تُظهر النتائج تحسناً في الدقة، وسرعة الاستجابة، وكفاءة التكلفة، مع دعم الكشف المبكر عن الشذوذ، وتنبيهات أصحاب المصلحة، وتحليل الاتجاهات طويلة المدى لإدارة مستدامة لموارد المياه.
مقالة منهجية
نظام مراقبة جودة المياه المدعوم بتقنية إنترنت الأشياء
في هذه المقالة
ملخص
الملخص
تساهم مراقبة جودة المياه في حماية صحة الإنسان، والموائل المائية، والإدارة المستدامة لموارد المياه. وتعد عمليات أخذ العينات اليدوية والاختبارات المعملية شاقة وتستغرق وقتاً طويلاً، وغير مناسبة للمراقبة المستمرة لجودة المياه. يقدم هذا العمل نظاماً لإثبات المفهوم لمراقبة جودة المياه المعتمد على إنترنت الأشياء (IoT-WQMS)، والذي يستخدم بنية مستشعرات قائمة على إنترنت الأشياء والتعلم الآلي للتقييم الذكي لجودة المياه. يتنبأ هذا الإطار بمدى صلاحية المياه للشرب باستخدام pH، والعسورة، وإجمالي المواد الصلبة الذائبة، والكلورامينات، والكبريتات، والموصلية، والكربون العضوي، والترايهالوميثانات، والعكر. وقد استُخدمت مجموعة بيانات Kaggle لصلاحية المياه المتاحة للعموم، والتي تضم 3,276 عينة مياه، للتقييم التجريبي. وتم إجراء تقييم الأداء بعد تعويض القيم المفقودة بناءً على الوسيط، وتطبيع Min–Max، وتقسيم البيانات إلى 80% للتدريب و20% للاختبار. حقق نموذج التنبؤ المقترح دقة بنسبة 98.21%، ودقة تحديد (precision) بنسبة 97.86%، واستدعاء (recall) بنسبة 98.04%، ومقياس F1-score بنسبة 97.95%، ومساحة تحت منحنى خصائص التشغيل للمستقبل (ROC-AUC) بلغت 0.991. وأظهر النموذج أداءً مستقراً وموثوقاً بمتوسط زمن استجابة للتنبؤ قدره 0.18 s لكل عينة ومتوسط دقة يبلغ 97.94% ± 0.42% بعد التحقق المتقاطع العشري (10-fold cross-validation). وأشار بحث القابلية للتوسع إلى أن زيادة حجم مجموعة البيانات من 20% إلى 100% أدت إلى زيادة وقت التنفيذ من 1.8 s إلى 7.9 s مع الحفاظ على دقة التنبؤ فوق 97.5%. ويوفر استخدام متحكم ESP32 الدقيق، ووحدات استشعار منخفضة التكلفة، والمعالجة السحابية إطاراً مجدياً اقتصادياً للتقييم الذكي لجودة المياه، مما يمهد الطريق للنشر المستقبلي لإنترنت الأشياء في الوقت الفعلي والمراقبة البيئية المستدامة.
المقدمة
تعد جودة المياه مؤشراً هاماً للاستدامة البيئية، والاستقرار الإيكولوجي، والصحة العامة، حيثما تؤثر على سلامة مياه الشرب، والإنتاجية الزراعية، والعمليات الصناعية، والتنوع البيولوجي المائي1. وهناك حاجة ماسة لمراقبة جودة المياه بشكل مستمر ودقيق، لأن التصنيع السريع، والنمو الحضري، والجريان السطحي الزراعي، والتخلص غير السليم من مياه الصرف الصحي قد أدت إلى رفع تركيزات الملوثات الفيزيوكيميائية في المياه السطحية والجوفية2. وتعد عملية أخذ العينات يدوياً والتحليل الفيزيوكيميائي المختبري من نهج المراقبة النموذجية؛ فهي تتطلب جهداً وتكاليف عالية، ولا يمكنها رصد التقلبات الزمنية السريعة في جودة المياه بسبب التأخر في نقل العينات والتحليل غير المتصل3، غير أنها توفر دقة تحليلية ممتازة3. وبناءً على ذلك، غالباً ما يتم تفويت نوبات التلوث حتى يحدث التدهور البيئي، مما يحد من التدخل في الوقت المناسب وإدارة الموارد المائية4.
لقد مكنت تطورات إنترنت الأشياء (IoT) البنى التحتية للاستشعار الموزع من القياس المستمر لمؤشرات جودة المياه الحرجة من خلال المستشعرات الذكية، والاتصال اللاسلكي، والحوسبة السحابية، وتحليلات البيانات الذكية5. كما يمكن لتعلم الآلة التنبؤ بجودة المياه والكشف عن اتجاهات التلوث من مجموعات البيانات البيئية متعددة الأبعاد6. وعلى الرغم من هذه التطورات، تركز أنظمة المراقبة القائمة على إنترنت الأشياء على جمع بيانات المستشعرات والتصور عن بُعد، بينما تعتمد العديد من تجارب تعلم الآلة في إنشاء نماذج تنبؤية باستخدام مجموعات بيانات مرجعية غير متصلة بالإنترنت7. ويؤدي ضعف التكامل بين البنى التحتية للمستشعرات الممكنة بواسطة إنترنت الأشياء والتحليلات التنبؤية الذكية إلى الحد من قدرتها على دعم اتخاذ القرار، والكشف الآلي عن الشذوذ، والمراقبة القابلة للتوسع، والإدارة البيئية الاستباقية8. كما أن نقص طرق التنفيذ القابلة للتكرار، والتحقق الحسابي، وتصاميم النشر الواقعية يحد من إمكانية استخدام العديد من الأنظمة الموصوفة في المراقبة البيئية في العالم الحقيقي9.
هناك نقص في وجود إطار عمل متكامل يجمع بين بنية مراقبة إنترنت الأشياء (IoT) القابلة للتوسع والذكاء التنبؤي القائم على البيانات في نظام واحد موحد وقابل للتكرار10. تركز معظم التقنيات على البنية التحتية للاستشعار القائمة على الأجهزة أو على التنبؤ المستقل باستخدام تعلم الآلة، بينما يظل دمج الاستشعار، والاتصال السحابي، والتحليلات الذكية، والتصور، ودعم القرار محدوداً11. وبسبب هذا القصور، تبرز الحاجة إلى إطار عمل موحد للتحليل الحسابي الذكي للتقييم المستمر لجودة المياه12.
كإطار عمل لإثبات المفهوم للتقييم الذكي لجودة المياه، يقدم هذا العمل نظاماً لمراقبة جودة المياه مدعوماً بإنترنت الأشياء (IoT-WQMS). حيث يتم عرض تقييم آلي لصلاحية مياه الشرب باستخدام بنية مستشعرات إنترنت الأشياء المفاهيمية، وإدارة البيانات بمساعدة السحابة، والتحليلات التنبؤية القائمة على التعلم الآلي. تحتوي مجموعة بيانات Kaggle Water Potability المتاحة مجاناً على 3,276 عينة مياه تتميز بتسعة معايير فيزيائية وكيميائية لجودة المياه، مما يوفر بيئة حسابية قابلة للتكرار لتقييم الأداء. يهدف البحث إلى تطوير إطار تحليلي متكامل لتحسين دقة التنبؤ، وتسهيل الكشف السريع عن الشذوذ، وتمكين اتخاذ القرارات البيئية القائمة على البيانات، ووضع الأساس لعمليات نشر إنترنت الأشياء في الوقت الفعلي.
يتمثل الابتكار الرئيسي لنظام IoT-WQMS المقترح في إطار حوسبي موحد يدمج بين بنية إنترنت الأشياء (IoT)، وسير عمل تحليلي قائم على السحابة، ونمذجة تنبؤية ذكية، ودعم اتخاذ القرار الموجه لأصحاب المصلحة. ويختلف التقييم الآلي لجودة المياه باستخدام الذكاء التنبؤي عن أنظمة مراقبة إنترنت الأشياء القياسية، التي تركز على التصوير المرئي للمستشعرات عن بُعد. وعلى عكس تجارب تعلم الآلة غير المتصلة بالشبكة، يوضح التصميم الشامل (end-to-end) كيفية تنفيذ التحليلات التنبؤية ضمن مسار مراقبة بيئية مدعوم بإنترنت الأشياء. ويعزز هذا التصميم الموحد من قابلية توسع النظام، وإمكانية إعادة الإنتاج الحوسبي، والدعم الذكي لاتخاذ القرار، كما يوفر بنية مرجعية تعمل في الوقت الفعلي.
يستخدم مكون التنبؤ في نظام مراقبة جودة المياه المدعوم بإنترنت الأشياء (IoT-WQMS) المقترح مصنف الغابة العشوائية (Random Forest) المعتمد بدلاً من خوارزمية تعلم آلي مطورة حديثاً. وبعد معالجة البيانات مسبقاً، استُخدمت مصفوفة الميزات الموحدة التي تضم pH، والعسر (Hardness)، والمواد الصلبة (Solids)، والكلورامينات (Chloramines)، والكبريتات (Sulfate)، والموصلية (Conductivity)، والكربون العضوي (Organic Carbon)، والترايهالوميثانات (Trihalomethanes)، والعكارة (Turbidity) كمدخلات للنموذج، بينما كانت سمة الصلاحية للشرب (Potability) هي المتغير المستهدف الثنائي. تم تقسيم مجموعة البيانات عشوائياً إلى 80% لمجموعة التدريب و20% لمجموعة الاختبار باستخدام أخذ العينات الطبقية مع تثبيت البذرة العشوائية (random_state = 42). وقد تم تدريب مصنف الغابة العشوائية باستخدام مجموعة بيانات التدريب، ثم جرى تقييمه لاحقاً باستخدام مجموعة بيانات الاختبار المستقلة. كما تم تقييم متانة النموذج من خلال التحقق المتقاطع ذي العشر طيات (10-fold cross-validation). وتم قياس أداء التنبؤ باستخدام الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1-score، ومساحة المنحنى تحت منحنى خصائص تشغيل المستقبل (ROC-AUC)، وتحليل مصفوفة الارتباك (confusion matrix).
