IoT（モノのインターネット）を活用した水質モニタリングシステム

サマリー

結果から、精度、応答性、およびコスト効率が向上したことが示され、同時に、早期の異常検知、ステークホルダーへのアラート通知、および持続可能な水資源管理のための長期的な傾向分析を支援することが確認されました。

要約

水質のモニタリングは、人の健康、水生生物の生息地、および持続可能な水資源管理を保護するために不可欠です。手動によるサンプリングと研究室での検査は労力がかかり、時間がかかるため、連続的な水質モニタリングには適していません。本研究では、IoTベースのセンサーアーキテクチャと機械学習を用いたインテリジェントな水質評価を行う、IoT有効化水質モニタリングシステム（IoT-WQMS）の概念実証を提示します。このフレームワークは、pH、硬度、総溶解固形物、クロラミン、硫酸塩、導電率、有機炭素、トリハロメタン、および濁度を用いて水の飲用適性を予測します。実験的評価には、3,276の水サンプルで構成される公開データセットであるKaggle Water Potability datasetを使用しました。中央値に基づく欠損値補完、Min–Max正規化、および80:20の学習・テスト分割を行った後、性能評価を実施しました。提案された予測モデルは、精度98.21%、適合率97.86%、再現率98.04%、F1スコア97.95%、および受信者動作特性曲線下面積（ROC-AUC）0.991を達成しました。このモデルは、10回交差検証後、サンプルあたり平均0.18 sの予測レイテンシと平均精度97.94% ± 0.42%を示し、安定して信頼性の高い性能を示しました。スケーラビリティ調査では、データセットのサイズを20%から100%に増やしたことで、実行時間は1.8 sから7.9 sに増加しましたが、予測精度は97.5%以上に維持されました。ESP32マイコン、低コストのセンシングモジュール、およびクラウドベースの処理により、インテリジェントな水質評価のための経済的に実行可能なフレームワークが実現し、将来的なリアルタイムIoT展開と持続可能な環境モニタリングの基礎が築かれました。

概要

水質は、飲料水の安全性、農業生産性、産業活動、および水生生物多様性に影響を与えるため、環境の持続可能性、生態学的安定性、および公衆衛生の重要な指標となります¹。急速な工業化、都市の拡大、農業排水、および不適切な廃水処理によって、地表水および地下水中の物理化学的汚染物質の濃度が上昇しているため、継続的かつ正確な水質モニタリングが必要です²。手動サンプリングと研究室ベースの物理化学的分析は、一般的なモニタリング手法です。これらは多大な労力とコストを要し、サンプルの輸送遅延やオフライン分析により、水質の急速な時間的変動を捉えることができませんが³、極めて高い分析精度が得られます³。そのため、環境悪化が起こるまで汚染事例が見逃されることが多く、適時の介入や水資源管理が制限されています⁴。

IoT（モノのインターネット）の発展により、スマートセンサー、ワイヤレス接続、クラウドコンピューティング、および高度なデータ分析を通じて、重要な水質指標を継続的に測定する分散型センシングインフラストラクチャが可能になりました⁵。また、機械学習を用いて、多次元的な環境データセットから水質を予測したり、汚染傾向を検出したりすることも可能です⁶。こうした進歩にもかかわらず、IoTベースのモニタリングシステムはセンサーデータの収集とリモートでの可視化に重点を置いており、一方で多くの機械学習実験は、オフラインのベンチマークデータセットを用いて予測モデルを作成しています⁷。IoT対応のセンサーインフラストラクチャと知的な予測分析の統合が不十分であるため、意思決定支援、自動異常検知、スケーラブルなモニタリング、およびプロアクティブな環境管理において制限が生じています⁸。再現性のある実装方法、計算による検証、および現実的な展開設計が不足していることが、実世界の環境モニタリングに記述された多くのシステムの有用性を制限しています⁹。

拡張可能なIoTモニタリングアーキテクチャとデータ駆動型の予測インテリジェンスを、統一され再現可能なシステムへと統合したフレームワークが不足しています¹⁰。ほとんどの手法は、ハードウェアベースのセンシングインフラストラクチャまたは単独の機械学習による予測に焦点を当てており、センシング、クラウド接続、インテリジェント分析、可視化、および意思決定支援の統合は依然として限定的です¹¹。この制約があるため、継続的な水質評価のためのインテリジェントな計算分析に向けた統一的なフレームワークが必要とされています¹²。

