Los resultados muestran una mayor precisión, capacidad de respuesta y eficiencia de costos, al tiempo que facilitan la detección temprana de anomalías, las alertas a las partes interesadas y el análisis de tendencias a largo plazo para la gestión sostenible de los recursos hídricos.
Artículo de método
Sistema de monitoreo de la calidad del agua habilitado por el Internet de las Cosas
En este artículo
Resumen
Resumen
La monitorización de la calidad del agua protege la salud humana, los hábitats acuáticos y la gestión sostenible de los recursos hídricos. El muestreo manual y los análisis de laboratorio son laboriosos, consumen mucho tiempo y no resultan adecuados para la monitorización continua de la calidad del agua. En este trabajo se presenta un sistema de prueba de concepto de monitorización de la calidad del agua habilitado para Internet de las Cosas (IoT-WQMS, por sus siglas en inglés), que utiliza una arquitectura de sensores basada en IoT y aprendizaje automático para la evaluación inteligente de la calidad del agua. El marco predictivo utiliza parámetros como pH, dureza, sólidos disueltos totales, cloraminas, sulfato, conductividad, carbono orgánico, trihalometanos y turbidez para predecir la potabilidad del agua. Para la evaluación experimental se empleó el conjunto de datos públicos de potabilidad del agua de Kaggle, compuesto por 3.276 muestras de agua. Tras la imputación de valores faltantes mediante la mediana, la normalización Min–Max y una división de entrenamiento-prueba del 80:20, se realizó la evaluación del desempeño. El modelo de predicción propuesto alcanza una exactitud del 98,21 %, una precisión del 97,86 %, una recuperación del 98,04 %, una puntuación F1 del 97,95 % y un área bajo la curva de la característica operativa del receptor (ROC-AUC) de 0,991. El modelo mostró un desempeño estable y confiable, con una latencia promedio de predicción de 0,18 s por muestra y una exactitud media del 97,94 % ± 0,42 % tras una validación cruzada de 10 pliegues. El análisis de escalabilidad indicó que al aumentar el tamaño del conjunto de datos del 20 % al 100 %, el tiempo de ejecución pasó de 1,8 s a 7,9 s, manteniéndose la exactitud de predicción por encima del 97,5 %. Un microcontrolador ESP32, módulos de detección de bajo costo y procesamiento basado en la nube permiten un marco económicamente viable para la evaluación inteligente de la calidad del agua, sentando las bases para futuras implementaciones en tiempo real mediante IoT y una monitorización ambiental sostenible.
Introducción
La calidad del agua es un indicador importante de la sostenibilidad ambiental, la estabilidad ecológica y la salud pública, ya que influye en la seguridad del agua potable, la productividad agrícola, las operaciones industriales y la biodiversidad acuática1. Se requiere un monitoreo continuo y preciso de la calidad del agua porque la rápida industrialización, el crecimiento urbano, la escorrentía agrícola y la disposición inadecuada de aguas residuales han incrementado las concentraciones de contaminantes fisicoquímicos en aguas superficiales y subterráneas2. El muestreo manual y el análisis fisicoquímico en laboratorio son enfoques típicos de monitoreo. Son métodos laboriosos y costosos, y no pueden captar fluctuaciones temporales rápidas en la calidad del agua debido al retraso en el transporte de muestras y al análisis fuera de línea3, aunque ofrecen una excelente precisión analítica3. Por lo tanto, a menudo se pasan por alto episodios de contaminación hasta que ocurre un deterioro ambiental, lo que limita la intervención oportuna y la gestión de los recursos hídricos4.
Los avances en IoT han permitido que infraestructuras de sensores distribuidos midan continuamente indicadores críticos de la calidad del agua mediante sensores inteligentes, conectividad inalámbrica, computación en la nube y análisis inteligente de datos5. El aprendizaje automático también puede predecir la calidad del agua y detectar tendencias de contaminación a partir de conjuntos de datos ambientales multidimensionales6. A pesar de estos avances, los sistemas de monitoreo basados en IoT se centran en la recolección de datos de sensores y en la visualización remota, mientras que muchos experimentos de aprendizaje automático crean modelos predictivos utilizando conjuntos de datos de referencia offline7. La escasa integración entre las infraestructuras de sensores habilitadas por IoT y los análisis predictivos inteligentes limita su capacidad de apoyo a la toma de decisiones, detección automatizada de anomalías, monitoreo escalable y gestión ambiental proactiva8. La falta de métodos de implementación repetibles, validación computacional y diseños de despliegue realistas limita la utilidad de muchos de los sistemas descritos para el monitoreo ambiental en el mundo real9.
Falta un marco integrado que combine una arquitectura escalable de monitoreo de IoT con inteligencia predictiva basada en datos en un sistema unificado y repetible10. La mayoría de las técnicas se centran en infraestructuras de sensores basadas en hardware o en predicciones independientes mediante aprendizaje automático, mientras que la integración de sensores, conectividad en la nube, análisis inteligente, visualización y apoyo a la toma de decisiones sigue siendo limitada11. Debido a esta limitación, se necesita un marco unificado para el análisis computacional inteligente de la evaluación continua de la calidad del agua12.
Como marco de prueba de concepto para la evaluación inteligente de la calidad del agua, este trabajo presenta un sistema de monitoreo de la calidad del agua habilitado para Internet de las Cosas (IoT-WQMS). Se presenta una evaluación automatizada de la potabilidad del agua mediante una arquitectura conceptual de sensores IoT, gestión de datos asistida por la nube y análisis predictivo basado en aprendizaje automático. El conjunto de datos sobre potabilidad del agua de Kaggle, de acceso libre, contiene 3.276 muestras de agua caracterizadas por nueve criterios fisicoquímicos de calidad del agua, proporcionando un entorno computacional reproducible para la evaluación del desempeño. El objetivo del estudio es desarrollar un marco analítico integrado para mejorar la precisión de las predicciones, facilitar la detección rápida de anomalías, permitir la toma de decisiones ambientales basadas en datos y sentar las bases para implementaciones en tiempo real mediante IoT.