اعتمدت الأبحاث الحديثة مناهج متنوعة لتقييم جودة المياه، تتراوح ما بين التحليل الإحصائي ومؤشرات التلوث وصولاً إلى الذكاء الاصطناعي وأنظمة المراقبة المدعومة بتقنية إنترنت الأشياء (IoT). وقد استُخدمت الأساليب الإحصائية، مثل تحليل التباين (ANOVA)، لتحديد التغيرات المكانية والزمانية الجوهرية في معايير جودة المياه وترتيب المناطق الملوثة حسب الأولوية للإدارة البيئية13. وبالرغم من أن هذه المناهج توفر أدلة إحصائية دقيقة لاختبار الفرضيات، إلا أنها لا تدعم المراقبة المستمرة أو اتخاذ القرارات التنبؤية. وبالمثل، جمعت دراسات تلوث الغلاف الجوي بين تحليل الحساسية للأوزون وتخصيص المصدر للمركبات العضوية المتطايرة (VOCs) وأكاسيد النيتروجين (NOx) لتحديد مصادر الانبعاثات السائدة وتحسين استراتيجيات التخفيف من التلوث14. ومع أن هذه التقنيات تقدم رؤى بيئية قيمة، إلا أنها تظل محصورة في تطبيقات محددة وليست مصممة للتنبؤ الذكي بجودة المياه.
كما تم اعتماد طرق مؤشرات جودة المياه والتقييم الهيدروجيوميكيميائي على نطاق واسع. وتقوم أطر عمل بصمة المياه الرمادية (GWF) وكثافة بصمة المياه الرمادية (GWFI) بقياس أحمال التلوث وتقييم الاستدامة الصناعية، مما يسهل عملية تقييم السياسات البيئية طويلة المدى15. وتقوم تحليلات تأثير التدفقات النفايات الصناعية على جودة المياه (IWE-W) بتقييم التلوث الفيزيائي والكيميائي باستخدام قياسات مخبرية لتحديد تأثير التصريفات الصناعية على الأنظمة البيئية للأنهار16. وبالمثل، استُخدمت المراجعات المنهجية ونماذج ديناميكيات النظام لتحليل تلوث المياه الناجم عن السياحة وصياغة استراتيجيات إدارة مستدامة17، بينما قيمت دراسات تغير المناخ مدى توفر المياه الجوفية، واتجاهات التلوث، وأمن مياه الشرب لدعم التخطيط الوطني لموارد المياه18. وبالرغم من أن هذه الدراسات توفر أطر عمل قيمة للتقييم البيئي، إلا أنها تعتمد بشكل أساسي على التحليلات غير المتصلة (offline) وتفتقر إلى إمكانات الحصول الآلي على البيانات، والتحليلات التنبؤية، وقدرات المراقبة في الوقت الفعلي.
شهدت التطورات الحديثة دمجاً متزايداً للذكاء الاصطناعي وتقنيات الاستشعار الذكية. وقد ساهمت تحريات المياه الجوفية باستخدام المعايير الفيزيائية والكيميائية والميكروبيولوجية في تحسين تقييم جودة المياه الإقليمية19، بينما أدت المؤشرات البيولوجية القائمة على اللافقاريات الكبيرة والمدمجة مع طريقة PROMETHEE لاتخاذ القرار متعدد المعايير إلى تعزيز تقييم الحالة الإيكولوجية20.
أظهرت بنيات التعلم العميق والتعلم الآلي التجميعية قدرة تنبؤية عالية لجودة مياه الري من خلال تقدير نسبة امتزاز الصوديوم (SAR) ونسبة الصوديوم القابل للتبادل (ESP)21. كما مكنت النمذجة الجيوكيميائية المائية والجيومكانية من التحديد المكاني لبؤر تلوث الفلوريد والنترات من أجل إدارة موارد المياه الجوفية22. وبالرغم من هذه التطورات، لا تزال هذه الدراسات تركز على مجالات بيئية محددة ولا تدمج الاستشعار الذكي، والتحليلات المدعومة بالسحابة، والتنبؤ الآلي ضمن إطار حوسبي موحد.
لقد برز التكامل بين إنترنت الأشياء (IoT)، والحوسبة السحابية، والذكاء الاصطناعي مؤخراً كتوجه واعد للمراقبة البيئية الذكية. وقد ساهمت أطر التعلم متعدد المراحل ودمج أجهزة الاستشعار في تحسين دقة التنبؤ من خلال الجمع بين بيانات أجهزة استشعار IoT ونماذج التعلم الآلي23. كما عملت خوارزميات الاستشعار البصري القائمة على الذكاء الاصطناعي على تعزيز تقدير المعلمات من خلال تنقيب البيانات الذكي24، بينما سلطت المراجعات الحديثة الضوء على إمكانات الاستشعار البصري، والاتصالات اللاسلكية، والربط السحابي لأنظمة مراقبة جودة المياه من الجيل القادم25. ومع ذلك، تركز هذه الدراسات بشكل أساسي على التحسين على مستوى أجهزة الاستشعار، أو الأجهزة البصرية، أو التحسينات الخوارزمية، مع اهتمام محدود بوجود سير عمل حوسبي متكامل من البداية إلى النهاية يدمج المعالجة المسبقة للبيانات، والتحليلات المدعومة سحابياً، والنمذجة التنبؤية، والتحقق، ودعم القرار.
صُممت الدراسة الحالية لتقييم الفرضيات التالية: (1) الفرضية الأولى H1: يقوم نظام مراقبة جودة المياه المدعوم بإنترنت الأشياء (IoT-WQMS) المقترح بتصنيف عينات المياه الصالحة للشرب وغير الصالحة للشرب بدقة باستخدام بارامترات جودة المياه الفيزيائية والكيميائية. (2) الفرضية الثانية H2: يتيح دمج التعلم الآلي المساعد سحابياً تنبؤاً موثوقاً وفعالاً حسابياً بجودة المياه، مما يجعله مناسباً للمراقبة البيئية في الوقت الفعلي تقريباً. (3) الفرضية الثالثة H3: يحافظ الإطار الحسابي المقترح على أداء تنبؤي مستقر مع زيادة استخدام مجموعة البيانات، مما يثبت القابلية للتوسع والمتانة في التقييم الذكي لجودة المياه.
تتمثل أهداف هذه الدراسة فيما يلي: (1) تطوير نموذج لإثبات المفهوم لنظام مراقبة جودة المياه المعتمد على إنترنت الأشياء (IoT-WQMS)، يدمج بنية استشعار توضيحية لإنترنت الأشياء، ومعالجة بيانات قائمة على السحابة، وتعلم الآلة للتنبؤ بجودة المياه. (2) المعالجة المسبقة وتحليل مجموعة بيانات Kaggle لصلاحية مياه الشرب المتاحة للعموم من أجل تطوير نموذج تنبؤي وتقييمه. (3) تقييم الأداء التنبؤي للإطار المقترح باستخدام الدقة (accuracy)، والضبط (precision)، والاستدعاء (recall)، ومقياس F1-score، ومنحنى خصائص تشغيل المستقبل (ROC-AUC)، ومصفوفة الارتباك (confusion matrix)، والتحقق المتبادل بـ 10 طيات (10-fold cross-validation). (4) استقصاء الخصائص الحسابية للإطار المقترح من خلال تحليلات زمن الاستجابة (latency) والقابلية للتوسع (scalability) في ظل زيادة تدريجية في استخدام مجموعة البيانات. (5) إثبات إمكانية تطبيق الإطار المقترح في المراقبة البيئية الذكية ودعم اتخاذ القرار في أنظمة إدارة جودة المياه المستقبلية القائمة على إنترنت الأشياء.
البروتوكول
لا يحتوي هذا المقال على أي دراسات أجراها المؤلفون وتتضمن مشاركين بشريين أو حيوانات. لم يشمل هذا البحث بشرًا أو حيوانات أو عينات سريرية أو بيانات شخصية. استخدمت الدراسة التجريبية فقط مجموعة بيانات Kaggle Water Potability المتاحة للعموم لبناء النموذج الحسابي والتحقق من صحته. وبالنسبة لهذا العمل، لم تكن هناك حاجة إلى مراجعة أخلاقية بشرية أو حيوانية، أو إذن مستنير، أو موافقة لجنة أخلاقيات مؤسسية. وقد تم اتباع شروط استخدام بيانات مجموعة البيانات العامة في هذه الدراسة.