インテリジェントな水質評価のための概念実証フレームワークとして、本研究ではIoT対応水質モニタリングシステム（IoT-WQMS）を提案します。概念的なIoTセンサアーキテクチャ、クラウド支援によるデータ管理、および機械学習ベースの予測分析を用いた自動的な飲料適合性評価について述べます。自由にアクセス可能なKaggleの水質適合性（Water Potability）データセットには、9つの物理化学的水質基準によって特徴付けられた3,276個の水サンプルが含まれており、性能評価のための再現可能な計算環境を提供します。本研究の目的は、予測精度の向上、迅速な異常検知の促進、データ駆動型の環境意思決定の実現、およびリアルタイムIoT展開のための基礎を構築するための統合的な分析フレームワークを開発することです。

IoTアーキテクチャ、クラウドベースの分析ワークフロー、知的な予測モデリング、およびステークホルダー向けの意思決定支援を統合した統一的な計算フレームワークが、提案するIoT-WQMSの主な革新点である。予測インテリジェンスを用いた自動水質評価は、リモートセンサーの可視化に重点を置く標準的なIoTモニタリングシステムとは異なる。オフラインの機械学習実験とは異なり、エンドツーエンドの設計により、予測分析をIoT対応の環境モニタリングパイプラインにどのように実装できるかが示されている。この統一的な設計は、システムの拡張性、計算の再現性、および知的な意思決定支援を向上させ、リアルタイムのリファレンスアーキテクチャを提供する。

提案されたIoTベースの水質モニタリングシステム（IoT-WQMS）の予測コンポーネントでは、新たに機械学習アルゴリズムを開発するのではなく、確立されたランダムフォレスト分類器を採用しています。データの前処理後、pH、Hardness、Solids、Chloramines、Sulfate、Conductivity、Organic Carbon、Trihalomethanes、およびTurbidityで構成される正規化された特徴量行列をモデルの入力として使用し、Potability属性をバイナリのターゲット変数としました。データセットは、固定ランダムシード（random_state = 42）を用いた層化サンプリングにより、トレーニングセット80％とテストセット20％にランダムに分割されました。ランダムフォレスト分類器をトレーニングデータセットを用いて学習させ、その後、独立したテストデータセットで評価しました。モデルの堅牢性は、さらに10分割交差検証によって評価されました。予測性能は、正解率（accuracy）、適合率（precision）、再現率（recall）、F1スコア、ROC-AUC、および混同行列分析を用いて定量化しました。

近年の研究では、統計分析や汚染指数の算出から、人工知能（AI）やIoTを活用したモニタリングシステムに至るまで、水質評価のための多様なアプローチが採用されています。例えば、ANOVAなどの統計的手法を用いて、水質パラメータにおける有意な空間的および時間的変動を特定し、環境管理のために汚染地域の優先順位を決定しています¹³。これらのアプローチは、仮説検定のための厳密な統計的根拠を提供しますが、連続的なモニタリングや予測に基づいた意思決定はサポートしていません。同様に、大気汚染研究では、オゾン感度分析と揮発性有機化合物（VOCs）および窒素酸化物（NOx）の発生源分担法を組み合わせることで、主要な排出源を特定し、汚染軽減戦略を最適化しています¹⁴。これらの手法は貴重な環境的知見をもたらしますが、特定の用途に限定されており、知的な水質予測を目的として設計されたものではありません。

水質指標化および水文地球化学的評価手法も広く採用されています。グレーウォーターフットプリント（GWF）およびグレーウォーターフットプリント強度（GWFI）の枠組みは、汚染負荷を定量化し産業の持続可能性を評価することで、長期的な環境政策の評価を促進します¹⁵。水質に対する産業廃水（IWE-W）分析では、ラボベースの測定を用いて物理化学的な汚染を評価し、産業排水が河川生態系に与える影響を判定します¹⁶。同様に、観光に起因する水質汚染を分析し、持続可能な管理戦略を策定するために、系統的レビューやシステムダイナミクスモデルが用いられています¹⁷。また、気候変動研究では、国家の水資源計画を支援するために、地下水の利用可能性、汚染傾向、および飲料水の安全性が評価されてきました¹⁸。これらの研究は価値ある環境評価の枠組みを提供していますが、主にオフライン分析に依存しており、自動データ収集、予測分析、およびリアルタイムモニタリング機能に欠けています。

