$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
أسماك الكوي (Cyprinus carpio var. koi) هي أنواع زينة من الكارب الشائع، وتقدر لألوانها الزاهية، ونقوشها المميزة، وشكل الجسم الأنيق، وسباحة رشيقة. جمالها وحركاتها السلسة تجعلها خيارا مفضلا لبرك الحدائق وميزات المياه الزخرفية حول العالم.
الحفاظ على جودة مياه جيدة في البرك لا يدعم الحياة المائية فحسب، بل يساهم أيضا في تقليل انبعاثات الكربون، مما يفيد البيئة 1,2. لقد ثبت أن الحفاظ على جودة المياه من خلال اتباع معايير محددة لمعايير مثل الرقم الهيدروجيني، ودرجة الحرارة، والأكسجين المذاب، والملوحة، والأمونيا (NH3)، والنترات (NO3)، وثاني أكسيد النيتروجين (NO 2)، والحديد (Fe)، والفوسفات (PO43-) يخلق بيئة مثالية لأسماك الكوي3. يمكن بالفعل تقييم جودة المياه من خلال الصور. المؤشرات البصرية مثل وضوح الماء، وجود الحطام أو الطحالب، اللون، وملمس السطح4 يمكن أن توفر معلومات مفيدة عن حالة الماء. يقدم بهاتناغار وآخرون وأندريان وآخرون 5,6 إرشادات لتربية الأسماك في البرك، موضحين أن المياه الخضراء الباهتة إلى الفاتحة تقع ضمن النطاق المقبول لنمو الأسماك. تعتبر المياه الصافية ذات اللون الأخضر الفاتح إلى البني الفاتح هي النطاق المرغوب فيه، بينما تسقط المياه الخضراء الداكنة والبنية ضمن النطاق غير المناسب لظروف البرك الصحية
في نظم برك الكوي، يشمل التقييم الشامل لجودة المياه مجموعة من المعايير الفيزيائية والكيميائية والبيولوجية. تشمل المؤشرات التي تقاس عادة درجة الحرارة، الرقم الهيدروجيني، سطوع الماء (عمق سيكي، سم)، الأكسجين المذاب (DO)، المادة العضوية الكلية (TOM)، ثاني أكسيد الكربون (CO₂)، الفوسفات الأورثوفوسفات، الأمونيا، النترات، الطلب البيولوجي على الأكسجين (BOD)، المواد الصلبة المعلقة الكلي (TSS)، والطلب الكيميائي على الأكسجين (COD). توفر هذه المعايير مجتمعة ملفا متعدد الأبعاد للصحة المائية، تدعم كل من التقييم البيئي واتخاذ قرارات الإدارة.7. لتقييم جودة المياه، سيتم استخدام حساسات لتلك المعايير في البرك كما أوضح هيمال، محمد منير الزمان، وآخرون8. حساس الحموضة، وحساس العكارة، وحساسات درجة الحرارة لتصنيف جودة المياه. قدم باراسار وآخرون تقييم الكشف عن النفايات وجودة المياه في البيئات المائية. تشمل مجموعة البيانات قيد النظر مجموعة واسعة من سجلات عينات المياه العذبة، بإجمالي حوالي 60 مليون إدخال. تتضمن هذه السجلات خصائص متنوعة وقياس جودة. تشمل الخصائص مستويات الحموضة، تركيزات الحديد، النترات، الكلوريد، الرصاص، الزنك، العكارة، الفلورايد، النحاس، الكبريتات، الكلور، المنغنيز، المواد الصلبة المذابة الكلية، وعلامة قابلية الشرب، التي تعمل كمتغير مستهدف يشير إلى قابلية شرب المياه.
توفر الطرق القائمة على الصور لتصنيف جودة المياه بديلا سريعا وفعالا من حيث التكلفة وقابلا للتوسع للطرق التقليدية القائمة على المختبرات. تعتمد هذه الطرق على إشارات بصرية يمكن ربطها بمؤشرات فيزيائية أو كيميائية أو بيولوجية لجودة المياه. بشكل عام، يمكن تصنيف مراقبة جودة المياه المعتمدة على الصور إلى فئتين: صور لسطح الماء10، 11، 12، 13، 14، 15، 16 وصور تحت الماء17.