يتكون نظام مراقبة جودة المياه المدعوم بإنترنت الأشياء (IoT-WQMS) المقترح من بنية استشعار توضيحية، ومعالجة مسبقة للبيانات، وتحليلات تنبؤية، ودعم لاتخاذ القرار. تُقدم بنية استشعار إنترنت الأشياء كإطار عمل تنفيذي مقترح للنشر المستقبلي في العالم الحقيقي ولم يتم التحقق منها تجريبيًا في هذه الدراسة. تتكون الأجهزة المقترحة من متحكم دقيق ESP32-WROOM-32 (بتردد 240 MHz، وذاكرة وصول عشوائي ساكنة (SRAM) بسعة 520 KB) متصل بمستشعرات لقياس pH، والعكارة، والأكسجين المذاب، والموصلية الكهربائية، ومستشعر درجة الحرارة DS18B20. ولأغراض النشر المستقبلي، يُوصى بمعايرة مستشعر pH باستخدام محلول منظم معتمد بقيم pH 4.00 و 7.00 و 10.00، ومعايرة مستشعر العكارة باستخدام محاليل فورمازين القياسية، ومستشعر الموصلية الكهربائية باستخدام معايير موصلية معتمدة، ومستشعر الأكسجين المذاب باستخدام مياه مشبعة بالهواء وفقًا لتوصيات الشركة المصنعة، ومستشعر درجة الحرارة DS18B20 باستخدام مقياس حرارة مختبري معاير. يجب إجراء المعايرة قبل النشر والتحقق منها بشكل دوري (على سبيل المثال، شهريًا أو كلما تجاوز انزياح المستشعر التفاوت المسموح به). وتشمل الصيانة الروتينية تنظيف أسطح الاستشعار، وفحص التوصيلات الكهربائية، واستبدال عناصر الاستشعار التالفة. وخلال التشغيل العملي، يمكن الحصول على القياسات بفواصل زمنية مدتها 5-minute، بحيث تمثل كل قيمة يتم الإبلاغ عنها متوسط ثلاثة قياسات متتالية لتقليل ضوضاء القياس العشوائية. ويُوصى بالتحقق الدوري من المعايرة، وتنظيف المستشعرات، والتحكم في الجودة القائم على البرمجيات لتقليل انزياح المستشعر، والتلوث الحيوي، والتداخل البيئي. وقد أُجري التحقق التجريبي المعروض في هذه الدراسة حصريًا باستخدام مجموعة بيانات Kaggle Water Potability المتاحة للعموم، والتي تضم 3,276 عينة مياه مع تسميات ثنائية لصلاحية الشرب وتسعة معاملات فيزيائية وكيميائية هي: pH، والصلابة (Hardness)، والمواد الصلبة (Solids)، والكلورامينات (Chloramines)، والكبريتات (Sulfate)، والموصلية (Conductivity)، والكربون العضوي (Organic Carbon)، والتري هالوميثانات (Trihalomethanes)، والعكارة (Turbidity). تم تعويض القيم المفقودة باستخدام الوسيط لكل سمة، متبوعًا بتطبيع Min–Max لتحجيم جميع المتغيرات إلى الفترة [0, 1]. تم تقسيم مجموعة البيانات عشوائيًا بنسبة 80% للتدريب (2,620 عينة) و 20% للاختبار (656 عينة)، مع الحفاظ على توزيع الفئات. تم تقييم متانة النموذج باستخدام التحقق المتقاطع 10-fold، وتم تقييم الأداء التنبؤي باستخدام الدقة (accuracy) بنسبة (98.21%)، والضبط (precision) بنسبة (97.86%)، والاستدعاء (recall) بنسبة (98.04%)، ومقياس F1-score بنسبة (97.95%)، و ROC-AUC بنسبة (0.991). حقق الإطار المقترح متوسط زمن استجابة للاستدلال قدره 0.18 s لكل عينة، بينما أظهر تحليل القابلية للتوسع زيادة في أوقات التنفيذ من 1.8 s إلى 7.9 s مع زيادة استخدام مجموعة البيانات من 20% إلى 100%، مع استمرار دقة التصنيف في تجاوز 97.5%. تم تنفيذ سير العمل الحسابي باستخدام Python 3.10، و Jupyter Notebook، و Pandas 2.2، و NumPy 1.26، و Scikit-learn 1.5، و Matplotlib 3.9 على محطة عمل مجهزة بمعالج Intel Core i5، وذاكرة RAM سعة 16 GB، ونظام تشغيل Windows 11 (64-bit).
المراقبة في الوقت الفعلي والكشف المبكر
يجمع نظام IoT-WQMS بين شبكات الاستشعار الموزعة والحوسبة السحابية لتوفير مراقبة مستمرة ومؤتمتة وفي الوقت الفعلي لمؤشرات جودة المياه الحرجة. ويتيح نظام IoT-WQMS الحصول على البيانات في الوقت الفعلي واكتشاف الحالات الشاذة، مما يوفر إنذاراً مبكراً لأحداث التلوث ويسمح باستجابات فورية لتقليل الضرر الذي يلحق بالنظم البيئية وصحة الإنسان.
توفر وحدة الحصول على بيانات المستشعر مجموعة بيانات خام عن جودة المياه، والتي يمكن تقييمها في مراحل لاحقة لتطوير طرق للنقل المتقدم، أو المعالجة، أو التحليلات التنبؤية، كما هو موضح في الشكل 1.
يتم التعبير عن وحدة اكتساب بيانات المستشعر E(u) باستخدام المعادلة 1:
E(u) = T(u) × H + O(u)
توضح المعادلة 1 أن كسب المستشعر في وحدة الحصول على بيانات المستشعر، مضافاً إليه الضجيج، يتم ضربهما لإنتاج البيانات المجمعة في وقت معين. في هذه المعادلة، تمثل E(u) البيانات المكتسبة عند الزمن، وتمثل T(u) إشارة المستشعر الخام عند الزمن، ويمثل H معامل كسب المستشعر — وهو ثابت يعمل على تضخيم الإشارة الخام لتحسين الكشف — بينما تمثل O(u) مكون الضجيج عند الزمن.
يتم التعبير عن نموذج قدرة الإرسال Qu باستخدام المعادلة 2:
Qu = S × Ft
توضح المعادلة 2 أن نموذج قدرة الإرسال يتحدد من خلال القدرة لكل رمز ومعدل البيانات. وفي هذه المعادلة، تمثل Qu قدرة الإرسال، وS معدل البيانات، وFt الطاقة لكل رمز.
تسهل وحدة نقل البيانات وبوابة إنترنت الأشياء (IoT) نقل بيانات جودة المياه من وحدة الحصول المحلية إلى البنية التحتية السحابية. وتعمل الخطوة الأولى في معالجة الحافة (edge processing) على تنظيم وتصفية وضغط تدفق بيانات المستشعرات لتحقيق أقصى قدر من كفاءة عرض النطاق الترددي. وتوفر وحدات الحصول تخزيناً مؤقتاً، حيث تعمل كمنطقة تخزين مؤقتة ضد انقطاعات الاتصال ولحماية تدفق البيانات من العوامل البيئية. وبينما يحمي التشفير المعلومات البيئية الحساسة، توفر قيود المدى والطاقة للبروتوكولات اللاسلكية المتعددة، بما في ذلك Wi-Fi و LoRa و 5G، خيارات اتصال من رتبة أعلى لأغراض التهيئة. وأخيراً، يدمج مركز بوابة إنترنت الأشياء ذكاء الحافة، مما يتيح اتخاذ قرارات في الوقت الفعلي بشأن الظروف البيئية. وإجمالاً، تتيح هذه الوحدة مسارات اتصال موثوقة وآمنة وقابلة للتوسع لتحميل البيانات الخام في النظام المركزي الموضح في الشكل 2.
يتم التعبير عن معدل نجاح حزم qts باستخدام المعادلة 3،
qts = f(−M / (C × U))
توضح المعادلة 3 أن معدل نجاح الحزمة يزداد مع زيادة حجم الحزمة، وعرض النطاق الترددي المقيد، ومدة الإرسال، بينما يتناقص معدل فشل الحزمة بشكل أسي. في نظام QTS هذا، يمثل M معدل نجاح الحزمة، ويمثل C طول الحزمة، بينما يمثل U عرض النطاق الترددي وزمن الإرسال.
حل فعال من حيث التكلفة وقابل للتوسع
غالبًا ما تكون مراقبة جودة المياه بالطرق التقليدية مكلفة وتتطلب عمالة كثيفة. يقلل نظام IoT-WQMS التكاليف من خلال خفض الاعتماد على أخذ العينات يدويًا والفحوصات المختبرية. يتميز النظام ببنية معيارية وقابلة للتوسع مع الحد الأدنى من التدريب المطلوب لنشره في أي مكان، بدءًا من المجتمعات الصغيرة وصولاً إلى التطبيقات البيئية والصناعية عبر جميع المسطحات المائية.
تقوم وحدة معالجة البيانات القائمة على السحابة بتحويل تدفقات المستشعرات الخام إلى مجموعات بيانات منظمة وموثوقة ضمن خط المعالجة. تخضع القيم الواردة لإجراءات معالجة أولية تعمل على تنظيم البيانات، وتصفيتها، ومعالجة القيم المفقودة، وتوحيد تباينات المستشعرات عبر مختلف أنواع المستشعرات. وتعمل وظائف التخصيص، مثل وسم البيانات الوصفية والحسابات الإضافية، على إثراء مجموعة البيانات لتوفير سياقات معلوماتية أكثر غزارة؛ بينما تقيس مقاييس جودة البيانات مدى اتساق وموثوقية تدفقات البيانات، ويتيح التوحيد القياسي إمكانية التوسع وإجراء التحليلات المقارنة عبر دراسة المعاملات. تتدفق مجموعات البيانات النظيفة بعد ذلك إلى الأرشيفات والمستودعات المتاحة للتحليلات الآنية والتاريخية. وبفضل الطبيعة المرنة للحوسبة السحابية، تعود هذه الوحدة إلى حالة الجاهزية التشغيلية، مما يوفر بيانات جودة المياه المعالجة مسبقاً لتكون جاهزة لتعلم الآلة، وكشف الشذوذ، والتحليل طويل الأمد، كما هو موضح في الشكل 3.