Un marco computacional unificado que integra la arquitectura IoT, un flujo de trabajo analítico basado en la nube, modelado predictivo inteligente y apoyo a la toma de decisiones orientado a las partes interesadas es la principal innovación del sistema IoT-WQMS propuesto. La evaluación automatizada de la calidad del agua mediante inteligencia predictiva difiere de los sistemas estándar de monitoreo IoT, que se centran en la visualización remota de sensores. Un diseño de extremo a extremo muestra cómo se pueden implementar análisis predictivos en una plataforma de monitoreo ambiental habilitada para IoT, a diferencia de experimentos de aprendizaje automático realizados fuera de línea. El diseño unificado mejora la escalabilidad del sistema, la reproducibilidad computacional y el apoyo inteligente a la toma de decisiones, y proporciona una arquitectura de referencia en tiempo real.
El componente de predicción del sistema propuesto de monitoreo de calidad del agua habilitado para IoT (IoT-WQMS) emplea un clasificador establecido de bosque aleatorio en lugar de un algoritmo de aprendizaje automático recién desarrollado. Tras el preprocesamiento de los datos, se utilizó como entrada del modelo la matriz de características normalizada que comprende pH, dureza, sólidos, cloraminas, sulfato, conductividad, carbono orgánico, trihalometanos y turbidez, mientras que el atributo Potabilidad sirvió como variable objetivo binaria. El conjunto de datos se dividió aleatoriamente en subconjuntos de entrenamiento (80 %) y prueba (20 %) mediante muestreo estratificado con una semilla aleatoria fija (random_state = 42). El clasificador de bosque aleatorio se entrenó utilizando el conjunto de datos de entrenamiento y posteriormente se evaluó en el conjunto de datos de prueba independiente. La solidez del modelo se evaluó además mediante validación cruzada de 10 pliegues. El rendimiento predictivo se cuantificó utilizando precisión, exactitud, recuperación, puntuación F1, análisis de la matriz de confusión y ROC-AUC.
Investigaciones recientes han adoptado diversos enfoques para la evaluación de la calidad del agua, que van desde el análisis estadístico y los índices de contaminación hasta la inteligencia artificial y los sistemas de monitoreo habilitados para Internet de las Cosas (IoT). Se han empleado métodos estadísticos, como el ANOVA, para identificar variaciones espaciales y temporales significativas en los parámetros de calidad del agua y para priorizar regiones contaminadas en la gestión ambiental13. Si bien estos enfoques proporcionan evidencia estadística rigurosa para la prueba de hipótesis, no permiten el monitoreo continuo ni la toma de decisiones predictiva. De manera similar, estudios sobre la contaminación atmosférica han combinado el análisis de sensibilidad al ozono con la atribución de fuentes de compuestos orgánicos volátiles (VOCs) y óxidos de nitrógeno (NOx) para identificar las fuentes de emisión dominantes y optimizar las estrategias de mitigación de la contaminación14. Aunque estas técnicas ofrecen información ambiental valiosa, siguen siendo específicas de cada aplicación y no están diseñadas para la predicción inteligente de la calidad del agua.
Los métodos de indexación de la calidad del agua y evaluación hidrogeoquímica también se han adoptado ampliamente. Los marcos de la Huella de Agua Gris (GWF) y la Intensidad de la Huella de Agua Gris (GWFI) cuantifican las cargas de contaminación y evalúan la sostenibilidad industrial, facilitando así la evaluación de políticas ambientales a largo plazo15. Los análisis del Efecto de los Efluentes Industriales en la Calidad del Agua (IWE-W) evalúan la contaminación fisicoquímica mediante mediciones basadas en laboratorio para determinar el impacto de los vertidos industriales en los ecosistemas fluviales16. Asimismo, se han utilizado revisiones sistemáticas y modelos de dinámica de sistemas para analizar la contaminación del agua inducida por el turismo y formular estrategias sostenibles de gestión17, mientras que estudios sobre el cambio climático han evaluado la disponibilidad de agua subterránea, las tendencias de contaminación y la seguridad del agua potable para apoyar la planificación nacional de recursos hídricos18. Aunque estos estudios proporcionan marcos valiosos para la evaluación ambiental, dependen principalmente del análisis fuera de línea y carecen de adquisición automatizada de datos, análisis predictivo y capacidades de monitoreo en tiempo real.
Los avances recientes han incorporado cada vez más la inteligencia artificial y las tecnologías de detección inteligente. Las investigaciones de aguas subterráneas mediante parámetros fisicoquímicos y microbiológicos han mejorado la evaluación de la calidad del agua a nivel regional19, mientras que los indicadores biológicos basados en macroinvertebrados, integrados con el método de toma de decisiones multicriterio PROMETHEE, han perfeccionado la evaluación del estado ecológico20.
Los modelos conjuntos de aprendizaje profundo y arquitecturas de aprendizaje automático han demostrado una alta capacidad predictiva para la calidad del agua de riego mediante la estimación de la relación de adsorción de sodio (SAR) y el porcentaje de sodio intercambiable (ESP)21. Además, la modelización hidrogeoquímica y geoespacial ha permitido la identificación espacial de puntos críticos de contaminación por fluoruro y nitrato para la gestión de recursos de agua subterránea22. A pesar de estos avances, dichos estudios siguen centrados en dominios ambientales específicos y no integran el sensado inteligente, los análisis asistidos por la nube y la predicción automatizada dentro de un marco computacional unificado.