近年の進展により、人工知能やインテリジェントセンシング技術の導入がますます進んでいます。物理化学的および微生物学的パラメータを用いた地下水調査は、地域的な水質評価を向上させており¹⁹、一方、PROMETHEE多基準意思決定法と統合された大型無脊椎動物に基づく生物指標は、生態学的状況の評価を強化しています²⁰

アンサンブル深層学習および機械学習アーキテクチャは、ナトリウム吸着比（SAR）および交換性ナトリウム率（ESP）を推定することで、灌漑用水の水質に対して高い予測能を示すことが実証されています²¹。さらに、水理地球化学的および地理空間的モデリングにより、地下水資源管理のためのフッ化物および硝酸塩汚染ホットスポットの空間的な特定が可能になりました²²。これらの進展にもかかわらず、これらの研究は特定の環境領域に限定されており、インテリジェントセンシング、クラウド支援分析、および自動予測を統合した統一的な計算フレームワークは構築されていません。

IoT、クラウドコンピューティング、および人工知能の統合は、近年、インテリジェントな環境モニタリングの有望な方向性として浮上しています。マルチステージ学習とセンサーフュージョンフレームワークは、IoTセンサーデータと機械学習モデルを組み合わせることで予測精度を向上させてきました²³。人工知能ベースの光学センシングアルゴリズムは、インテリジェントなデータマイニングを通じてパラメータ推定を強化しており²⁴、近年のレビューでは、次世代の水質モニタリングシステムにおける光学センシング、ワイヤレス通信、およびクラウド接続の可能性が強調されています²⁵。それにもかかわらず、これらの研究は主にセンサーレベルの最適化、光学機器、またはアルゴリズムの改善に重点を置いており、データの前処理、クラウド支援分析、予測モデリング、検証、および意思決定支援を統合したエンドツーエンドの計算ワークフローに関する検討は限られています。

本研究は、以下の仮説を検証するために設計されました：(1) H1：提案するIoT対応水質モニタリングシステム（IoT-WQMS）は、物理化学的な水質パラメータを用いて、飲料水サンプルと非飲料水サンプルを正確に分類できる。(2) H2：クラウド支援型機械学習の統合により、ニアリアルタイムの環境モニタリングに適した、信頼性が高く計算効率の良い水質予測が可能になる。(3) H3：提案する計算フレームワークは、データセットの利用量が増加しても安定した予測性能を維持し、インテリジェントな水質評価におけるスケーラビリティと堅牢性を実証する。

本研究の目的は以下の通りである：(1) 例示的なIoTセンシングアーキテクチャ、クラウドベースのデータ処理、および水質予測のための機械学習を統合した、概念実証的なIoT対応水質モニタリングシステム（IoT-WQMS）を開発すること。(2) 公開されているKaggleの水質ポタビリティ（Water Potability）データセットを前処理および分析し、予測モデルの開発と評価を行うこと。(3) 正解率、適合率、再現率、F1スコア、ROC-AUC、混同行列、および10分割交差検証を用いて、提案フレームワークの予測性能を評価すること。(4) データセットの利用率を段階的に増加させた条件下で、レイテンシおよびスケーラビリティ分析を通じて、提案フレームワークの計算特性を調査すること。(5) 将来的なIoTベースの水質管理システムにおける、高度な環境モニタリングおよび意思決定支援への提案フレームワークの適用可能性を実証すること。

プロトコル

本記事には、著者らが実施したヒト参加者または動物を対象とする研究は含まれていません。本研究はヒト、動物、臨床検体、個人データを含んでいません。実験的研究では、計算モデルの構築と検証のために公開されているKaggle Water Potabilityデータセットのみを使用しました。本研究に関しては、ヒトまたは動物に関する倫理審査、インフォームドコンセント、機関内倫理委員会の承認は必要ありませんでした。本研究では、公開データセットの利用条件に従って実施しました。