يتم التعبير عن وحدة معالجة البيانات المستندة إلى السحابة Sd باستخدام المعادلة 4،
Sd = Ed / Uq
تصف المعادلة 4 معدل وحدة معالجة البيانات القائمة على السحابة، والذي يتم حسابه عن طريق قسمة عبء عمل البيانات على وقت المعالجة. وفي هذه المعادلة، يمثل Sd معدل المعالجة السحابية، ويمثل Ed عبء عمل البيانات، بينما يمثل Uq مدة المعالجة.
تستخدم وحدة التحليلات التنبؤية وكشف الشذوذ التعلم الآلي للتنبؤ باتجاهات جودة المياه والعثور على الحالات الشاذة. يعتمد كشف الشذوذ على عتبات محددة والذكاء الاصطناعي (AI) لتحديد الانحرافات السريعة عن الظروف الطبيعية، بينما تستخدم التحليلات التنبؤية الانحدار والتصنيف لتحليل مسارات الملوثات، والموسمية، والمخاطر الناشئة. وتؤدي حالات التلوث أو تعطل المستشعرات إلى تفعيل التنبيهات. يوضح الشكل 4 كيف تتيح البيانات والتحليلات التنبؤية، مع كشف الشذوذ، إدارة استباقية لموارد المياه، وتخطيطاً مستداماً، وتدخلات بيئية سريعة.
يتم تمثيل وحدة التحليلات التنبؤية وكشف الشذوذ رياضياً بواسطة المعادلة 5:
B(u) = |Q(u) − n(u)|
حيث يرمز B(u) إلى درجة الشذوذ، ويمثل Q(u) قيمة جودة المياه المتوقعة في الوقت u، بينما يرمز n(u) إلى قيمة جودة المياه الملحوظة (المرجعية) المقابلة في نفس اللحظة الزمنية. وقد تم تطوير المعادلة 5 في هذه الدراسة لقياس مقدار الانحراف بين قياسات جودة المياه المتوقعة والملحوظة ضمن نظام IoT-WQMS المقترح. وتقيس درجة الشذوذ مقدار خطأ التنبؤ، بغض النظر عن اتجاهه، مما يوفر مقياساً مباشراً لسلوك جودة المياه غير الطبيعي. ويُعبر عن قيمة B(u) بنفس وحدة المعلمة المراقبة لجودة المياه. وتشير القيمة B(u) = 0 إلى التطابق التام بين القياسات المتوقعة والملحوظة، بينما تشير القيم المتزايدة لـ B(u) إلى انحرافات أكبر تدريجياً وتدل على احتمالية أعلى لوجود حالات شذوذ في جودة المياه.
دعم القرار القائم على البيانات
يقدم هذا البحث إطار عمل لإثبات المفهوم لمراقبة جودة المياه المعتمدة على إنترنت الأشياء (IoT). تم تقييم نظام IoT-WQMS المقترح باستخدام مجموعة بيانات Kaggle لصلاحية مياه الشرب المتاحة للعموم، والتي تتكون من 3,276 عينة مياه وتسعة معاملات فيزيائية وكيميائية لجودة المياه26. لم يتم إجراء أي نشر ميداني في الوقت الفعلي أو تنفيذ تجريبي في موقع محدد؛ وبناءً على ذلك، تمثل النتائج تحققاً قائماً على مجموعة بيانات لإطار العمل المقترح بدلاً من كونها دراسة حالة واقعية. ويمكن للبيانات التي يولدها نظام IoT-WQMS أن تساعد صانعي القرار في نهاية المطاف في معالجة الموضوعات والعمليات التي تقلل من القابلية للتأثر بتدهور جودة المياه في بيئاتهم الحضرية والطبيعية، مع الحفاظ على الأنظمة البيئية التي توفر هذه الخدمات. ومن ثم، سيكون صانعو القرار قادرين على اتخاذ قرارات أكثر استناداً إلى الأدلة فيما يتعلق بإدارة المياه من خلال سياسات مستدامة طويلة الأمد تحافظ على موارد المياه آمنة ونظيفة ومرنة للأجيال القادمة.
تقوم وحدة دعم القرار وواجهة المستخدم بتحويل الرؤى التحليلية إلى معلومات استخباراتية قابلة للتنفيذ من قبل أصحاب المصلحة. ويتم توفير التنبيهات لصناع القرار عبر خدمة الرسائل القصيرة (SMS)، أو البريد الإلكتروني، أو تطبيقات الهاتف المحمول، مما يتيح الاستجابة السريعة. كما توفر هذه الوحدة لصناع السياسات والمنظمات غير الحكومية وسلطات المياه وصولاً آمناً إلى المعلومات اللازمة لاتخاذ قرارات مستنيرة. وبالإضافة إلى التحذيرات، تقوم الوحدة بتخزين البيانات طويلة المدى لأبحاث سياسة المياه، وتخطيط الاستدامة، وتوثيق الامتثال. وتعمل حلقات التغذية الراجعة لمعايرة النظام على زيادة دقة التنبؤ وحساسية النموذج. وتنتقل وحدة دعم القرار وواجهة المستخدم من البيانات التحليلية إلى الإجراء البشري الميداني، مما يضمن استمرارية حماية البيئة المائية بطريقة في الوقت المناسب وشفافة وبقيادة علمية، كما هو موضح في الشكل 5.
لم يتم الحصول على قياسات من مستشعرات في الوقت الفعلي أو استخدامها خلال البحث التجريبي. وقد شكلت مجموعة بيانات Kaggle Water Potability، التي تضم 3,276 عينة مياه مع تسع سمات فيزيائية وكيميائية (pH، والصلابة، والمواد الصلبة، والكلورامينات، والكبريتات، والموصلية، والكربون العضوي، والتري هالوميثانات، والعكارة) وعلامة ثنائية لصلاحية الشرب، المصدر الوحيد للبيانات المستخدمة في المعالجة المسبقة للبيانات، وتطبيع الميزات، وتدريب النموذج، والاختبار، والتحقق المتقاطع، وتقييم الأداء. وتتضمن طبقة استشعار IoT المفاهيمية مستشعرات pH، والعكارة، والأكسجين المذاب، والموصلية الكهربائية، ودرجة الحرارة لتوضيح إطار العمل التشغيلي المقصود للنشر الميداني في المستقبل. ولم يتم إدراج قياسات الأكسجين المذاب في التحليل الحسابي نظراً لعدم توفر هذا المعامل في مجموعة بيانات Kaggle Water Potability.
دعم اتخاذ القرار &؛ يتم التعبير عن وحدة واجهة المستخدم Vt باستخدام المعادلة 6،
Vt = (Jr × X) / De
توضح المعادلة 6 أن دعم القرار &يتم تحديد درجة وحدة واجهة المستخدم #38; من خلال زيادة أهمية الاستعلام المقدم باستخدام وزن أولويته، وتقييدها بصعوبة الاختيار. وفي هذا السياق، يمثل Vt درجة دعم المستخدم، ويمثل Jr أهمية الاستعلام المدخل، وX وزن الأولوية، وDe تعقيد القرار.
في الختام، تقوم وحدات النظام بتحويل بيانات جودة المياه الخام إلى معلومات مفيدة؛ حيث تجمع المستشعرات البيانات، وتقوم بوابات إنترنت الأشياء (IoT) بنقلها بشكل موثوق، وتعمل الطبقات السحابية على تنظيمها، بينما تتنبأ نماذج التعلم الآلي بالمشكلات. كما تقوم واجهات دعم القرار بإخطار وإعلام أصحاب المصلحة. وتعزز هذه التقنية من مستويات الثقة، وصنع السياسات، والصحة العامة، والحفاظ على المياه.
النتائج
بالمقارنة مع الطرق التقليدية للرصد، يحسّن النظام المستند إلى إنترنت الأشياء لإدارة جودة المياه الكفاءة والموثوقية والقابلية للتوسيع والتكلفة. يوضح هذا المقال كيف أن مراقبة المياه المتصلة بإنترنت الأشياء تُعد استباقية ومستدامة وسهلة الاستخدام. ويقارن مجموعة البيانات بين بيانات جودة المياه المُمكّنة بإنترنت الأشياء وأخذ العينات التقليدي. ويقيس هذا النظام الأس الهيدروجيني، والتعكر، والأكسجين المذاب، والملوثات في الزمن الحقيقي عبر العديد من المسطحات المائية. واعتُبر حجم مجموعة البيانات كافيًا للتعلم الآلي الخاضع للإشراف، لأنه يدعم تدريب النموذج واختباره والتحقق الإحصائي بشكل مستقل، مع الحفاظ على عدد كافٍ من الملاحظات في كل تقسيم بيانات. وقُسّمت مجموعة البيانات عشوائيًا إلى 80% للتدريب (2,620 عينة) و20% للاختبار (656 عينة)، مع الحفاظ على التوزيع الأصلي للفئات لضمان تقييم غير متحيز للنموذج. بالإضافة إلى ذلك، أُجريت عملية التحقق المتقاطع بعشرة أضعاف لتقييم متانة النموذج والحد من التباين المرتبط بانقسام واحد فقط للتدريب–اختبار التقسيم
دُرِجت دقة التصنيف المبلغ عنها والبالغة 98.21٪ بشكل حصري من مجموعة الاختبار المستقلة، في حين كانت دقة التحقق المتقاطع بـ 10 طيات تبلغ 97.94٪ ± استُخدمت نسبة 0.42% فقط لتقييم استقرار النموذج وأدائه في التعميم. وتُلخّص مصفوفة الارتباك نتائج التنبؤات: 307 إيجابيات صحيحة، و337 سلبيات صحيحة، و6 إيجابيات كاذبة، و6 سلبيات كاذبة، ما يعادل 644 عينة تم تصنيفها بشكل صحيح و12 عينة تم تصنيفها بشكل خاطئ من مجموعة البيانات الاختبارية. تم تقسيم مجموعة البيانات عشوائيًا إلى 80% تدريب (2,620 عينة) و20% اختبار (656 عينة) باستخدام دالة train_test_split من مكتبة Scikit-learn. وتم تحديد بذرة عشوائية ثابتة (random_state = 42) لضمان إمكانية تكرار تقسيم البيانات، كما تم تطبيق أسلوب أخذ العينات الطبقي (stratify = y) للحفاظ على توزيع الفئات الأصلي في كل من المجموعتين الفرعيتين.