تلتقط الصور السطحية الجزء المرئي من المسطحات المائية ويمكن الحصول عليها من الكاميرات الأرضية، والطائرات بدون طيار، والطائرات أو الأقمار الصناعية. ميزة رئيسية هي الاستحواذ المتكرر، المناسب لتحليل الاتجاهات. من القيود الكبيرة المحدودة على المعلمات المرئية على السطح؛ يجب استنتاج الظروف تحت السطحية بشكل غير مباشر. يتم جمع الصور تحت الماء باستخدام كاميرات مغمورة أو مركبات تعمل عن بعد (ROVs)، أو أنظمة يغوص الغواص. تشمل المزايا التصور المباشر للظروف تحت السطحية، وتحسين الكشف عن المادة المعلقة والكائنات تحت الماء. تشمل القيود التغطية المكانية المحدودة، والاعتماد على الإضاءة الصناعية في المياه العكرة أو العميقة، وارتفاع تكاليف المعدات.
تم اقتراح تصنيف الصور تحت الماء عالية الجودة في الأنهار من قبل تشو، هان، وآخرون17. يستخدم التصنيف مخططات ألوان الصور ويستخدم خوارزميتين للتعلم الآلي: K-أقرب جار (KNN) والغابة العشوائية (RF). تستخدم هذه الخوارزميات لتصنيف الماء على أنه مقبول أو خطير. الدقة للمياه المقبولة هي 98.93٪، وللمياه الخطرة هي 95.25٪. تم التحقيق على نطاق واسع في مراقبة جودة المياه باستخدام هياكل إنترنت الأشياء (IoT) التي تتيح الاستشعار المستمر، ونقل البيانات 18,19,20,21,22، والتحليل عن بعد للبيئات المائية. كما أظهرت الدراسات ذات الصلة أن المراقبة المدفوعة بأجهزة الاستشعار والتدخلات البيئية يمكن أن تساهم في التخفيف من تأثيرات جزر الحرارة الحضرية وتعزيز الراحة الحرارية الداخلية 7,8,9,10,11,12,13,14,15,16,17,18 ,19,20,21,22,23,24. يصف هذا البروتوكول المقترح نظاما فوريا لمراقبة جودة مياه بركة الكوي من خلال التقاط صور تحت الماء باستخدام كاميرا حركة مزودة بشبكة مدمجة وتصنيف ظروف المياه باستخدام شبكة عصبية اصطناعية (ANN). يستخدم ال ANN لأنه يتطلب موارد حسابية منخفضة، مما يجعلها مناسبة للتنفيذ في الوقت الحقيقي.

الشكل 1: مخطط كتلة لمنهجية تقييم مياه البرك المقترحة في الوقت الحقيقي: يوضح هذا المخطط العملية التدريجية، من جمع البيانات إلى التحليل، موضحا الإطار العام لمراقبة جودة المياه في الوقت الحقيقي. تم جمع خمسة أنواع من ظروف جودة المياه، تحمل علامات T1، T2، T3، T4، وT5. T1: صور لمياه عذبة زودها مزود محلي للمياه العذبة مؤخرا لبركة كوي بسعة 4 أمتار مكعبة والتي تضم 17 سمكة كوي صغيرة. T2: صور من بركة كوي بسعة 15 مترا مكعبا تحتوي على 12 سمكة كوي كبيرة، كل منها بطول حوالي 60-80 سم. الماء في هذه البركة شفاف جدا لكن هناك بعض الطحالب العائمة. T3: صور من بركة كوي بسعة 35 مترا مكعبا مع 18 سمكة كوي كبيرة، كل منها يبلغ طوله حوالي 60-70 سم. مياه البركة نظيفة، بلون أخضر فاتح يقع ضمن النطاق الأمثل لنمو الأسماك5،6. T4: صور لمياه بنية اللون مأخوذة من بركة معالجة مياه الصرف. T5: صور لمياه بنية اللون جمعت من نظام الترشيح في بركة بسعة 35 متر مكعب، تحتوي على نفايات تنتجها كويز. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
استنادا إلى هذه التطورات، تقدم هذه المقالة بروتوكولا كاملا لتصميم وتكوين ونشر وتشغيل نظام مراقبة جودة المياه في الوقت الحقيقي يعتمد على تصنيف الصور تحت الماء باستخدام التعلم العميق المدمج. يظهر مخطط كتلي للبروتوكول المقترح في الشكل 1، يوضح تصميم النظام وتكوينها ونشرها وتصنيفها إلى خمس فئات مميزة. يتيح البروتوكول للمزارعين ومديري البرك تقييم جودة المياه من خلال تحليل خصائص الألوان تحت الماء التي تم التقاطها في الموقع.