La integración de Internet de las Cosas (IoT), computación en la nube e inteligencia artificial ha surgido recientemente como una dirección prometedora para el monitoreo ambiental inteligente. Los marcos de aprendizaje multietapa y fusión de sensores han mejorado la precisión de las predicciones mediante la combinación de datos de sensores IoT con modelos de aprendizaje automático23. Los algoritmos de detección óptica basados en inteligencia artificial han perfeccionado la estimación de parámetros a través de minería inteligente de datos24, mientras que revisiones recientes han destacado el potencial de la detección óptica, la comunicación inalámbrica y la conectividad en la nube para sistemas de monitoreo de calidad del agua de próxima generación25. Sin embargo, estas investigaciones enfatizan principalmente la optimización a nivel de sensores, la instrumentación óptica o mejoras algorítmicas, con escasa consideración de un flujo de trabajo computacional de extremo a extremo que integre el preprocesamiento de datos, análisis asistido por la nube, modelado predictivo, validación y apoyo a la toma de decisiones.
El presente estudio fue diseñado para evaluar las siguientes hipótesis: (1) H1: El sistema propuesto de monitoreo de calidad del agua habilitado para IoT (IoT-WQMS) clasifica con precisión muestras de agua potable y no potable utilizando parámetros fisicoquímicos de calidad del agua. (2) H2: La integración de aprendizaje automático asistido por la nube permite una predicción confiable y computacionalmente eficiente de la calidad del agua, adecuada para el monitoreo ambiental en tiempo casi real. (3) H3: El marco computacional propuesto mantiene un rendimiento predictivo estable con el aumento en la utilización del conjunto de datos, demostrando escalabilidad y robustez para la evaluación inteligente de la calidad del agua.
Los objetivos de este estudio son: (1) Desarrollar un sistema de monitoreo de calidad del agua habilitado para Internet de las Cosas (IoT-WQMS) como prueba de concepto, que integre una arquitectura de sensores IoT ilustrativa, procesamiento de datos basado en la nube y aprendizaje automático para la predicción de la calidad del agua. (2) Preprocesar y analizar el conjunto de datos públicos sobre potabilidad del agua de Kaggle para el desarrollo y evaluación del modelo predictivo. (3) Evaluar el desempeño predictivo del marco propuesto mediante precisión, exactitud, recuperación, puntuación F1, ROC-AUC, matriz de confusión y validación cruzada de 10 pliegues. (4) Investigar las características computacionales del marco propuesto mediante análisis de latencia y escalabilidad con un uso progresivamente creciente del conjunto de datos. (5) Demostrar la aplicabilidad potencial del marco propuesto para el monitoreo ambiental inteligente y el apoyo a la toma de decisiones en futuros sistemas de gestión de la calidad del agua basados en IoT.
Protocolo
This article does not contain any studies involving human participants or animals performed by the authors. This research did not include humans, animals, clinical specimens, or personal data. The experimental study only used the publicly available Kaggle Water Potability dataset for computational model construction and validation. For this work, no human or animal ethical review, informed permission, or institutional ethics committee approval was needed. The public dataset data use conditions were followed for the study.
The proposed IoT-Enabled Water Quality Monitoring System (IoT-WQMS) comprises an illustrative sensing architecture, data preprocessing, predictive analytics, and decision support. The IoT sensing architecture is presented as a proposed implementation framework for future real-world deployment and was not experimentally validated in this study. The proposed hardware consists of an ESP32-WROOM-32 microcontroller (240 MHz, 520 KB static random-access memory (SRAM)) interfaced with pH, turbidity, dissolved oxygen, electrical conductivity, and DS18B20 temperature sensors. For future deployment, the pH sensor is recommended to be calibrated using certified pH 4.00, 7.00, and 10.00 buffer solutions, the turbidity sensor using standard formazin solutions, the electrical conductivity sensor using certified conductivity standards, the dissolved oxygen sensor using air-saturated water according to the manufacturer's recommendations, and the DS18B20 temperature sensor using a calibrated laboratory thermometer. Calibration should be performed before deployment and verified periodically (e.g., monthly or whenever sensor drift exceeds the specified tolerance). Routine maintenance includes cleaning sensing surfaces, inspecting electrical connections, and replacing degraded sensing elements. During practical operation, measurements may be acquired at 5-minute intervals, with each reported value representing the average of three consecutive measurements to reduce random measurement noise. Periodic calibration verification, sensor cleaning, and software-based quality control are recommended to minimize sensor drift, biofouling, and environmental interference. The experimental validation presented in this study was performed exclusively using the publicly available Kaggle Water Potability dataset, comprising 3,276 water samples with binary potability labels and nine physicochemical parameters: pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes, and Turbidity. Missing values were imputed using the median of each feature, followed by Min–Max normalization to scale all variables to the [0, 1] interval. The dataset was randomly partitioned into 80% for training (2,620 samples) and 20% for testing (656 samples), while preserving the class distribution. Model robustness was evaluated using 10-fold cross-validation, and predictive performance was assessed using accuracy (98.21%), precision (97.86%), recall (98.04%), F1-score (97.95%), and ROC-AUC (0.991). The proposed framework achieved an average inference latency of 0.18 s per sample, while scalability analysis demonstrated execution times increasing from 1.8 s to 7.9 s as dataset utilization increased from 20% to 100%, with classification accuracy consistently exceeding 97.5%. The computational workflow was implemented using Python 3.10, Jupyter Notebook, Pandas 2.2, NumPy 1.26, Scikit-learn 1.5, and Matplotlib 3.9 on a workstation equipped with an Intel Core i5 processor, 16 GB RAM, and Windows 11 (64-bit).
Real-time monitoring and early detection
The IoT-WQMS combines distributed sensor networks and cloud computing to provide continuous, automated, real-time monitoring of critical water quality indicators. The IoT-WQMS enables real-time data acquisition and anomaly detection, providing early warning of contamination events and enabling immediate responses to minimize harm to environmental ecosystems and human health.
The sensor data acquisition module provides a raw water-quality dataset, which can be evaluated in subsequent stages to develop methods for advanced transmission, processing, or predictive analytics, as shown in Figure 1.
Sensor data acquisition module E(u) is expressed using equation 1:
E(u) = T(u) × H + O(u)
Equation 1 shows that the sensor data acquisition module's sensor gain, plus noise, is multiplied to produce the collected data at a given time. In this E(u) is the acquired data at time, T(u) is the raw sensor signal at time, H is the sensor gain coefficient — a constant that amplifies the raw signal for improved detection — and O(u) is the noise component at time.