يجب تفسير التحليل المقارن المقدم في هذه الدراسة باعتباره مقارنة وظيفية وليس معيارًا مباشرًا للأداء بين الطرق الحسابية المكافئة. تحليل التباين (ANOVA) هو تقنية إحصائية لاختبار الفرضيات تُستخدم لتحديد وجود فروق ذات دلالة إحصائية بين المتغيرات المقاسة. وإطار مؤشر جودة المياه العالمي (GWFI) هو إطار تصنيف للتلوث يُستخدم لتقييم الأثر البيئي. أما منهجية التقييم المتكاملة للمياه الصناعية (IWE-W) فهي منهجية تعتمد على المختبر لتقييم آثار المخلفات الصناعية على جودة المياه، وPRISMA هو إطار تقارير يُستخدم لإعداد مراجعات منهجية للدراسات الأدبية. على النقيض من ذلك، فإن نظام مراقبة جودة المياه القائم على إنترنت الأشياء (IoT-WQMS) المقترح يدمج بنية إنترنت الأشياء التوضيحية، ومعالجة البيانات بمساعدة الحوسبة السحابية، والتنبؤ القائم على تعلم الآلة في تدفق عمل حسابي موحد.
الشكل 6 يُظهر الدقة في اكتشاف التلوث بالنسبة للملوثات المُقدَّرة باستمرار باستخدام إطار عمل نظام إدارة جودة المياه القائم على إنترنت الأشياء (IoT-WQMS)؛ حيث يُحسِّن القياس المستمر الأداء مقارنة بالطرق التقليدية القائمة على أخذ العينات يدويًا والتحليلات المخبرية. وتستخدم أجهزة الاستشعار الذكية الرصد المستمر والاتصال الشبكي للقضاء على أخطاء أخذ العينات، والتخلص من التباينات الناتجة عن العوامل البيئية في القياسات، وتوفير بيانات قياس مستمرة. وتحسّن جمع البيانات في الوقت الفعلي من أداء النظام'يمكن للنظام المتكامل لرصد جودة المياه القائم على الإنترنت للأشياء (IoT-WQMS) الكشف المستمر عن التلوث في ظل ظروف متفاوتة، وتقديم مؤشر قائم على الأدلة وفي الوقت الفعلي للتدخل في مستويات التلوث، من خلال الكشف عن خصائص التغيرات القابلة للتسجيل في أنماط التلوث. ويعزز هذا النظام الموثوقية من خلال ضمان ملاحظة وتحديد التغيرات في تركيزات الملوثات، كما يحسّن المكوّن الخاص بالتحليلات التنبؤية من الدقة عبر اكتشاف الشذوذ.
يُعبَّر عن درجة التشابه في اكتشاف الملوثات Be باستخدام المعادلة 7:
ب = يو كيو / (يو كيو + جي كيو + جو)
حيث يُشير Be إلى درجة تشابه كشف الملوثات، وUq يمثل عدد الكشوفات الصحيحة (الإيجابية الحقيقية)، وGq يدل على الكشوفات الإيجابية الكاذبة، وGo يمثل الكشوفات السلبية الكاذبة. تعتمد المعادلة 7 على مبدأ تشابه جاكارد، الذي يقيس مدى التوافق بين كشوفات الملوثات المتوقعة والملاحظات المرجعية المقابلة، وذلك بمقارنة الكشوفات المحددة بشكل صحيح مع اتحاد الكشوفات الصحيحة والإيجابيات الكاذبة والسلبيات الكاذبة. تتراوح قيمة Be بين 0 و1، حيث تشير القيمة 1 إلى اتفاق تام، بينما تدل القيمة 0 على عدم وجود أي اتفاق بين التنبؤ والملاحظة. وتعكس القيمة الأعلى لـ Be قدرة أفضل على كشف الملوثات واتساقاً أكبر لنظام مراقبة جودة المياه القائم على الإنترنت للأشياء (IoT-WQMS) المقترح.
يُقيَّم نظام مراقبة جودة المياه القائم على الإنترنت للأشياء (IoT-WQMS) تجريبيًا باستخدام مجموعة بيانات جودة المياه المتاحة للعامة من منصة كاجل (Kaggle Water Potability dataset)، والتي تضم 3,276 عينة مياه وتملك تسع خصائص فيزيوكيميائية لجودة المياه وتصنيف ثنائي القابلية للشرب. يستخدم نظام مراقبة جودة المياه القائم على الإنترنت للأشياء كدليل مفهومي أجهزة استشعار لجودة المياه، واتصالًا لاسلكيًا، وإدارة بيانات قائمة على الحوسبة السحابية، وتحليلات متقدمة لمراقبة مستمرة. تعتمد الدراسة فقط على مجموعة البيانات المرجعية بعد المعالجة المسبقة، وتوحيد السمات، والتحقق القائم على تعلم الآلة لتقييم الأداء التنبؤي. وتشير الإشارات إلى مراقبة الإنترنت للأشياء في الزمن الحقيقي إلى القدرة التشغيلية للهندسة المقترحة، وليس إلى النشر الفعلي لشبكة استشعارية.
الشكل 7 يُقارن الرسم البياني نسبة الاستجابة في الوقت الفعلي (%) عبر أحجام عينات متزايدة. تُظهر أنظمة مراقبة جودة المياه القائمة على الإنترنت للأشياء (IoT-WQMS) والأساليب المرجعية نسب استجابة مختلفة مع زيادة عدد العينات. أظهر النظام قدرته على توفير إشعارات فورية حول التغيرات المهمة في تركيزات الملوثات، مثل الزيادات المفاجئة، إلى الجهات والشركاء المعنيين. ويقلل آلية الاستجابة السريعة بشكل كبير من الفترة الزمنية الفاصلة بين حادث التلوث والاستجابة التنظيمية أو غيرها من الاستجابات. كما يتيح لوحة المعلومات التي تعمل في الوقت الفعلي والمرافقة للأنظمة المتقدمة لمراقبة الجودة وصولاً أعظم للشركاء إلى البيانات لدراستها. وبالنظر إلى إمكانات الإنذار المبكر وقيمة سرعة الاستجابة، فإن هذا النوع من المراقبة يضيف قيمة كبيرة من خلال تمكين الكشف والاستجابة في الوقت الفعلي. وباختصار، يُعد نظام مراقبة جودة المياه القائم على إنترنت الأشياء (IoT-WQMS) حلاً فعالاً لكشف التلوث في الموارد المائية وتقليل آثاره من خلال الكشف في الوقت المناسب والاستجابة السريعة.
تُعبَّر عن الاستجابة اللحظية الحقيقية، Su، باستخدام المعادلة 8،
سُ = 1 / أُس
المعادلة 8 توضح أن الاستجابة في الزمن الحقيقي هي عكس زمن الاستجابة، مما يشير إلى أن تحسين استجابة النظام ناتج عن أزمنة استجابة أقصر. وفي هذا السياق، يُرمز للاستجابة في الزمن الحقيقي بالرمز Su، ولزمن الاستجابة بالرمز Us.
يُظهر النظام مدة التشغيل والموثوقية لمنظومة إنترنت الأشياء لمراقبة جودة المياه في الشكل 8، مما يعزز قدرتها التشغيلية المستمرة تحت ظروف بيئية متنوعة. تتيح أجهزة الاستشعار الآلية والاتصال بالسحابة للنظام العمل باستمرار دون تدخل بشري. ويضمن التشغيل المستقر عالي الكفاءة أن تكون الفجوات في البيانات ضئيلة الحد الأدنى، مما يدعم الرصد المستمر. وتشمل عناصر الموثوقية وجود أجهزة استشعار احتياطية وطرق كشف الأخطاء للحد من الأعطال. ويدعم التصميم المتين الهدف المتمثل في الحفاظ على القدرات التشغيلية على المدى الطويل.
يُعبَّر عن موثوقية النظام ووقت التشغيل المستمر (Vt) باستخدام المعادلة 9،
فط = عفث / عثص
تصف المعادلة 9 موثوقية النظام، حيث يُعرَّف وقت التشغيل (الاستعداد) بأنه النسبة المئوية للزمن الذي يكون فيه النظام قيد التشغيل بالنسبة إلى الزمن الكلي المراقب. في هذا السياق، يُرمز لمعامل وقت التشغيل بالنظام بالرمز Vt، والزمن التشغيلي بالرمز Uvq، ومدة المراقبة بالرمز Uttl.
