DOI: https://doi.org/10.28978/nesciences.1491795
تاريخ النشر: 2024-05-30
المؤلف: Bobir Odilov وآخرون
الموضوع الرئيسي: تكنولوجيا مراقبة جودة المياه
نظرة عامة
تتناول ورقة البحث القضية الحرجة المتعلقة بتدهور ظروف المياه وتأثيرها على التنوع البيولوجي للمياه العذبة. تسلط الضوء على التفاعلات المعقدة بين مؤشرات جودة المياه المختلفة وارتباطها بالمجموعات التصنيفية. على الرغم من توفر عدد محدود من أجهزة استشعار إنترنت الأشياء (IoT) للقياسات الكيميائية والبيولوجية، فإن التقدم في تقنيات التعلم العميق وإنترنت الأشياء يمكّن من المراقبة الفورية لجودة المياه، وهو أمر ضروري للحفاظ على التنوع البيولوجي. تحدد الدراسة عشرة معايير رئيسية لجودة المياه وتستخدم إطار عمل يعتمد على الشبكات العصبية القائمة على الانحدار العام (G-RNN) جنبًا إلى جنب مع نموذج الانحدار المتعدد المتغيرات لتحليل بيانات جودة المياه التاريخية. يميز نموذج G-RNN بفعالية الزيادات غير الطبيعية في المتغيرات، محققًا معاملات تقييم تبلغ 0.87 و0.73 و0.89 و0.79 للنترات ($N-O_3-N$) وطلب الأكسجين البيوكيميائي ($BO-D_5$) والفوسفات ($P-O_4$) والأمونيا ($N-H_3-N$) على التوالي، مع بقاء معظم أخطاء التنبؤ أقل من 0.3 ملغم/لتر.
تؤكد الخاتمة على جدوى أجهزة الاستشعار المتصلة بإنترنت الأشياء لمراقبة جودة المياه في الوقت الحقيقي كوسيلة للحفاظ على التنوع البيولوجي للمياه العذبة. تؤسس الدراسة مقاييس أساسية لجودة المياه لحماية التنوع البيولوجي وتقترح إطار تحليل بيانات لتقدير الخصائص غير القابلة للقياس لجودة المياه. يحدد أسلوب G-RNN بفعالية تصريفات الملوثات الشاذة ويقدر المتغيرات الحرجة لجودة المياه بناءً على البيانات المقاسة. تعتبر الفعالية العامة للأساليب المقترحة مرضية، خاصة في مواقع الأنهار الملوثة. ستركز الأبحاث المستقبلية على تحسين الإطار واستكشاف خوارزميات التعلم الآلي المتقدمة، بما في ذلك الشبكات العصبية المتكررة، لتعزيز توقع معلمات جودة المياه بمرور الوقت.
مقدمة
تسلط مقدمة ورقة البحث الضوء على الأهمية الحرجة للمياه كمورد حيوي لصحة الإنسان والبقاء، مع التأكيد على التهديدات التي تفرضها زيادة السكان، والتصنيع، والتلوث على جودة المياه العالمية (Scanlon et al., 2023; Van Vliet et al., 2021). تؤكد الورقة على الحاجة الملحة لأنظمة مراقبة فعالة لتقييم جودة المياه، خاصة في مناطق مثل الصومال، حيث يتمتع 30% فقط من السكان بإمكانية الوصول إلى مياه شرب آمنة، مما يؤدي إلى مخاطر صحية خطيرة وتحديات اجتماعية واقتصادية (Nižetić et al., 2020; Mazhar et al., 2020). يتم تقديم إنترنت الأشياء (IoT) كحل تحويلي لمراقبة جودة المياه في الوقت الحقيقي، مستفيدًا من الأجهزة المتصلة لتوفير المراقبة المستمرة وجمع البيانات (Jan et al., 2021; Priyanka et al., 2023).
تهدف الدراسة إلى معالجة عدة أهداف رئيسية: تحديد مؤشرات جودة المياه الأساسية التي تؤثر على النظم البيئية للمياه العذبة، واستخدام أجهزة إنترنت الأشياء الحالية لمراقبة هذه المؤشرات، وتوظيف خوارزميات التعلم العميق (DL) لتقدير الخصائص غير القابلة للقياس، وتقييم هذه الخوارزميات من خلال تحليل الحالات. من المتوقع أن تعزز دمج تقنية إنترنت الأشياء من اتخاذ القرارات وكفاءة العمليات في إدارة المياه، على الرغم من أن التحديات لا تزال قائمة في تحقيق مراقبة شاملة في الوقت الحقيقي بسبب توفر أجهزة الاستشعار المحدود وتعقيد أساليب التقييم الحالية. من المتوقع أن يتجاوز الأثر الاقتصادي لخدمات إنترنت الأشياء 2.8 تريليون دولار سنويًا بحلول عام 2025، مما يبرز الفوائد المحتملة لهذه التقنية في معالجة قضايا جودة المياه (Hojjati-Najafabadi et al., 2022).