Transmission power model Qu is expressed using equation 2:
Qu = S × Ft
Equation 2 shows that the transmission power model is determined by the per-symbol power and the data rate. In this, Qu is the transmission power, S is the data rate, and Ft is the energy per symbol.
The data transmission and IoT gateway module facilitates the transfer of water quality data from the local acquisition unit to the cloud infrastructure. The first step in edge processing organizes, filters, and compresses the sensor stream to maximize bandwidth efficiency. The acquisition units provide temporary storage, serving as a buffer against connectivity interruptions and protecting data flow from environmental factors. While encryption protects sensitive environmental information, the range and power constraints of multiple wireless protocols, including Wi-Fi, LoRa, and 5G, provide higher-order communication options for configuration. Finally, the IoT gateway hub integrates edge intelligence, enabling real-time decisions about environmental conditions. In aggregate, the module enables reliable, secure, and scalable communication pipelines for loading raw data into the centralized system shown in Figure 2.
Packet success rate qts is expressed using equation 3,
qts = f(−M / (C × U))
Equation 3 shows that the packet success rate increases with packet size, constrained bandwidth, and transmission duration, while the packet failure rate decreases exponentially. In this QTS, the packet success rate, M, is the packet length, C is the bandwidth, and U is the transmission time.
Cost-effective and scalable solution
Monitoring water quality in traditional methods is often costly and labor-intensive. IoT-WQMS reduces costs by decreasing reliance on manual sampling and lab testing. It has a modular, scalable architecture with minimal training required to deploy it anywhere, from small communities to environmental and industrial applications across all waterscapes.
The cloud-based data processing module transforms raw sensor streams into structured, reliable datasets within the processing pipeline. Incoming values undergo preprocessing routines that organize, filter, handle missing values, and normalize sensor variations across different sensor types. Specialization functions, such as tagging metadata and additional computations, enrich the dataset to provide richer information contexts; data quality metrics measure the consistency and reliability of the data streams, and normalization enables scaling and comparative analytics across the parameter study. Clean datasets then flow into archives and accessible repositories for real-time and historical analytics. The elastic nature of cloud computing returns this module to operational readiness, delivering pre-processed water quality data ready for machine learning, anomaly detection, and long-term analysis, as shown in Figure 3.
Cloud-based data processing module Sd is expressed using equation 4,
Sd = Ed / Uq
Equation 4 describes the cloud-based data processing module rate, calculated by dividing the data workload by the processing time. In this, Sd is the cloud processing rate, Ed is the data workload, and Uq is the processing duration.
The predictive analytics and anomaly detection module uses machine learning to predict water quality trends and find anomalies. Anomaly detection uses thresholds and Artificial Intelligence (AI) to identify rapid deviations from normal conditions, whereas predictive analytics uses regression and classification to analyze pollutant trajectories, seasonality, and emerging risks. Pollution or sensor failure triggers alerts. Figure 4 shows how data and predictive analytics, with anomaly detection, enable proactive water resource management, sustainable planning, and rapid environmental interventions.
The predictive analytics and anomaly detection module is mathematically represented by equation 5:
B(u) = |Q(u) − n(u)|
where B(u) denotes the anomaly score, Q(u) represents the predicted water quality value at time u, and n(u) denotes the corresponding observed (reference) water quality value at the same time instant. Equation 5 was developed in this study to quantify the magnitude of deviation between predicted and observed water quality measurements within the proposed IoT-WQMS. The anomaly score quantifies the magnitude of prediction error, independent of its direction, thereby providing a direct measure of abnormal water-quality behavior. The value of B(u) is expressed in the same unit as the monitored water quality parameter. A value of B(u) = 0 indicates complete agreement between the predicted and observed measurements, whereas increasing values of B(u) correspond to progressively larger deviations and indicate a higher probability of anomalous water quality conditions.
Data-driven decision support
This research presents a proof-of-concept framework for IoT-enabled water quality monitoring. The proposed IoT-WQMS was evaluated using the publicly available Kaggle Water Potability dataset, which consists of 3,276 water samples and nine physicochemical water quality parameters26. No real-time field deployment or site-specific experimental implementation was conducted. Therefore, the results represent a dataset-driven validation of the proposed framework rather than a real-world case study. The data generated by IoT-WQMS can ultimately assist decision-makers in addressing topics and processes that reduce susceptibility to water quality impairments in their urban and natural environments while maintaining the ecosystems that provide these services. Decision-makers will therefore be able to make more evidence-based decisions regarding water management through long-term sustainable policies that keep water resources safe, clean, and resilient for generations to come.
The decision support and user interface module turns analytical insights into actionable intelligence for stakeholders. Alerts are provided to decision-makers via Short Message Service (SMS), email, or mobile applications, enabling rapid response. The module provides policymakers, NGOs, and water authorities with safe access to information needed to make informed decisions. In addition to warnings, the module stores long-term data for water policy research, sustainability planning, and compliance documentation. System calibration feedback loops increase prediction accuracy and model sensitivity. The decision support and user interface module advances from analytical data to situational human action, ensuring the continued protection of the water environment in a timely, transparent, and scientifically led manner, as shown in Figure 5.
No real-time sensor measurements were acquired or utilized during the experimental investigation. The Kaggle Water Potability dataset, comprising 3,276 water samples with nine physicochemical attributes (pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes, and Turbidity) and a binary potability label, served as the sole data source for data preprocessing, feature normalization, model training, testing, cross-validation, and performance evaluation. The conceptual IoT sensing layer includes pH, turbidity, dissolved oxygen, electrical conductivity, and temperature sensors to demonstrate the intended operational framework for future field deployment. Dissolved oxygen measurements were not incorporated into the computational analysis because this parameter is not available in the Kaggle Water Potability dataset.