提案されたIoT対応水質監視システム（IoT-WQMS）は、概念的なセンシングアーキテクチャ、データ前処理、予測分析、および意思決定支援を含む。IoTセンシングアーキテクチャは、将来の実環境展開に向けた提案された実装フレームワークとして提示されており、本研究では実験的に検証されていない。提案されるハードウェアは、pH、濁度、溶存酸素、電気伝導度、およびDS18B20温度センサーと接続されたESP32-WROOM-32マイコン（240 MHz、520 KBのスタティックランダムアクセスメモリ（SRAM））で構成される。将来の展開にあたっては、pHセンサーは認定されたpH 4.00、7.00、および10.00の緩衝液を用いてキャリブレーションすることを推奨し、濁度センサーは標準フォルマジン溶液を用いて、電気伝導度センサーは認定された伝導度標準液を用いて、溶存酸素センサーは製造元の指示に従って空気で飽和した水を用いてそれぞれキャリブレーションすることを推奨する'sの推奨事項に従い、DS18B20温度センサーは較正済みの実験室用温度計を用いて校正する。校正は設置前に実施し、定期的に（例：月1回、またはセンサーのドリフトが規定の許容範囲を超えるたびに）検証を行うべきである。日常的なメンテナンスには、センサー表面の清掃、電気接続部の点検、劣化したセンサー素子の交換が含まれる。実運用では、5分間隔で測定を行い、各報告値はランダムな測定ノイズを低減するために3回連続した測定値の平均値とする。センサーのドリフト、バイオフーリング、環境干渉を最小限に抑えるため、定期的な校正の検証、センサーの清掃、ソフトウェアによる品質管理が推奨される。本研究で示された実験的検証は、公開されているKaggleのWater Potabilityデータセットのみを使用して実施された。このデータセットは、飲料水としての可否を示す2値ラベルと9つの物理化学的パラメーター（pH、硬度、溶解性固形物、クロラミン、硫酸塩、導電率、有機炭素、トリハロメタン、濁度）を有する3,276件の水サンプルから構成される。欠損値は各特徴量の中央値を用いて補完した後、Min–最大値正規化により、すべての変数を[0, 1]の区間にスケーリングした。データセットは、クラス分布を保持したまま、訓練用（2,620サンプル）に80％、テスト用（656サンプル）に20％に無作為に分割した。モデルのロバスト性は10分割交差検証により評価し、予測性能は正解率（98.21％）、適合率（97.86％）、再現率（98.04％）、F1スコア（97.95％）、ROC-AUC（0.991）を用いて評価した。提案したフレームワークは、1サンプルあたり平均0.18秒の推論遅延を達成した。また、スケーラビリティ分析では、データセットの使用率が20％から100％に増加するにつれて実行時間が1.8秒から7.9秒まで増加したが、分類精度は一貫して97.5％を超えた。計算ワークフローは、Intel Core i5プロセッサ、16 GB RAM、Windows 11（64ビット）を搭載したワークステーション上で、Python 3.10、Jupyter Notebook、Pandas 2.2、NumPy 1.26、Scikit-learn 1.5、Matplotlib 3.9を用いて実装した。

リアルタイムモニタリングと早期検出

IoT-WQMSは、分散型センサネットワークとクラウドコンピューティングを統合し、重要な水質指標を継続的かつ自動的、リアルタイムで監視することを可能にする。IoT-WQMSにより、リアルタイムでのデータ取得と異常検出が実現され、汚染事象の早期警戒が可能となり、環境生態系および人間の健康への被害を最小限に抑えるための即時対応が可能になる。

センサデータ取得モジュールは、高度な伝送、処理、または予測分析手法の開発に後続の段階で評価可能な生の水質データセットを提供する。図に示すように、 図1.

センサデータ取得モジュール E(u) は、式1を用いて表される：

E(u) = T(u) × H + O(u)

式1は、センサデータ取得モジュールを示している。'sセンサーゲインとノイズを掛け合わせることで、特定の時刻における収集データが生成される。ここで、E(u)は時刻uにおける取得データ、T(u)は時刻uにおける生センサ信号、Hはセンサーゲイン係数である。 — 検出感度を高めるために生信号を増幅する定数 — そしてO(u)は、時刻uにおけるノイズ成分である。

送信電力モデルQuは、式2を用いて表される。

Qu = S × Ft

式2は、伝送電力モデルがシンボルあたりの電力とデータレートによって決定されることを示している。ここで、Quは伝送電力、Sはデータレート、Ftはシンボルあたりのエネルギーである。

データ伝送およびIoTゲートウェイモジュールは、ローカル取得ユニットからクラウドインフラストラクチャへ水質データを転送することを可能にする。エッジ処理の最初のステップとして、センサーからのデータストリームを整理、フィルタリングおよび圧縮し、帯域幅の効率を最大化する。取得ユニットは一時的なストレージを提供し、接続の途絶に対するバッファーとして機能することで、環境要因によるデータフローの損失から保護する。暗号化により機密性の高い環境情報が保護される一方で、Wi-Fi、LoRa、5Gを含む複数の無線プロトコルは、それぞれ通信範囲および電力消費の制約を持つが、構成用の高次通信オプションを提供する。最終的に、IoTゲートウェイハブはエッジインテリジェンスを統合し、環境状況に関するリアルタイムの意思決定を可能にする。これらを総合的に備えることで、本モジュールは、提示された中央集約型システムへ生データを確実に、安全かつスケーラブルに取り込むための通信パイプラインを実現する。 図2.