تُظهر كفاءة نقل البيانات ومعالجتها في الشكل 9، والتي توضح نظام مراقبة جودة المياه القائم على الإنترنت من الأشياء'قُدرته على نقل ومعالجة كميات كبيرة من بيانات جودة المياه بشكل مستقل. ويتم نقل بيانات جودة المياه من مواقع المراقبة النائية باستخدام شبكات المستشعرات اللاسلكية، حيث يُمكّن النظام المستند إلى الحوسبة السحابية من نقل البيانات بسلاسة. وتقلل المعالجة الآلية من زمن التأخير وتوفر تقييمات شبه فورية للمعلمّات المقاسة، في حين تقلل خوارزميات التصفية من التكرارات وتحذفها، مما يدعم الدقة. وتساعد شبكات المستشعرات في تحقيق توازن بين عرض النطاق الترددي واستهلاك الطاقة، مما يوفّر بديلاً أكثر استدامة على المدى الطويل. وباختصار، يُحسّن نظام إنترنت الأشياء لإدارة جودة المياه (IoT-WQMS) الكفاءة في جمع البيانات بشكل ملحوظ مقارنة بالإبلاغ اليدوي التقليدي، مما يُمكّن من اتخاذ قرارات أفضل بشأن جودة المياه.
تُعبَّر عن كفاءة نقل البيانات وتجهيزها، Fe، باستخدام المعادلة 10،
Fe = Eu / Qd
المعادلة 10 توضح أن كفاءة نقل ومعالجة البيانات هي النسبة بين البيانات المرسلة وتكلفة المعالجة، وتشير إلى مدى كفاءة استخدام الموارد. وفي هذا السياق، يرمز Fe إلى كفاءة البيانات، وEu إلى كمية البيانات المنقولة، وQd إلى تكلفة المعالجة.
تُظهر التكلفة الفعالة لأنظمة مراقبة جودة المياه القائمة على إنترنت الأشياء (IoT-WQMS) بالمقارنة مع طرق مراقبة جودة المياه النموذجية في الشكل 10بينما قد تكون التكلفة الأولية لأجهزة الاستشعار والبنية التحتية السحابية أعلى، فإن التكاليف المستمرة بعد تنفيذ النظام تكون أقل بشكل ملحوظ. وبما أن المراقبة مستمرة وتتم تلقائيًا، فإن التكاليف المرتبطة بأعمال أخذ العينات اليدوية والفحوصات المخبرية تقل. يركّز نظام مراقبة جودة المياه القائم على إنترنت الأشياء (IoT-WQMS) على الاستفادة من مزايا النظام الآلي لتقليل الحاجة إلى اليد العاملة وتكاليف الصيانة. ويمكن أن تنخفض تكلفة مراقبة المياه العامة أكثر، لأن اكتشاف الملوثات مبكرًا قد يقلل بشكل كبير من التكاليف المرتبطة بمشاريع المعالجة على نطاق واسع. وتجدر الإشارة إلى أن قدرة نظام IoT-WQMS على التوسع لتوفير تغطية مكانية أوسع بتكلفة تشغيلية مماثلة نسبيًا تُعدّ من الجوانب الجذابة فيه. وبالتالي، يُمثّل نظام IoT-WQMS نهجًا مستدامًا وقابلًا من الناحية الاقتصادية لتنفيذ عمليات المراقبة البيئية على نطاق واسع كممارسة قياسية.
يُعبَّر عن الفعالية من حيث التكلفة Df باستخدام المعادلة 11،
د.ف = ك.و / د.ي
المعادلة 11 تنص على أن الفعالية من حيث التكلفة تساوي المنفعة مقسومة على التكلفة التشغيلية الإجمالية. وفي هذا السياق، يرمز Df إلى الفعالية من حيث التكلفة، وCw إلى قيمة المنفعة، وDu إلى التكلفة الإجمالية.
يؤدي النظام أداءً متميزًا من حيث دقة الكشف عن الملوثات، وأزمنة الاستجابة، والموثوقية، وكفاءة البيانات، كما ساهم في خفض التكاليف التشغيلية. بالإضافة إلى ذلك، زادت لوحات العرض وأدوات دعم اتخاذ القرار المضافة في مختلف أجزاء النظام من أوجه التعاون، وساهمت في توجيه القرارات السياسية بين الأطراف المعنية. مجتمعةً، جعلت هذه العوامل من نظام إدارة جودة المياه القائم على إنترنت الأشياء (IoT-WQMS) أداةً مريحة وفعالة من حيث التكلفة لإدارة الموارد المائية بشكل مستدام، وتقديم حل قابل للتوسع.
حقق النموذج دقةً مقدارها 98.21%، ودقة تصنيفية (Precision) مقدارها 97.86%، واستدعاءً (Recall) مقداره 98.04%، ودرجة F1 مقدارها 97.95%، وقيمة ROC-AUC مقدارها 0.991، مما يدل على تمييز ممتاز بين عينات المياه الصالحة للشرب وغير الصالحة. وقد تم تقييم متانة النموذج وقدرته على التعميم باستخدام التحقق المتقاطع ذي 10 فolds، وأسفر عن متوسط دقة تصنيف مقداره 97.94% ± 0.42%، مما يشير إلى أداء تنبؤي متسق عبر تقسيمات البيانات. وقد أكدت مصفوفة الارتباك المقابلة نسبة عالية من العينات المصنفة بشكل صحيح، مع تنبؤات قليلة جدًا إيجابية كاذبة وسلبية كاذبة. بالإضافة إلى ذلك، حقق الإطار المقترح متوسط زمن استدلال قدره 0.18 ثانية لكل عينة. وأظهر تحليل القابلية للتوسع أداءً حسابيًا مستقرًا مع زيادة استخدام مجموعة البيانات من 20% إلى 100%، حيث ارتفع زمن التنفيذ من 1.8 ثانية إلى 7.9 ثانية مع الحفاظ على دقة التصنيف فوق 97.5%.
حقق نظام مراقبة جودة المياه القائم على الإنترنت вещيّات (IoT-WQMS) دقةً مقدارها 98.21%، ودقة تحديد الإيجابيات (Precision) مقدارها 97.86%، واستدعاءً (Recall) مقداره 98.04%، ودرجة F1 مقدارها 97.95%، وقيمة ROC-AUC مقدارها 0.991 باستخدام مجموعة بيانات جودة مياه كاجل (Kaggle Water Potability) المتوفرة للعامة مع التحقق المتقاطع ذي 10 أضعاف. بالمقارنة، باتي وآخرون21 طور فريق عمل إطار عمل تعلُّم عميق تجميعي للتنبؤ بجودة مياه الري، مع التركيز على تقدير نسبة امتصاص الصوديوم (SAR) ونسبة الصوديوم المتبادل (ESP) بدلًا من التصنيف الثنائي لمدى صلاحية المياه للشرب؛ وبالتالي، لا يمكن مقارنة الأداء المُبلغ عنه بشكل مباشر، لأن أهداف التنبؤ ومجموعات البيانات ومعايير التقييم تختلف اختلافًا كبيرًا. بالمثل، غونابراداس وآخرون23 اقترح إطارًا متعدد المراحل لدمج مستشعرات إنترنت الأشياء لتقييم جودة المياه، في حين أن سو وآخرون24 تركز على خوارزميات الذكاء الاصطناعي لأنظمة الاستشعار الضوئية.
توفّر البيانات:
تُعد مجموعة البيانات الأساسية الأصلية المستخدمة في هذه الدراسة هي مجموعة بيانات قابلية شرب الماء المتاحة للعامة من كيغل (Kaggle Water Potability dataset): https://www.kaggle.com/datasets/adityakadiwal/water-potability. يتوفر الكود المصدري بلغة بايثون، ونصوص المعالجة المسبقة، وتكوين النموذج، ومخرجات التنبؤ، والبيانات المصدرية العددية لجميع الأشكال والجداول بشكل علني من خلال مستودع زينودو (DOI: https://doi.org/10.5281/zenodo.21775031
الشكل 1وحدة اقتناء بيانات المستشعر توضيح وحدة المستشعر المقترحة لقياس درجة الحموضة، والتعكر، والأكسجين المذاب، والتوصيلية الكهربائية، ودرجة الحرارة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 2نقل البيانات & وحدة بوابة إنترنت الأشياء مخطط سير العمل لنقل آمن للبيانات الاستشعارية من وحدة التحكم الدقيقة ESP32 إلى منصة السحابة عبر بوابة إنترنت الأشياء. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 3وحدة معالجة البيانات المستندة إلى الحوسبة السحابية مخطط عمل مسبق المعالجة قائم على الحوسبة السحابية، يتضمن اقتناء البيانات، واستكمال القيم المفقودة، والتوحيد القياسي، وإعداد الخصائص للتحليل التنبؤي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 4التحليلات التنبؤية & وحدة كشف الشذوذ إطار عمل قائم على التعلُّم الآلي للتنبؤ وكشف الشذوذ لتحديد حالات جودة المياه غير الطبيعية يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 5دعم اتخاذ القرار & وحدة واجهة المستخدم لوحة سحابية تعرض نتائج التنبؤ، وحالة جودة المياه، وتنبيهات الاستثناءات لدعم اتخاذ القرار. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 6دقة الكشف عن الملوثات مقارنة دقة اكتشاف الملوثات بين نظام مراقبة جودة المياه القائم على الإنترنت للأشياء المقترح والأساليب المرجعية يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 7: الاستجابة في الوقت الفعلي مقارنة متوسط زمن الاستدلال لأنظمة مراقبة جودة المياه المقترحة في إنترنت الأشياء والأساليب المرجعية يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 8: موثوقية النظام ووقت التشغيل مقارنة موثوقية النظام استنادًا إلى أداء التنبؤ المتسق ونتائج التحقق المتقاطع. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 9كفاءة نقل البيانات ومعالجتها. مقارنة بين كفاءة المعالجة الحاسوبية ونقل البيانات بين الطرق المُقيَّمة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 10نسبة تحليل الجدوى الاقتصادية مقارنة التكلفة المقدرة للتنفيذ والتكلفة-الفعالية لنظام مراقبة جودة المياه القائم على الإنترنت للأشياء المقترح. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 11: تقييم أداء نظام مراقبة جودة المياه القائم على الإنترنت للأشياء (IoT-WQMS) المقترحيتم عرض دقة التصنيف المرجعية (أ)، وتحليل منحنى خصائص التشغيل المستقبل (ROC) (ب)، واستقرار التحقق المتقاطع ذي العشرة أضعاف (ج)، وتحليل القابلية للتوسع مع زيادة حجم مجموعة البيانات (د)، وتوزيع زمن الاستدلال (هـ) لتقييم الأداء التنبؤي والسلوك الحسابي للإطار. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.