Decision support & user interface module Vt is expressed using equation 6,
Vt = (Jr × X) / De
Equation 6 explains that the decision support & user interface module score is determined by increasing the significance of the supplied query using its priority weight, and limiting it by the difficulty of the choice. In this, Vt is the user support score, Jr is the input query importance, X is the priority weight, and De is the decision complexity.
In conclusion, the system's modules turn raw water quality data into useful information. Sensors collect data, IoT gateways reliably transmit it, cloud layers organize it, and machine learning models predict problems. Decision-support interfaces notify and inform stakeholders. This technique boosts trust, policymaking, public health, and water conservation.
Resultados
Compared to traditional monitoring methods, IoT-WQMS improves efficiency, reliability, scalability, and cost. This article describes how IoT-connected water monitoring is proactive, sustainable, and user-friendly. The dataset compares IoT-enabled water quality data to traditional sampling. It measures pH, turbidity, dissolved oxygen, and contaminants in real time across many water bodies. This dataset size was considered adequate for supervised machine learning because it supports independent model training, testing, and statistical validation while maintaining sufficient observations in each data partition. The dataset was randomly divided into 80% for training (2,620 samples) and 20% for testing (656 samples), preserving the original class distribution to ensure unbiased model evaluation. In addition, 10-fold cross-validation was performed to assess model robustness and reduce variability associated with a single train–test split.
The reported classification accuracy of 98.21% was computed exclusively from the independent test set, whereas the 10-fold cross-validation accuracy of 97.94% ± 0.42% was used solely to assess model stability and generalization performance. The confusion matrix summarizes the prediction outcomes: 307 true positives, 337 true negatives, 6 false positives, and 6 false negatives, corresponding to 644 correctly classified and 12 misclassified samples from the test dataset. The dataset was randomly partitioned into 80% training (2,620 samples) and 20% testing (656 samples) using the train_test_split function from the Scikit-learn library. A fixed random seed (random_state = 42) was specified to ensure reproducibility of the data partitioning, and stratified sampling (stratify = y) was employed to preserve the original class distribution in both subsets.
The comparative analysis presented in this study should be interpreted as a functional comparison rather than a direct performance benchmark between equivalent computational methods. ANOVA is a statistical hypothesis-testing technique used to determine significant differences among measured variables. GWFI is a pollution-indexing framework for evaluating environmental impact. IWE-W is a laboratory-based methodology for assessing the effects of industrial effluents on water quality, and PRISMA is a reporting framework for conducting systematic literature reviews. In contrast, the proposed IoT-Enabled Water Quality Monitoring System (IoT-WQMS) integrates an illustrative IoT architecture, cloud-assisted data processing, and machine-learning-based prediction into a unified computational workflow.
Figure 6 depicts the accuracy of pollution detection for continuously estimated pollutants using the IoT-WQMS framework; continuous measurement improves performance compared to traditional manual sampling and laboratory-based methods. Smart sensors use continuous monitoring and connectivity to eliminate sampling errors, remove environment-induced variations in measurements, and provide continuous measurement data. Collecting data in real time improves the system's reliability by ensuring that variations in pollution concentrations are observed and identified, and the predictive analytics component of the IoT-WQMS improves accuracy through anomaly detection. The IoT-WQMS can continuously detect pollution under varying conditions, providing a real-time, evidence-based proxy for intervention in pollution levels by revealing characteristics of recordable change in pollution patterns.
Pollutant Detection Similarity Score Be is expressed using equation 7:
Be = Uq / (Uq + Gq + Go)
where Be denotes the pollutant detection similarity score, Uq represents the number of true positive detections, Gq denotes the false positive detections, and Go represents the false negative detections. Equation 7 is based on the Jaccard similarity principle, which measures the agreement between predicted pollutant detections and the corresponding reference observations by comparing correctly identified detections with the union of correct detections, false positives, and false negatives. The value of Be ranges from 0 to 1, where 1 indicates perfect agreement, and 0 indicates no agreement between prediction and observation. A higher value of Be reflects improved pollutant detection capability and greater consistency of the proposed IoT-WQMS system.
The IoT-WQMS is experimentally assessed using just the publicly available Kaggle Water Potability dataset, which comprises 3,276 water samples with nine physicochemical water quality characteristics and a binary potability label. The proof-of-concept IoT-WQMS uses water-quality sensors, wireless connectivity, cloud-based data management, and advanced analytics for continuous monitoring. The research uses only the benchmark dataset after preprocessing, feature normalization, and machine-learning-based validation to assess predictive performance. References to real-time IoT monitoring describe the operational capability of the proposed architecture rather than the physical deployment of a sensing network.
Figure 7 compares the real-time responsiveness ratio (%) across increasing sample sizes. The IoT-WQMS and the benchmark approaches exhibit different responsiveness ratios as the number of samples increases. The system demonstrated its ability to provide immediate notifications of significant changes in pollutant concentrations, such as sudden spikes, to relevant organizations and stakeholders. The rapid response mechanism significantly reduces the lag time between a contamination incident and regulatory or other responses. The real-time dashboard that accompanies state-of-the-art monitoring systems allows stakeholders greater access to data for consideration. Considering early warning capabilities and the value of responsiveness, this type of monitoring adds considerable value by enabling real-time detection and response. Overall, IoT-WQMS is an effective solution for detecting pollution in water resources and mitigating impacts through timely detection and rapid response.
Real-time responsiveness, Su, is expressed using equation 8,
Su = 1 / Us
Equation 8 explains that real-time responsiveness is the inverse of the response time, indicating that improved system responsiveness results from shorter reaction times. In this, Su is the real-time responsiveness, and Us is the response time.
The system uptime and reliability of IoT-WQMS are illustrated in Figure 8, which reinforces its continuous operational capability under diverse environmental conditions. Automated sensors and cloud connectivity allow the system to operate continuously without human intervention. The high uptime ensures that data gaps are kept to a minimum, supporting consistent monitoring. Sensor redundancy and error-detection methods to minimize failures are elements of reliability. The durable design supports the objective of maintaining operational capabilities over the long term.