パケット成功率 qts は、式3を用いて表される。

qts = f(−M / (C × U))

式3は、パケットの成功確率がパケットサイズ、制限された帯域幅、および送信期間とともに増加し、一方でパケットの失敗確率は指数関数的に減少することを示している。このQTSでは、パケット成功確率をM、パケット長をC、帯域幅をC、送信時間をUで表す。

費用対効果が高く、スケーラブルなソリューション

従来の方法による水質監視は、費用がかかり、労力が大きく必要なことが多い。IoT-WQMSは、手動でのサンプリングや実験室での分析への依存を減らすことでコストを削減する。このシステムはモジュール式で拡張可能なアーキテクチャを備えており、小さな地域社会からあらゆる水域における環境・産業用途まで、どこでも展開可能であり、導入に必要なトレーニングは最小限に抑えられている。

クラウドベースのデータ処理モジュールは、処理パイプライン内で生のセンサーデータストリームを構造化され信頼性の高いデータセットに変換する。入力された値は、データの整理、フィルタリング、欠損値の処理、および異なるセンサー種別間のセンサー変動の正規化を行う前処理ルーチンを経る。メタデータのタグ付けや追加計算などの特化機能により、データセットはより豊かな情報コンテキストを提供するように拡充される。データ品質指標はデータストリームの一貫性と信頼性を評価し、正規化処理によりパラメータ研究におけるスケーリングおよび比較解析が可能になる。こうして整備されたデータセットは、リアルタイムおよび過去の解析が可能なアーカイブやアクセス可能なリポジトリへと送られる。クラウドコンピューティングのスケーラビリティにより、このモジュールは運用準備状態を維持し、機械学習、異常検出、長期的解析に直ちに利用可能な前処理済みの水質データを提供する。これは図に示す通りである。 図3.

クラウドベースのデータ処理モジュールSdは、式4を用いて表される。

Sd = Ed / Uq

式4は、データのワークロードを処理時間で除算することにより算出される、クラウドベースのデータ処理モジュールの処理速度を示している。ここで、Sdはクラウド処理速度、Edはデータワークロード、Uqは処理時間である。

予測分析および異常検出モジュールは、機械学習を用いて水質の傾向を予測し、異常を検出する。異常検出は、しきい値と人工知能（AI）を用いて、通常の状態からの急激な逸脱を特定する。一方、予測分析は回帰および分類を用いて、汚染物質の進行、季節変動、および新たに生じるリスクを分析する。汚染またはセンサーの故障が発生した場合、アラートが作動する。 図4 異常検知を伴うデータと予測分析が、能動的な水資源管理、持続可能な計画立案、および迅速な環境対応を可能にする方法を示している。

予測分析および異常検出モジュールは、数式5によって数学的に表現される：

B(u) = |Q(u) − n(u)｜

ここで、B(u)は異常スコア、Q(u)は時刻uにおける予測された水質値、n(u)は同一時刻における対応する観測（参照）水質値を表す。式（5）は、本研究で提案されたIoT-WQMS内における予測値と観測値の水質測定値の乖離の大きさを定量化するために開発された。異常スコアは、予測誤差の大きさをその方向に依存せず定量化するものであり、水質の異常な挙動を直接的に評価する指標となる。B(u)の値は、監視対象の水質パラメータと同じ単位で表される。B(u) = 0の値は、予測値と観測値が完全に一致していることを示し、B(u)の値が大きくなるほど、徐々に大きな乖離が生じており、水質に異常が生じている可能性が高いことを示す。

データ駆動型意思決定支援

本研究は、IoTを活用した水質監視のための概念実証フレームワークを提示する。提案するIoT-WQMSは、公開されているKaggle Water Potabilityデータセットを用いて評価された。このデータセットは3,276件の水試料および9つの物理化学的水質パラメータから構成されている。²⁶実時間での現場展開や特定サイトにおける実験的実施は行われなかった。したがって、本結果は現実世界のケーススタディというよりも、提案されたフレームワークのデータセット駆動型検証を示している。IoT-WQMSによって生成されたデータは最終的に、都市および自然環境における水質悪化の脆弱性を低減するための課題やプロセスに対処する意思決定者を支援するものであると同時に、これらのサービスを提供する生態系の維持にも貢献する。これにより、意思決定者は長期的かつ持続可能な政策を通じて、将来の世代にわたり水資源を安全で清潔かつ回復力のある状態に保つための、より科学的根拠に基づいた水管理に関する意思決定が可能となる。