يدمج النظام المقترح كاميرا حركة تحت الماء منخفضة التكلفة مع شبكة تحكم تعتمد على Raspberry Pi وتم نشرها على روبوت مائي سطحي مستقل، كما هو موضح في الشكل 2. يتيح هذا التكوين التقاط الصور، والنقل اللاسلكي، والتصنيف في الوقت الحقيقي باستخدام شبكة عصبية اصطناعية خفيفة الوزن (ANN). تم اختيار كاميرات الحركة بسبب مقاومتها للماء على أعماق تصل إلى 10 أمتار، والتقاط الصور الثابتة عالية الدقة، وواجهاتها اللاسلكية المدمجة. يستخدم الاتصال بالبلوتوث لتهيئة الكاميرا والتحكم الأساسي، بينما يدعم الواي فاي نقل البيانات عالي السرعة. ومع ذلك، فإن الاتصال اللاسلكي المباشر تحت الماء باستخدام موجات التردد الراديوي الكهرومغناطيسية غير عملي بسبب ضعف الإشارة الشديد في الماء25.
لمعالجة هذا القيد، يستخدم النظام طوبولوجيا شبكة هجينة تتكون من وحدتي Raspberry Pi Zero 2W، وموجه لاسلكي، وخادم، كما هو موضح في الشكل 2. إحدى وحدات Raspberry Pi مركبة على روبوت سطحي يعمل بالبطارية يتنقل في البركة إلى مواقع أخذ عينات محددة، بينما تتصل الوحدة الثانية مباشرة بالكاميرا تحت الماء. بدلا من ذلك، يمكن نشر النظام في تكوين ثابت عن طريق وضع وحدات الكاميرا يدويا في مواقع برك ثابتة، مما يلغي الحاجة إلى الملاحة الروبوتية. تظهر النماذج الأولية للروبوت السطحي المستقل وشبكة الكاميرات تحت الماء في الشكل 3، كما يوضح سير العمل العام لطريقة تصنيف جودة المياه في الشكل 4.

الشكل 2: طوبولوجيا الشبكة لنظام تقييم المياه المعتمد على إنترنت الأشياء: يوضح المخطط كيف تتصل الأجهزة ببعضها، مبرزا التواصل بين الكاميرات، ووحدات Raspberry Pi، والخادم المركزي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3: النموذج الأولي للروبوت مدمج مع شبكة كاميرات Raspberry Pi: يوضح الشكل التجميع الفيزيائي للروبوت المجهز بوحدات استشعار وتصوير على متن السفينة لنشر الميدان. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 4: مخطط التدفق للطريقة المقترحة: يوضح مخطط التدفق للطريقة المقترحة، والذي يتكون من جمع البيانات، والمعالجة المسبقة، والتدريب، والتصنيف في الوقت الحقيقي. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
تستخدم شبكة عصبية اصطناعية لتصنيف الصور بسبب تعقيدها الحسابي المنخفض وملاءمتها للنشر المدمج في الوقت الحقيقي. معا، يوفر البروتوكول المقترح إطارا عمليا وقابلا للتوسع لمراقبة جودة مياه برك الكوي في الوقت الحقيقي باستخدام التعلم العميق المدمج وجمع البيانات البصرية.