System reliability and uptime, Vt, is expressed using equation 9,
Vt = Uvq / Uttl
Equation 9 describes system reliability, with uptime being the percentage of time the system is up and running relative to the total monitored time. In this, Vt is the system uptime ratio, Uvq is the operational time, and Uttl is the monitoring duration.
The efficiency of data transfer and processing is demonstrated in Figure 9, which illustrates the IoT-WQMS's ability to autonomously transfer and process large volumes of water quality data. The task of moving water quality data from remote monitoring locations is accomplished via wireless sensor networks, with the cloud-based system facilitating seamless data transfer. Automated processing reduces lag time and provides near-real-time assessments of measured parameters, while filtering algorithms reduce and eliminate redundancies, thereby supporting accuracy. Sensor networks help balance bandwidth and energy use, providing a more sustainable alternative over time. Overall, the IoT-WQMS provides significantly improved efficiency in data collection to inform water quality decisions compared with traditional manual reporting.
Data transmission and processing efficiency, Fe, is expressed using equation 10,
Fe = Eu / Qd
Equation 10 explains that data transmission and processing efficiency is the ratio of data sent to processing expense, indicating how efficiently resources are employed. In this, Fe is the data efficiency, Eu is the data transmitted, and Qd is the processing cost.
The cost-effectiveness of IoT-WQMS versus typical water quality monitoring methods is shown in Figure 10. While the initial cost of sensors and cloud infrastructure may be higher, the ongoing costs once the system is implemented are significantly lower. Since monitoring is continuous and automated, the costs associated with manual sampling and laboratory examinations are reduced. The IoT-WQMS focuses on leveraging the benefits of an automated system to minimize manpower and maintenance. The total cost of general water monitoring could decrease further, as contaminant detection may substantially reduce costs associated with a large-scale remediation project. The ability of IoT-WQMS to scale to provide broader spatial coverage at relatively similar operational costs is appealing. Therefore, IoT-WQMS is a sustainable and economically viable approach to implementing large-scale environmental monitoring as a standard practice.
Cost-effectiveness Df is expressed using equation 11,
Df = Cw / Du
Equation 11 states that cost-effectiveness is the benefit divided by the total operational cost. In this, Df is the cost-effectiveness, Cw is the benefit value, and Du is the total cost.
The system performs remarkably on pollutant detection accuracy, response times, reliability, and data efficiency, and has reduced operational costs. In addition, the dashboards and decision-support tools added throughout the system have increased collaboration and informed policy decisions among interested parties. Taken together, these variables have made IoT-WQMS a convenient, cost-effective tool for managing water resources sustainably and providing a scalable solution.
The model achieved an accuracy of 98.21%, precision of 97.86%, recall of 98.04%, F1-score of 97.95%, and a ROC-AUC of 0.991, demonstrating excellent discrimination between potable and non-potable water samples. 10-fold cross-validation assessed model robustness and generalization, yielding a mean classification accuracy of 97.94% ± 0.42%, indicating consistent predictive performance across data splits. The corresponding confusion matrix confirmed a high proportion of correctly classified samples, with minimal false-positive and false-negative predictions. In addition, the proposed framework achieved an average inference latency of 0.18 s per sample. Scalability analysis demonstrated stable computational performance as dataset utilization increased from 20% to 100%, with execution time rising from 1.8 s to 7.9 s while maintaining classification accuracy above 97.5%.
The proposed IoT-WQMS achieved an accuracy of 98.21%, precision of 97.86%, recall of 98.04%, F1-score of 97.95%, and a ROC-AUC of 0.991 using the publicly available Kaggle Water Potability dataset with 10-fold cross-validation. In comparison, Pati et al.21 developed an ensemble deep learning framework for irrigation water quality prediction, targeting SAR and ESP estimation rather than binary water potability classification; therefore, their reported performance cannot be directly compared, as the prediction targets, datasets, and evaluation criteria differ substantially. Similarly, Gunaprasad et al.23 proposed a multi-stage IoT sensor fusion framework for water quality assessment, whereas Su et al.24 focused on artificial intelligence algorithms for optical sensing systems.
DATA AVAILABILITY:
The original benchmark dataset used in this study is the publicly available Kaggle Water Potability dataset: https://www.kaggle.com/datasets/adityakadiwal/water-potability. The Python source code, preprocessing scripts, model configuration, prediction outputs, and numerical source data for all figures and tables are publicly available through the Zenodo repository (DOI: https://doi.org/10.5281/zenodo.21775031).
Figure 1: Sensor Data Acquisition Module. Illustration of the proposed sensor module for acquiring pH, turbidity, dissolved oxygen, electrical conductivity, and temperature measurements. Please click here to view a larger version of this figure.
Figure 2: Data Transmission & IoT Gateway Module. Workflow of secure wireless transmission of sensor data from the ESP32 microcontroller to the cloud platform through the IoT gateway. Please click here to view a larger version of this figure.
Figure 3: Cloud-Based Data Processing Module. Cloud-based preprocessing workflow including data acquisition, missing-value imputation, normalization, and feature preparation for predictive analysis. Please click here to view a larger version of this figure.
Figure 4: Predictive Analytics & Anomaly Detection Module. Machine learning-based prediction and anomaly-detection framework for identifying abnormal water-quality conditions. Please click here to view a larger version of this figure.
Figure 5: Decision Support & User Interface Module. Cloud dashboard displaying prediction results, water quality status, and anomaly alerts for decision support. Please click here to view a larger version of this figure.
Figure 6: Accuracy of Pollutant Detection. Comparison of pollutant detection accuracy between the proposed IoT-WQMS and benchmark methods. Please click here to view a larger version of this figure.
Figure 7: Real-Time Responsiveness. Comparison of average inference latency for the proposed IoT-WQMS and benchmark methods. Please click here to view a larger version of this figure.
Figure 8: System Reliability and Uptime. Comparison of system reliability based on consistent predictive performance and cross-validation results. Please click here to view a larger version of this figure.