النتائج
تشير نتائج دراسة الارتباط إلى معامل ارتباط متواضع قدره 0.3 بين الأكسجين المذاب ومستويات pH بين المعلمات المختلفة المقاسة ضمن إطار عمل إنترنت الأشياء (IoT). وهذا يشير إلى علاقة خطية غير عشوائية، على الرغم من أنها ليست قوية بما يكفي للإشارة إلى تعددية مثالية بين العوامل المستقلة. على الرغم من هذا الارتباط المتواضع، تظل دقة التنبؤات وأداء النموذج العام غير متأثرة، مما يسمح بأخذها في الاعتبار في النظام المقترح. تم تقييم فعالية النموذج باستخدام معامل التحديد، $r^2$، الذي أظهر اتجاهًا متزايدًا مع زيادة درجة النموذج، مما يشير إلى نمط تطوير ثلاثي المراحل للعوامل غير القابلة للقياس.
كشفت التحليلات أن متوسط الأخطاء المطلقة (MAEs) للنموذج عمومًا انخفض مع زيادة المستويات، على الرغم من ملاحظة تقلبات بعد المستوى 7 لثلاثة متغيرات، باستثناء N-O3-N، الذي أظهر أقل MAE عند الدرجة 1. قد يُعزى هذا الشذوذ إلى الانحراف المعياري العالي لـ N-O3-N، مما يؤدي إلى توزيع أكثر تجانسًا عند المستويات المنخفضة. أظهرت المقارنات بين النتائج المتوقعة ونتائج المختبر عبر أربعة مواقع عينة أن معظم الأخطاء كانت أقل من 0.3 ملغم/لتر، مما يؤكد كفاية النموذج. ومع ذلك، لوحظت اختلافات كبيرة في حسابات BOD5، خاصة في الموقع الأول، على الأرجح بسبب التأخيرات في اختبار العينات. كان أداء النموذج أفضل في المناطق الأقل تلوثًا، مما يشير إلى ملاءمته لمراقبة بيئات الأنهار الملوثة.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على التقدم في تقنيات مراقبة جودة المياه، مع التأكيد على دمج أجهزة استشعار متطورة وطرق معالجة البيانات لضمان مياه شرب آمنة وحماية النظم البيئية المائية. يتم الإشارة إلى دراسات متنوعة، تعرض أساليب مبتكرة مثل الجمع بين الصور الفضائية وأنظمة المراقبة الأرضية، وكواشف كهربائية كيميائية فعالة من حيث التكلفة، وحلول قائمة على إنترنت الأشياء تستفيد من تقنية السحابة لتقييم جودة المياه بشكل مستمر. تهدف هذه التقنيات إلى تعزيز دقة وملاءمة بيانات جودة المياه، ومعالجة التحديات البيئية وتحسين نتائج الصحة العامة.
تقدم المنهجية المقترحة إطار عمل للتعلم العميق، باستخدام الشبكات العصبية العامة (G-RNN) بشكل خاص، لتقدير مؤشرات جودة المياه التي لا يمكن قياسها مباشرة. تحدد البحث المتغيرات الرئيسية لجودة المياه وتطور هيكل قائم على البيانات للمراقبة الفورية باستخدام أجهزة استشعار إنترنت الأشياء. يظهر نموذج G-RNN دقة عالية في التنبؤ بمعلمات مثل مستويات النترات والفوسفات، محققًا قيم معامل التحديد تتراوح بين 0.73 و0.89. تشير النتائج إلى أن النظام المقترح يحدد بفعالية ظروف جودة المياه الشاذة، مع بقاء قيم الخطأ للقياسات الحرجة أقل من 0.3 ملغم/لتر. ستركز الأعمال المستقبلية على تحسين النموذج واستكشاف تقنيات التعلم الآلي المتقدمة لتعزيز توقعات جودة المياه في الوقت الحقيقي.
DOI: https://doi.org/10.28978/nesciences.1491795
Publication Date: 2024-05-30
Author(s): Bobir Odilov et al.
Primary Topic: Water Quality Monitoring Technologies
Overview
The research paper addresses the critical issue of declining water conditions and its impact on freshwater biodiversity. It highlights the complex interactions between various water quality indicators and their correlation with taxonomic groupings. Despite the limited availability of Internet of Things (IoT) sensors for chemical and biological measurements, advancements in Deep Learning and IoT technologies enable real-time monitoring of water quality, which is essential for biodiversity preservation. The study identifies ten key water quality criteria and employs a Generalized Regression-based Neural Networks (G-RNN) framework alongside a multivariate polynomial regression model to analyze historical water quality data. The G-RNN model effectively distinguishes abnormal variable increases, achieving assessment coefficients of 0.87, 0.73, 0.89, and 0.79 for nitrate ($N-O_3-N$), biochemical oxygen demand ($BO-D_5$), phosphate ($P-O_4$), and ammonia ($N-H_3-N$), respectively, with most forecasting errors remaining below 0.3 mg/L.
