«`html

Искусственный интеллект улучшает обнаружение качества воды

Качество воды — это ключевая проблема для общественного здравоохранения, которой угрожают промышленное загрязнение и химические сбросы. Недавнее достижение использует методы машинного обучения для оценки безопасности питьевой воды и выявления факторов риска. Благодаря базе данных, содержащей девять ключевых характеристик, таких как pH, жёсткость, растворённые вещества или мутность, алгоритмы были обучены различать безопасную и опасную воду.

Среди испытанных методов метод случайных лесов оказался наиболее эффективным с точностью 83,83 %, значительно превышающей предыдущие системы, которые показывали результаты от 60 % до 70 %. Эта модель позволяет не только классифицировать воду как питьевую или нет, но и выявлять основной параметр, ответственный за возможное загрязнение. Например, слишком высокий уровень сульфатов может вызывать расстройства пищеварения, тогда как чрезмерная концентрация тригалометанов связана с риском рака.

Оригинальность этого подхода заключается в его доступности. Веб-интерфейс, разработанный на Python с использованием Flask, позволяет пользователям получать мгновенный анализ. Достаточно ввести значения различных параметров, чтобы узнать качество воды и связанные с ним риски. Эта система особенно полезна в регионах, где нет аналитических лабораторий, а традиционные тесты дорогостоящие и долгие.

Другие оцененные алгоритмы, такие как деревья решений или методы градиентного бустинга, также показали хорошие результаты, но с немного меньшей точностью. Однако их совместное использование повышает общую надёжность системы. Случайные леса выделяются своей способностью управлять сложными взаимодействиями между параметрами, где простые правила на основе пороговых значений терпят неудачу.

Вода содержит множество веществ, влияющих на её качество. Слишком кислотный или слишком щелочной pH раздражает кожу и слизистые оболочки. Чрезмерная жёсткость может способствовать коррозии трубопроводов, высвобождая тяжёлые металлы. Растворённые вещества в большом количестве ухудшают вкус и могут вредить здоровью. Электропроводность, связанная с концентрацией ионов, выявляет наличие примесей. Наконец, высокая мутность может содержать патогенные микроорганизмы, снижая эффективность дезинфицирующих средств, таких как хлор.

Эта работа открывает путь к мониторингу качества воды в реальном времени, что необходимо для предотвращения водных заболеваний, таких как холера или брюшной тиф. Быстро выявляя источники загрязнения, власти могут действовать более эффективно, чтобы защитить население. Кроме того, интеграция датчиков с этой моделью позволит автоматизировать и непрерывно контролировать качество воды, сокращая необходимость в ручных анализах.

Результаты демонстрируют, что машинное обучение может играть ключевую роль в управлении водными ресурсами. Сочетая точность, скорость и интерпретируемость, это решение предлагает практический инструмент как для граждан, так и для лиц, принимающих решения, способствуя тем самым сохранению общественного здравоохранения и окружающей среды.

«`

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