, dissolved inorganic nitrogen, ammoniacal nitrogen, BOD5, chlorophyll, temperature and orthophosphate were selected for summer, while total organic nitrogen, dissolved inorganic nitrogen, pH, transparency and dissolved oxygen were selected for winter. Linear interpolation functions developed using national recommended guideline values for coastal water quality are used for sub-indexing of water quality indicators and the XGBoost rankings are used in combination with the rank order centroid weighting method to determine sub-index weight values. Eight sub-index aggregation functions were tested - five from existing WQI models and three proposed by the authors. The computed indices were compared with those obtained using a multiple linear regression (MLR) approach and R2 and RMSE used as indicators of aggregation function performance. The weighted quadratic mean function (R2 = 0.91, RMSE = 4.4 for summer; R2 = 0.97, RMSE = 3.1 for winter) and the unweighted arithmetic mean function (R2 = 0.92, RMSE = 3.2 for summer; R2 = 0.97, RMSE = 3.2 for winter) proposed by the authors were identified as the best functions and showed reduced eclipsing and ambiguity problems compared to the others.

In a desalination station, the remineralization step of osmosis water (OW) is essential to return to produced water its calco-carbonic equilibrium. For this, the use of calcite CaCO3 or lime Ca(OH)2 for water equilibrium in post-treatment processes needs the utilization of both CO2 and/or H2SO4 in osmosis water. For this reason, we describe here in detail, the effect of H2SO4 and CO2 on the remineralization process in a post-treatment desalination plant, especially with using hydrated lime Ca(OH)2 and calcite contactor (CaCO3).In this paper, the different cases were discussed and investigated, by monitoring several indicator parameters such as pH, Ca2+ content, alkalinity, Langelier Index, etc. After the remineralization stage, we have shown that the efficiency of the remineralization process by CaCO3 or Ca(OH)2 depends on CO2 or H2SO4 content. Remineralization by CaCO3 (limestone) coupled with CO2 acidification is easy and more operator-friendly compared to the process using Ca(OH)2 (lime); it provides a clean environment for people working in the plant. In addition, the H2SO4 injection in the pretreatment stage followed by CaCO3 contact could lead to great results and correct calco-carbonic equilibrium. In the end, a comparative study of the investment cost in each process shows that the acidification of raw water with sulfuric acid (pretreatment) is the cheapest one, according to many studies. But on the other hand, the direct injection of CO2 is the easiest one to use for water balancing.

Coastal lagoons are valuable ecosystems, providing socioeconomic benefits and supporting human populations and biodiversity. However, these systems face several challenges, making them vulnerable to both natural and human factors. In this study, we apply the Driver-Pressure-State-Impact-Response (DPSIR) Approach to conduct a comprehensive socioeconomic and environmental assessment of the Khenifiss Lagoon to promote sustainable development and support decision-makers. Located on the southern Atlantic coast of Morocco, the lagoon was designated a natural reserve in 1962, a biological reserve in 1983, and a protected wetland under the Ramsar Convention since 1980. This study represents the initial endeavor to conduct a comprehensive global and multidisciplinary environmental assessment of the lagoon by using a wide range of data sources, including relevant publications and reports, satellite images and remote sensing data, field observations, and interviews, all analyzed under the DPSIR framework. Our findings show that both natural and human factors have an impact on the ecosystem. Natural Factors associated with the geomorphological features of the region likely contribute to the silting of the lagoon, possibly intensified by a large shipwreck stuck at its inlet. Meanwhile, human factors encompass population growth (at a rate of 2% per year), tourism, shellfish farming, fishing, shellfish harvesting, and salt extraction. Our results reveal significant changes in the lagoon’s condition in recent years, including a reduction in water body extent, a probable decrease in depth, and an increase in the accumulation of solid waste, plastics, and wastewater in three sectors spanning a total surface area of 464 ha (equivalent to 7% of the lagoon), a substantial expansion of the salt mining area encompassing 368 ha, and a remarkable loss of biodiversity, manifested in declining fish stocks and seabird populations. This study showed that the lagoon is positioned as a potential site for economic growth and serves to alert stakeholders and the local population to the ecosystem’s environmental issues. Based on the findings of this study, we highly recommend regulating human activities within the lagoon, the removal of the wreck at the entrance, proper waste management, community awareness programs, and strict monitoring and enforcement of regulations to protect the environment.

Monitoring of groundwater resources in coastal areas is vital for human needs, agriculture, ecosystems, securing water supply, biodiversity, and environmental sustainability. Although the utilization of water quality index (WQI) models has proven effective in monitoring groundwater resources, it has faced substantial criticism due to its inconsistent outcomes, prompting the need for more reliable assessment methods. Therefore, this study addresses this concern by employing the data-driven root mean squared (RMS) models to evaluate groundwater quality in the coastal Bhola district near the Bay of Bengal, Bangladesh. To enhance the reliability of the RMS-WQI model, the research incorporated the extreme gradient boosting (XGBoost) machine learning (ML) algorithm. For the assessment of GWQ, the study utilized eleven crucial indicators, including turbidity (TURB), electric conductivity (EC), pH, total dissolved solids (TDS), nitrate (NO3-), ammonium (NH4+), sodium (Na), potassium (K), magnesium (Mg), calcium (Ca), and iron (Fe). In terms of the GW indicators, concentration of K, Ca and Mg exceeded the guideline limit in the collected GW samples. The computed RMS-WQI scores ranged from 54.3 to 72.1, with an average of 65.2, categorizing all sampling sites' GWQ as "fair." In terms of model reliability, XGBoost demonstrated exceptional sensitivity (R2 = 0.97) in predicting GWQ accurately. Furthermore, the RMS-WQI model exhibited minimal uncertainty (<1%) in predicting WQI scores. These findings implied the efficacy of the RMS-WQI model in accurately assessing GWQ in coastal areas, that would ultimately assist regional environmental managers and strategic planners for effective monitoring and sustainable management of coastal GW resources.