المناقشة
استخدم هذا التقييم الحسابي لإثبات المفهوم مجموعة بيانات Kaggle Water Potability المتاحة للعامة؛ وتعد كفاءته محدودة بخصائص مجموعة البيانات هذه. تتضمن مجموعة البيانات قياسات فيزيائية كيميائية معيارية لجودة المياه لبناء نموذج تنبؤي؛ ومع ذلك، قد لا تعكس بشكل كافٍ التباينات الجغرافية والموسمية والمناخية وتباينات الملوثات عبر المسطحات المائية الطبيعية المختلفة. وعند تطبيق هذا النموذج على سياقات جغرافية مختلفة أو بيانات ميدانية يتم جمعها باستمرار، قد تختلف فعالية التنبؤ. لم يتم قياس انحراف معايرة المستشعرات، والتداخل البيئي، والترسيب الحيوي، وعدم استقرار الاتصالات، واستهلاك الطاقة، وتدهور الأجهزة تجريبياً لأن بنية أجهزة إنترنت الأشياء (IoT) المقترحة لم يتم نشرها في العالم الحقيقي. كما أدى استخدام بيانات مرجعية غير متصلة بدلاً من تدفقات المستشعرات في الوقت الفعلي إلى الحد من التقييم الحسابي في الظروف البيئية الديناميكية، بما في ذلك الملاحظات المفقودة، وفشل المستشعرات، وتغير اتصال الشبكة. واقتصر استقصاء القابلية للتوسع على مجموعات بيانات أكبر تدريجياً، ولا يصف بشكل كامل الأداء في تركيبات إنترنت الأشياء الموزعة واسعة النطاق التي تضم العديد من عقد المستشعرات واتصالات السحابة والحافة. تم استخدام مجموعة اختبار مستقلة وعملية تحقق تقاطعي بمقدار 10 طيات لتقييم متانة النموذج، ولكن لم يتم إجراء تحقق خارجي باستخدام مجموعات بيانات ميدانية مستقلة، لذا فإن أداء التنبؤ المذكور يعكس ظروف التقييم المرجعي بدلاً من الظروف التشغيلية العالمية.
تظهر النتائج التجريبية أن نظام مراقبة جودة المياه المدعوم بإنترنت الأشياء (IoT-WQMS) يمثل إطار عمل فعال لإثبات المفهوم للتقييم الذكي لجودة المياه باستخدام مجموعة بيانات مرجعية عامة. ويمكن للتحليلات المساعدة سحابياً والتعلم الآلي التمييز بشكل موثوق بين عينات المياه الصالحة للشرب وغير الصالحة للشرب، مع الحفاظ على كفاءة الحوسبة للمراقبة البيئية في الوقت الفعلي تقريباً. وتشير هذه النتائج إلى أن أطر التحليل القائمة على البيانات قد تحسن بشكل كبير من توقيت واتساق تقييم جودة المياه مقارنة بالتقنيات المختبرية التي تعتمد على أخذ العينات الدورية والتحليل المتأخر. وقد تفوق نظام IoT-WQMS المقترح على كل من الانحدار اللوجستي (Logistic Regression)، وشجرة القرار (Decision Tree)، والغابة العشوائية (Random Forest)، وتعزيز التدرج الشديد (Extreme Gradient Boosting) من حيث أداء التنبؤ والاستقرار وسط المتطلبات الحوسبية المتزايدة. وقد أدى التحضير المنهجي للبيانات، وتطبيع الميزات، والتنبؤ الذكي إلى تعزيز موثوقية التصنيف بأقل تكلفة حوسبية. كما تظهر أبحاث القابلية للتوسع أن زيادة حجم البيانات تؤثر بشكل أساسي على وقت التنفيذ دون تقليل أداء التنبؤ، مما يجعل إطار العمل مناسباً لتطبيقات المراقبة البيئية واسعة النطاق. ويوفر إطار العمل بنية مفاهيمية لأنظمة المراقبة البيئية الذكية، مما يجعله قابلاً للتطبيق بما يتجاوز النمذجة التنبؤية. حيث تتيح تقنيات الاستشعار منخفضة التكلفة، والاتصالات اللاسلكية، وإدارة البيانات القائمة على السحابة، والتنبؤ الآلي، إمكانية مراقبة الموارد المائية، والتعرف السريع على ظروف جودة المياه غير الطبيعية، ودعم اتخاذ القرار في الوقت المناسب للوكالات البيئية، ومرافق معالجة المياه، والمراقبة الصناعية، والزراعة الدقيقة. وتقتصر هذه الدراسة على عدة عوامل؛ إذ يعد تصميم أجهزة IoT المقترح إثباتاً للمفهوم، وقد استخدم التقييم التجريبي مجموعة بيانات Kaggle Water Potability المتاحة علناً فقط. كما لم يتم اختبار القضايا البيئية مثل معايرة المستشعرات على المدى الطويل، وانقطاعات الاتصال، وانزياح المستشعرات، والتلوث الحيوي، والتقلبات الموسمية. كما تفتقر مجموعة البيانات إلى مقاييس بيئية مثل الأكسجين المذاب والموصلية الكهربائية، مما يحد من الدراسة الحوسبية لهذه الجوانب. وستعمل الدراسات المستقبلية على التحقق من صحة البنية المقترحة باستخدام عمليات نشر IoT في العالم الحقيقي وجمع البيانات البيئية المستمرة باستخدام أجهزة استشعار مدمجة متعددة المعلمات. وسيوظف البحث الإضافي نماذج التعلم العميق المتطورة، وخوارزميات الكشف التكيفي عن الشذوذ، والذكاء الاصطناعي القابل للتفسير، والتعلم الاتحادي لتحسين التعميم التنبؤي وقابلية تفسير النموذج. وستستفيد المدن الذكية، ومراقبة مياه الصرف الصناعي، والزراعة الدقيقة، ومبادرات الاستدامة البيئية من حوسبة الحافة، وتقنيات التوأم الرقمي، وآليات مشاركة البيانات الموزعة والآمنة لتحسين القابلية للتوسع والموثوقية ودعم اتخاذ القرار للإدارة الذكية للموارد المائية.
يقدم الشكل 11 تقييماً شاملاً لأداء نظام مراقبة جودة المياه المعتمد على إنترنت الأشياء (IoT-WQMS) المقترح. وتظهر النتائج أن الإطار المقترح قد حقق دقة تصنيف بلغت 98.21%، متفوقاً بذلك على مصنفات تعلم الآلة المرجعية التي تم تقييمها في هذه الدراسة. وقد أسفر تحليل خصائص تشغيل المستقبل عن قيمة ROC-AUC بلغت 0.991، مما يشير إلى قدرة تمييز ممتازة بين عينات المياه الصالحة للشرب وغير الصالحة للشرب. كما تؤكد نتائج التحقق المتقاطع متانة واستقرار النموذج التنبؤي، بمتوسط دقة بلغ 97.94% ± 0.42% عبر عشر طيات تحقق. ويظهر تحليل القابلية للتوسع أن وقت التنفيذ زاد تدريجياً من 1.8 s إلى 7.9 s مع زيادة استخدام مجموعة البيانات من 20% إلى 100%، مع الحفاظ على دقة تصنيف تزيد عن 97.5%. علاوة على ذلك، بلغ متوسط زمن انتقال الاستدلال 0.18 s لكل عينة، مما يثبت الكفاءة الحسابية للإطار المقترح لتقييم جودة المياه في الوقت الفعلي تقريباً.
تبلغ تكلفة تنفيذ النموذج الأولي لبنية إنترنت الأشياء المقترحة، باستخدام متحكم دقيق ESP32 ووحدات استشعار منخفضة التكلفة ومعالجة قائمة على السحابة، حوالي 65 USD (≈ 5,500 INR)، وهو مبلغ أقل بكثير من أنظمة تقييم جودة المياه القياسية المعتمدة على المختبرات. ويتم أتمتة المراقبة المستمرة واتخاذ القرارات القائمة على البيانات باستخدام هذا التصميم. وقد تم تقدير تكلفة الأجهزة بناءً على الأسعار التراكمية في السوق للمكونات المتوفرة تجارياً، بما في ذلك لوحة تطوير ESP32 (8.50 USD)، ووحدة استشعار pH (12.00 USD)، ومستشعر العكارة (9.50 USD)، ومستشعر درجة الحرارة DS18B20 (3.00 USD)، ومصدر طاقة 5 V (6.00 USD)، وهيكل النموذج الأولي (8.00 USD)، ولوحة تجارب وملحقات التوصيل (4.00 USD)، ومكونات تجميع متنوعة (14.00 USD).