Figure 9: Data Transmission and Processing Efficiency. Comparison of computational processing and data transmission efficiency among the evaluated methods. Please click here to view a larger version of this figure.
Figure 10: Cost-Effectiveness Analysis Ratio. Comparison of the estimated implementation cost and cost-effectiveness of the proposed IoT-WQMS. Please click here to view a larger version of this figure.
Figure 11: Performance evaluation of the proposed IoT-Enabled Water Quality Monitoring System (IoT-WQMS). Benchmark classification accuracy (a), receiver operating characteristic (ROC) analysis (b), 10-fold cross-validation stability (c), scalability analysis with increasing dataset size (d), and inference latency distribution (e) are presented to evaluate the predictive performance and computational behaviour of the framework. Please click here to view a larger version of this figure.
Discusión
Esta evaluación computacional de prueba de concepto utilizó el conjunto de datos sobre potabilidad del agua disponible públicamente en Kaggle; su desempeño está limitado por las propiedades de dicho conjunto de datos. El conjunto de datos incluye mediciones fisicoquímicas estandarizadas de la calidad del agua para la construcción de modelos predictivos; sin embargo, podría no capturar adecuadamente la variabilidad geográfica, estacional, climática y de contaminantes en diferentes cuerpos de agua naturales. Cuando se aplica a contextos geográficamente distintos o a datos de campo recopilados continuamente, la eficacia de las predicciones puede variar. La deriva en la calibración de sensores, las interferencias ambientales, el ensuciamiento biológico, la inestabilidad en las comunicaciones, el consumo de energía y la degradación del hardware no fueron cuantificados experimentalmente, ya que la arquitectura de hardware IoT propuesta no se implementó en el mundo real. El uso de datos de referencia fuera de línea en lugar de flujos de sensores en tiempo real limitó la evaluación computacional en condiciones ambientales dinámicas, incluyendo observaciones faltantes, fallos en los sensores y conectividad de red variable. La investigación sobre escalabilidad se limitó a conjuntos de datos progresivamente más grandes y no caracteriza completamente el desempeño en instalaciones IoT distribuidas a gran escala con numerosos nodos de sensores y conectividad entre la nube y el borde. Se utilizó un conjunto de prueba independiente apartado y una validación cruzada de 10 pliegues para evaluar la robustez del modelo, pero no se realizó una validación externa con conjuntos de datos de campo independientes; por lo tanto, el desempeño predictivo reportado refleja las condiciones de evaluación del conjunto de referencia y no condiciones operativas universales.
Los resultados experimentales muestran que el Sistema de Monitoreo de Calidad del Agua Habilitado para IoT (IoT-WQMS) es un marco viable de prueba de concepto para la evaluación inteligente de la calidad del agua, utilizando un conjunto de datos de referencia público. El análisis asistido por la nube y el aprendizaje automático pueden distinguir de manera confiable muestras de agua potable y no potable, al tiempo que preservan la eficiencia computacional para el monitoreo ambiental casi en tiempo real. Estos resultados sugieren que los marcos analíticos basados en datos podrían mejorar significativamente la oportunidad y la consistencia de la evaluación de la calidad del agua en comparación con las técnicas basadas en laboratorio, que dependen de muestreos periódicos y análisis tardíos. El IoT-WQMS propuesto superó a la Regresión Logística, el Árbol de Decisión, el Bosque Aleatorio y el Gradiente Extremo Potenciado en rendimiento predictivo y estabilidad, a pesar del aumento en las demandas computacionales. La preparación sistemática de datos, la normalización de características y la predicción inteligente mejoraron la confiabilidad de la clasificación con un costo computacional mínimo. La investigación sobre escalabilidad muestra que el aumento del volumen de datos afecta principalmente el tiempo de ejecución sin reducir el rendimiento predictivo, lo que hace que el marco sea adecuado para aplicaciones de monitoreo ambiental a gran escala. El marco proporciona una arquitectura conceptual para sistemas inteligentes de monitoreo ambiental, lo que amplía su aplicabilidad más allá del modelado predictivo. Las tecnologías de sensores de bajo costo, la comunicación inalámbrica, la gestión de datos basada en la nube y la predicción automatizada permiten la vigilancia de recursos hídricos, la identificación rápida de condiciones anómalas de calidad del agua y el apoyo oportuno a la toma de decisiones para agencias ambientales, plantas de tratamiento de agua, monitoreo industrial y agricultura de precisión. Este estudio tiene varias limitaciones. El diseño de hardware IoT propuesto es una prueba de concepto, y la evaluación experimental utilizó únicamente el conjunto de datos públicos de potabilidad del agua de Kaggle. No se probaron problemas ambientales como la calibración a largo plazo de sensores, interrupciones en la comunicación, deriva del sensor, bioincrustación ni fluctuaciones estacionales. Además, el conjunto de datos carece de mediciones ambientales como oxígeno disuelto y conductividad eléctrica, lo que limita el estudio computacional de estos aspectos. Estudios futuros validarán la arquitectura propuesta mediante implementaciones reales de IoT y la recolección continua de datos ambientales con dispositivos sensores integrados de múltiples parámetros. Investigaciones adicionales emplearán modelos sofisticados de aprendizaje profundo, algoritmos adaptativos de detección de anomalías, inteligencia artificial interpretable y aprendizaje federado para mejorar la generalización predictiva y la interpretabilidad del modelo. Las ciudades inteligentes, el monitoreo de aguas residuales industriales, la agricultura de precisión y las iniciativas de sostenibilidad ambiental se beneficiarán del cómputo en el borde, las tecnologías de gemelo digital y los mecanismos seguros de intercambio distribuido de datos para mejorar la escalabilidad, la confiabilidad y el apoyo a la toma de decisiones en la gestión inteligente de los recursos hídricos.
