“`html

الذكاء الاصطناعي يحسن اكتشاف جودة الماء

جودة الماء قضية رئيسية للصحة العامة، مهددة بالتلوث الصناعي والمخلفات الكيميائية. هناك تقدم حديث يستخدم طرق التعلم الآلي لتقييم سلامة ماء الشرب وتحديد عوامل الخطر. بفضل قاعدة بيانات تحتوي على تسع خصائص رئيسية مثل درجة الحموضة، والعسر، والمواد الصلبة الذائبة، والعكورة، تم تدريب الخوارزميات على تمييز الماء الصحي عن الماء الخطير.

من بين التقنيات المختبرة، أثبتت طريقة غابات القرار (Random Forests) أنها الأكثر أداءً بدقة بلغت 83.83٪، متجاوزة بكثير الأنظمة السابقة التي كانت تصل إلى ما بين 60٪ و70٪. لا يقتصر هذا النموذج على تصنيف الماء على أنه صالح للشرب أم لا، بل يسلط الضوء أيضًا على المعيار الرئيسي المسئول عن أي تلوث محتمل. على سبيل المثال، يمكن أن يسبب مستوى الكبريتات المرتفع اضطرابات هضمية، بينما ترتبط تركيز ثلاثي هالوميثان الزائد بمخاطر الإصابة بالسرطان.

تكمن أصالة هذا النهج في سهولة الوصول إليه. تم تطوير واجهة ويب بلغة بايثون باستخدام Flask تسمح للمستخدمين بالحصول على تحليل فوري. يكفي إدخال قيم المعايير المختلفة لمعرفة جودة الماء والمخاطر المرتبطة بها. هذا النظام مفيد بشكل خاص في المناطق التي تفتقر إلى مختبرات التحليل، حيث تكون الاختبارات التقليدية مكلفة وطويلة.

أظهرت الخوارزميات الأخرى التي تم تقييمها، مثل أشجار القرار وطرق التعزيز التدرجي (Gradient Boosting)، أيضًا نتائج جيدة، لكن بدقة أقل قليلاً. ومع ذلك، فإن استخدامها المشترك يعزز موثوقية النظام بشكل عام. تميزت غابات القرار بقدرتها على التعامل مع التفاعلات المعقدة بين المعايير، حيث تفشل القواعد البسيطة القائمة على العتبات.

يحتوي الماء على العديد من المواد التي تؤثر على جودته. يمكن أن يسبب درجة الحموضة شديدة الحموضية أو شديدة القلوية تهيج الجلد والأغشية المخاطية. يمكن أن يعزز العسر الزائد من تآكل الأنابيب، مما يؤدي إلى إطلاق المعادن الثقيلة. يمكن أن تغير المواد الصلبة الذائبة بكميات كبيرة الطعم وقد تضر بالصحة. تكشف الموصلية، المرتبطة بتركيز الأيونات، عن وجود شوائب. أخيرًا، يمكن أن تؤوي العكورة المرتفعة كائنات دقيقة مرضية، مما يقلل من فعالية المطهرات مثل الكلور.

يفتح هذا العمل الباب لمراقبة جودة الماء في الوقت الفعلي، وهو أمر ضروري للوقاية من الأمراض المائية مثل الكوليرا أو الحمى التيفوئيدية. من خلال تحديد مصادر التلوث بسرعة، يمكن للسلطات التصرف بشكل أكثر فعالية لحماية السكان. علاوة على ذلك، فإن دمج أجهزة الاستشعار المتصلة بهذا النموذج سيمكن من الكشف التلقائي والمستمر، مما يحد من اللجوء إلى التحليلات اليدوية.

تظهر النتائج أن التعلم الآلي يمكن أن يلعب دورًا رئيسيًا في إدارة موارد الماء. من خلال الجمع بين الدقة والسرعة وقابلية التفسير، تقدم هذه الحل أداة عملية للمواطنين وصانعي القرار، مما يساهم في حفظ الصحة العامة والبيئة.

“`

Sources et crédits

Étude source

DOI : https://doi.org/10.1007/s10791-026-09917-x

Titre : Water quality detection and analysis using machine learning algorithms to assess the impact of influencing factors on health issues

Revue : Discover Computing

Éditeur : Springer Science and Business Media LLC

Auteurs : Manikanta Manohar Pattisapu; Appala Naidu P; Ambeshwar Kumar; Avishek Nandi