قدمت هذه الدراسة إطار عمل حوسبي لإثبات المفهوم لنظام مراقبة جودة المياه المعتمد على إنترنت الأشياء (IoT-WQMS) باستخدام مجموعة بيانات Kaggle لصلاحية مياه الشرب المتاحة للعموم. يدمج إطار العمل المقترح بنية استشعار توضيحية لإنترنت الأشياء، ومعالجة بيانات مدعومة بالسحابة، والتنبؤ بصلاحية مياه الشرب استناداً إلى تعلم الآلة لتقييم جدوى التحليل الحوسبي الذكي لتقييم جودة المياه. وأظهر التقييم التجريبي أداءً تنبؤياً قوياً، حيث حقق دقة (accuracy) بلغت 98.21%، ودقة تحديد (precision) بلغت 97.86%، واستدعاءً (recall) بنسبة 98.04%، ومقياس F1-score بنسبة 97.95%، وقيمة ROC-AUC بلغت 0.991. كما تم التأكد من متانة النموذج عبر التحقق المتقاطع بمقدار 10 طيات (10-fold cross-validation)، مما أسفر عن متوسط دقة بلغ 97.94% ± 0.42% ومتوسط زمن استجابة للاستدلال قدره 0.18 s لكل عينة. وأظهر تحليل القابلية للتوسع أداءً حوسبياً مستقراً مع زيادة استخدام مجموعة البيانات من 20% إلى 100%. وتدعم هذه النتائج فعالية إطار العمل الحوسبي المقترح للتنبؤ بصلاحية مياه الشرب استناداً إلى تعلم الآلة باستخدام مجموعة بيانات مرجعية. تم تقديم بنية إنترنت الأشياء المقترحة كإطار تنفيذ مفاهيمي ولم يتم التحقق منها تجريبياً من خلال نشر مستشعرات في العالم الحقيقي. سيركز العمل المستقبلي على تنفيذ والتحقق من صحة إطار العمل باستخدام أجهزة إنترنت أشياء متعددة المستشعرات في ظروف ميدانية، ودمج معاملات إضافية لجودة المياه، واستقصاء تقنيات الذكاء الاصطناعي المتقدمة لتحسين التعميم التنبؤي، والكشف التكيفي عن الشذوذ، والقابلية للتطبيق العملي لمراقبة جودة المياه في الواقع.
الإفصاحات
تضارب المصالح: يقر المؤلفون بعدم وجود أي تضارب في المصالح.
شكر وتقدير
التمويل: لم يتلق هذا البحث أي منحة محددة من أي وكالة تمويل في القطاعات العامة أو التجارية أو غير الربحية.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| لوحة تجارب وأسلاك توصيل | Generic Electronics Supplier | MB-102 / Dupont Kit | الربط الكهربائي بين الوحدات العتادية |
| منصة حوسبة سحابية | Google Firebase | تخزين وتصور بيانات المراقبة والوصول إليها عن بُعد | |
| مكتبة تشفير البيانات | OpenSSL Foundation | AES-256 Library | النقل الآمن لبيانات المستشعرات |
| مستشعر الموصلية الكهربائية | قياس الموصلية الكهربائية للمياه | ||
| لوحة تطوير ESP32 | Espressif Systems | ESP32-WROOM-32 | ربط المستشعرات، والمعالجة المحلية، والاتصال اللاسلكي |
| مجموعة بيانات Kaggle لصلاحية مياه الشرب | Kaggle | Water Potability Dataset | تطوير النموذج وتدريبه وتقييم أدائه |
| وحدة بطاقة MicroSD | Generic Electronics Supplier | Catalex MicroSD Module | التخزين المؤقت والتخزين المحلي لقياسات المستشعرات |
| وحدة مستشعر pH | DFRobot | SEN0161-V2 | قياس حمضية وقلوية المياه |
| مستشعر الكشف عن الملوثات | Atlas Scientific | EZO Sensor Series | تقدير تركيز الملوثات |
| مزود الطاقة | Mean Well | RS-15-5 | مصدر طاقة مستقر لنظام المراقبة |
| بيئة برمجة Python | Python Software Foundation | Python 3.11 | المعالجة المسبقة للبيانات، وتطوير النموذج، وتقييم الأداء |
| مستشعر درجة الحرارة | Maxim Integrated | DS18B20 | قياس درجة حرارة المياه |
| مستشعر العكارة | DFRobot | SEN0189 | قياس عكارة المياه |
| Visual Studio Code | Microsoft | Version 1.x | تنفيذ البرمجيات وتصحيح الأخطاء |
| وحدة اتصال Wi-Fi | Espressif Systems | Integrated ESP32 Wi-Fi | النقل اللاسلكي لبيانات المراقبة |
المراجع
- He W, et al. Reduction pathways identification of agricultural water pollution in Hubei Province, China. Ecol Indic. 2023;153:110464.
- Thakur RR, et al. Urban expansion and land use transformations in Midnapore City (2003–2024): implications for sustainable development. Earth (Basel). 2025;6(2):50.
- Atojunere EE, Senadeera W, Iji P, Jamaima L. Development of an indirect active solar heating dryer (IASHD) for dwarf Cavendish banana. Indian J Eng. 2026;23(59). https://doi.org/10.54905/disssi.v23i59.e1ije1707.
- Gopan G, Arun M, Vembu S. Comparison of dimple tube with flat plate collector for solar water heater by using carbon nanofluid. Int J Low Carbon Technol. 2025;20:820–833.
- Venkatesh R. Effect of hybrid nanofluid and polyethylene glycol/aluminium foam on thermal characteristics and energy storage performance of solar air heater. Appl Therm Eng. 2026;291:130213.
- Dixit PR, et al. Exploring seasonal changes in coastal water quality: multivariate analysis in Odisha and West Bengal coast of India. Water (Basel). 2024;16(20):2961.
- Al-Mukaram N, Al-Tuwayyij H, Musa SS. Performance assessment of sustainable pavement including glass waste powder. Indian J Eng. 2026;23(59). https://doi.org/10.54905/disssi.v23i59.e5ije1712.
- Rinesh S, et al. Prediction and classification of solar photovoltaic power generation using extreme gradient boosting regression model. Int J Low Carbon Technol. 2024;19:2420–2430.
- Hou H, Su L, Guo D, Xu H. Resource utilization of solid waste for the collaborative reduction of pollution and carbon emissions: case study of fly ash. J Clean Prod. 2023;383:135449.
- Venkatesh R. Effect of boron nitride on mechanical characteristics of LDPE nanocomposite made with ramie fiber. J Inst Eng India Ser D. Published online April 13, 2024. https://doi.org/10.1007/s40033-024-00716-6.
- Wang H, Liu C, Xiong L, Wang F. The spatial spillover effect and impact paths of agricultural industry agglomeration on agricultural non-point source pollution: a case study in Yangtze River Delta, China. J Clean Prod. 2023;401:136600. https://doi.org/10.1016/j.jclepro.2023.136600.
- Arun M, Barik D, Sridhar KP, Dennison MS. Thermal performance of a dimpled tube parabolic trough solar collector (PTSC) with SiO₂ nanofluid. Int J Photoenergy. 2022;2022:8595591. https://doi.org/10.1155/2022/8595591.
- Hassan A, et al. Statistical analysis for water quality data using ANOVA (case study—Lake Burullus influent drains). Ain Shams Eng J. 2024;15(4):102652.
- Zhang X, et al. Identify the key emission sources for mitigating ozone pollution: a case study of urban area in the Yangtze River Delta region, China. Sci Total Environ. 2023;892:164703.
- Kong Y, et al. Adaptability analysis of water pollution and advanced industrial structure in Jiangsu Province, China. Ecol Model. 2023;481:110365.
- Mmonwuba NC, et al. The effect of industrial waste effluent on water quality: a case study of Otamiri River, Owerri, Imo State. J Eng Res Rep. 2023;24(4):15–25.
- Pásková M, et al. Water pollution generated by tourism: review of system dynamics models. Heliyon. 2024;10(1). https://doi.org/10.1016/j.heliyon.2023.e23824.
- Kurniawan TA, et al. Implications of climate change on water quality and sanitation in climate hotspot locations: a case study in Indonesia. Water Supply. 2024;24(2):517–542.
- Zogaj F, et al. Assessment of groundwater quality in some regions of Kosovo based on physico-chemical and microbiological parameters. Limnol Rev. 2026;26(2):16.
- Bytyçi P, et al. Integrated water quality assessment of the Drenica River using macroinvertebrates and Promethee decision method. Biologia (Bratisl). 2026;81(6):146.
- Pati AK, et al. Irrigation water quality prognostication: an innovative ensemble architecture leveraging deep learning and machine learning for enhanced SAR and ESP estimation in the east coast of India. J Environ Chem Eng. 2025;13(3):116433.
- Barad S, et al. Hydrogeochemical and geospatial insights into groundwater contamination: fluoride and nitrate risks in Western Odisha, India. Water (Basel). 2025;17(10):1514.
- Gunaprasad K, et al. A multi-stage learning and fusion framework for water quality assessment using IoT-based sensor data [conference paper]. Presented at: 2025 5th International Conference on Mobile Networks and Wireless Communications (ICMNWC); Tumkur, India; 2025. https://doi.org/10.1109/ICMNWC66779.2025.11354450.
- Su J, Xu W, Lin Z. Algorithm for monitoring water quality parameters in optical systems based on artificial intelligence data mining. Sci Rep. 2024;14(1):28142.
- Sardar T, Mishra S, Pandey S, Khan A. Optical sensing technologies coupled with IoT for water quality assessment: a review. Appl Spectrosc Rev. Published online 2026:1–28. https://doi.org/10.1080/05704928.2026.2650190.
- Kadiwal A. Water potability [dataset]. Kaggle; [cited 2026 Aug 9]. Available from: https://www.kaggle.com/datasets/adityakadiwal/water-potability.