Figura 11 presenta la evaluación integral del rendimiento del sistema propuesto de monitoreo de calidad del agua habilitado para IoT (IoT-WQMS). Los resultados demuestran que el marco propuesto alcanzó una precisión de clasificación del 98,21 %, superando a los clasificadores de aprendizaje automático de referencia evaluados en este estudio. El análisis de la característica operativa del receptor arrojó un valor ROC-AUC de 0,991, lo que indica una excelente discriminación entre muestras de agua potable y no potable. Los resultados de la validación cruzada confirman además la solidez y estabilidad del modelo predictivo, con una precisión media del 97,94 % ± 0,42 % en diez iteraciones de validación. El análisis de escalabilidad muestra que el tiempo de ejecución aumentó gradualmente de 1,8 s a 7,9 s a medida que la utilización del conjunto de datos creció del 20 % al 100 %, manteniendo al mismo tiempo una precisión de clasificación superior al 97,5 %. Además, la latencia promedio de inferencia fue de 0,18 s por muestra, lo que demuestra la eficiencia computacional del marco propuesto para la evaluación de la calidad del agua en tiempo casi real.
La implementación prototípica de la arquitectura de IoT sugerida, utilizando un microcontrolador ESP32, módulos sensores de bajo costo y procesamiento basado en la nube, cuesta aproximadamente 65 USD (≈ 5.500 INR), considerablemente menos que los sistemas estándar de evaluación de calidad del agua en laboratorio. Esta configuración automatiza el monitoreo continuo y la toma de decisiones basada en datos. El costo del hardware se estimó a partir de los precios comerciales acumulados de componentes disponibles en el mercado, incluyendo una placa de desarrollo ESP32 (8,50 USD), un módulo sensor de pH (12,00 USD), un sensor de turbidez (9,50 USD), un sensor de temperatura DS18B20 (3,00 USD), una fuente de alimentación de 5 V (6,00 USD), una caja prototipo (8,00 USD), una placa de pruebas y accesorios de interconexión (4,00 USD), y componentes misceláneos de ensamblaje (14,00 USD).
Este estudio presentó un marco computacional de prueba de concepto para un sistema de monitoreo de calidad del agua habilitado para Internet de las Cosas (IoT-WQMS) utilizando el conjunto de datos públicos de potabilidad del agua de Kaggle. El marco propuesto integra una arquitectura de sensores IoT ilustrativa, procesamiento de datos asistido por la nube y predicción de potabilidad del agua basada en aprendizaje automático, con el fin de evaluar la viabilidad del análisis computacional inteligente para la evaluación de la calidad del agua. La evaluación experimental demostró un alto rendimiento predictivo, alcanzando una exactitud del 98,21 %, una precisión del 97,86 %, una recuperación del 98,04 %, una puntuación F1 del 97,95 % y un ROC-AUC de 0,991. La robustez del modelo se confirmó mediante validación cruzada de 10 pliegues, obteniendo una exactitud media de 97,94 % ± 0,42 % y una latencia media de inferencia de 0,18 s por muestra. El análisis de escalabilidad mostró un rendimiento computacional estable a medida que el uso del conjunto de datos aumentó del 20 % al 100 %. Estos hallazgos respaldan la eficacia del marco computacional propuesto para la predicción basada en aprendizaje automático de la potabilidad del agua en un conjunto de datos de referencia. La arquitectura IoT propuesta se presenta como un marco conceptual de implementación y no fue validada experimentalmente mediante la instalación de sensores en condiciones reales. Los trabajos futuros se centrarán en implementar y validar el marco utilizando hardware IoT con múltiples sensores en condiciones de campo, incorporando parámetros adicionales de calidad del agua e investigando técnicas avanzadas de inteligencia artificial para mejorar la generalización predictiva, la detección adaptativa de anomalías y la aplicabilidad práctica en el monitoreo real de la calidad del agua.
Divulgaciones
Conflicto de intereses: Los autores declaran que no existen conflictos de intereses.
Agradecimientos
Financiamiento: Esta investigación no recibió ninguna subvención específica de ninguna agencia financiera en los sectores público, comercial o sin fines de lucro.
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Protoboard y cables jumper | Proveedor genérico de electrónica | MB-102 / Kit Dupont | Interconexión eléctrica de módulos de hardware |
| Plataforma de computación en la nube | Google Firebase | Almacenamiento, visualización y acceso remoto de los datos de monitoreo | |
| Biblioteca de cifrado de datos | OpenSSL Foundation | Biblioteca AES-256 | Transmisión segura de datos de sensores |
| Sensor de conductividad eléctrica | Medición de la conductividad eléctrica del agua | ||
| Placa de desarrollo ESP32 | Espressif Systems | ESP32-WROOM-32 | Interfaz con sensores, procesamiento local y comunicación inalámbrica |
| Conjunto de datos de potabilidad del agua de Kaggle | Kaggle | Conjunto de datos de potabilidad del agua | Desarrollo del modelo, entrenamiento y evaluación del rendimiento |
| Módulo de tarjeta MicroSD | Proveedor genérico de electrónica | Módulo MicroSD Catalex | Almacenamiento temporal y local de mediciones de sensores |
| Módulo sensor de pH | DFRobot | SEN0161-V2 | Medición de la acidez y alcalinidad del agua |
| Sensor de detección de contaminantes | Atlas Scientific | Serie de sensores EZO | Estimación de la concentración de contaminantes |
| Fuente de alimentación | Mean Well | RS-15-5 | Fuente de alimentación estable para el sistema de monitoreo |
| Entorno de programación Python | Python Software Foundation | Python 3.11 | Preprocesamiento de datos, desarrollo del modelo y evaluación del rendimiento |
| Sensor de temperatura | Maxim Integrated | DS18B20 | Medición de la temperatura del agua |
| Sensor de turbidez | DFRobot | SEN0189 | Medición de la turbidez del agua |
| Visual Studio Code | Microsoft | Versión 1.x | Implementación y depuración del software |
| Módulo de comunicación Wi-Fi | Espressif Systems | Wi-Fi integrado ESP32 | Transmisión inalámbrica de los datos de monitoreo |
Referencias
- 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.