The conclusion emphasizes the viability of IoT-connected sensors for real-time water quality monitoring as a means to conserve freshwater biodiversity. The study establishes essential water quality metrics for biodiversity protection and proposes a data analysis framework to estimate unmeasurable water quality characteristics. The G-RNN method successfully identifies anomalous contaminant discharges and estimates critical water quality variables based on measured data. The overall efficacy of the proposed methods is deemed satisfactory, particularly in polluted river locations. Future research will focus on refining the framework and exploring advanced machine learning algorithms, including recurrent neural networks, to enhance the prediction of water quality parameters over time.
Introduction
The introduction of the research paper highlights the critical importance of water as a vital resource for human health and survival, emphasizing the threats posed by population growth, industrialization, and pollution to global water quality (Scanlon et al., 2023; Van Vliet et al., 2021). The paper underscores the urgent need for effective monitoring systems to assess water quality, particularly in regions like Somalia, where only 30% of the population has access to safe drinking water, leading to severe health risks and socio-economic challenges (Nižetić et al., 2020; Mazhar et al., 2020). The Internet of Things (IoT) is presented as a transformative solution for real-time water quality monitoring, leveraging interconnected devices to provide continuous surveillance and data collection (Jan et al., 2021; Priyanka et al., 2023).
The study aims to address several key objectives: identifying essential water quality indicators that affect freshwater ecosystems, utilizing existing IoT devices to monitor these indicators, employing Deep Learning (DL) algorithms to estimate unmeasurable characteristics, and evaluating these algorithms through case analysis. The integration of IoT technology is expected to enhance decision-making and operational efficiency in water management, although challenges remain in achieving comprehensive real-time monitoring due to the limited availability of sensors and the complexity of existing evaluation methods. The anticipated economic impact of IoT services is projected to exceed $2.8 trillion annually by 2025, highlighting the potential benefits of this technology in addressing water quality issues (Hojjati-Najafabadi et al., 2022).
Results
The results of the correlation study indicate a modest correlation coefficient of 0.3 between dissolved oxygen and pH levels among the various parameters measured within the Internet of Things (IoT) framework. This suggests a non-random linear relationship, albeit not strong enough to imply perfect plurality among the independent factors. Despite this modest correlation, the accuracy of the forecasts and overall model performance remain unaffected, allowing for its consideration in the proposed system. The model’s effectiveness was evaluated using the coefficient of determination, $r^2$, which demonstrated an increasing trend as the degree of the model increased, indicating a three-phase development pattern for the unmeasurable factors.
The analysis revealed that the model’s Mean Absolute Errors (MAEs) generally decreased with increasing levels, although fluctuations were noted after level 7 for three variables, excluding N-O3-N, which exhibited the lowest MAE at degree 1. This anomaly may be attributed to N-O3-N’s high standard deviation, leading to a more uniform distribution at lower levels. Comparisons between predicted and laboratory results across four sample locations showed that most errors were below 0.3 mg/L, affirming the model’s adequacy. However, significant discrepancies were observed in BOD5 calculations, particularly at the first site, likely due to delays in sample testing. The model’s performance was better in less contaminated areas, suggesting its suitability for monitoring polluted river environments.
Discussion
The discussion section of the research paper highlights advancements in water quality monitoring technologies, emphasizing the integration of sophisticated sensors and data processing methods to ensure safe drinking water and protect aquatic ecosystems. Various studies are referenced, showcasing innovative approaches such as the combination of satellite imagery with ground-based monitoring systems, cost-effective electrochemical detectors, and IoT-based solutions that leverage cloud technology for continuous water quality assessment. These technologies aim to enhance the accuracy and accessibility of water quality data, addressing environmental challenges and improving public health outcomes.
The proposed methodology introduces a deep learning framework, specifically utilizing General Regression Neural Networks (G-RNN), to estimate water quality indicators that are not directly measurable. The research identifies key water quality variables and develops a data-driven architecture for real-time monitoring using IoT sensors. The G-RNN model demonstrates high accuracy in predicting parameters such as nitrate and phosphate levels, achieving coefficient of determination values between 0.73 and 0.89. The findings suggest that the proposed system effectively identifies anomalous water quality conditions, with error values for critical measurements remaining below 0.3 mg/L. Future work will focus on refining the model and exploring advanced machine learning techniques to enhance real-time water quality predictions.