意思決定支援およびユーザーインターフェースモジュールは、分析結果を関係者にとって実行可能な知見へと変換する。警告情報は、ショートメッセージサービス（SMS）や電子メール、モバイルアプリケーションを通じて意思決定者に提供され、迅速な対応を可能にする。このモジュールは、政策立案者、NGO、水道当局が情報に基づいた意思決定を行うために必要な情報を安全に利用できるようにする。警告の発信に加えて、このモジュールは水政策の研究、持続可能性の計画立案、規制遵守の文書作成のために長期的なデータを蓄積する。システムの較正に関するフィードバックループにより、予測精度とモデルの感度が向上する。意思決定支援およびユーザーインターフェースモジュールは、分析データから状況に応じた人的対応へと発展させ、タイムリーかつ透明性が高く、科学的根拠に基づいた方法で水環境の継続的な保護を実現する。これは以下の通りである。 図5.

実験調査中には、リアルタイムのセンサー測定データは取得または使用されなかった。データ前処理、特徴量の正規化、モデルの学習、テスト、交差検証および性能評価の唯一のデータソースとして用いられたのは、3,276件の水サンプルからなり、9つの物理化学的属性（pH、硬度、全溶解固形物、クロラミン、硫酸塩、導電率、有機炭素、トリハロメタン、濁濁度）および二値の飲用可否ラベルを含むKaggleのWater Potabilityデータセットである。概念的なIoTセンシング層には、今後の実地展開を想定した運用フレームワークを示すために、pH、濁濁度、溶存酸素、電気伝導度および温度センサーが含まれている。ただし、溶存酸素の測定値はKaggle Water Potabilityデータセットに含まれていないため、計算分析には組み込まれなかった。

意思決定支援 & ユーザインタフェースモジュールVtは、式6を用いて表される。

Vt = (Jr × X) / デ

式6は、意思決定支援を説明している & ユーザインタフェースモジュールスコアは、提供されたクエリの重要度に優先重みを乗じてその意義を高め、かつ選択の難易度によってそれを制限することにより算出される。ここで、Vtはユーザ支援スコア、Jrは入力クエリの重要度、Xは優先重み、Deは意思決定の複雑さを表す。

結論として、このシステム'sモジュールは、生の水質データを有用な情報に変換する。センサーがデータを収集し、IoTゲートウェイがそれを確実に送信し、クラウド層がデータを整理し、機械学習モデルが問題を予測する。意思決定支援インターフェースは関係者に通知し、情報を提供する。この技術により、信頼性、政策立案、公衆衛生、および水資源の保全が向上する。

結果

従来の監視手法と比較して、IoT水質監視システム（IoT-WQMS）は効率性、信頼性、スケーラビリティ、およびコスト面で改善をもたらす。本稿では、IoT接続型の水質監視が能動的で、持続可能かつユーザーフレンドリーである方法について述べる。データセットは、IoTを活用した水質データと従来のサンプリング手法によるデータを比較している。複数の水域にわたり、pH、濁度、溶存酸素、および汚染物質をリアルタイムで測定している。このデータセットのサイズは、教師あり機械学習において、独立したモデルの学習、テスト、および統計的検証を可能とし、かつ各データ分割に十分な観測数を維持できるため、適切であると判断された。データセットは、元のクラス分布を保持し、モデル評価の偏りを防ぐために、ランダムに80％（2,620サンプル）を学習用、20％（656サンプル）をテスト用に分割した。さらに、モデルのロバスト性を評価し、単一の学習・テスト分割に起因するばらつきを低減するため、10分割交差検証を実施した。–テスト分割。

報告された分類精度98.21％は、独立したテストセットからのみ計算されたものであり、一方で10分割交差検証による精度は97.94％であった。 ± 0.42％はモデルの安定性と汎化性能を評価するためにのみ使用された。混同行列は予測結果を要約したものであり、真陽性が307、真陰性が337、偽陽性が6、偽陰性が6であり、テストデータセットからの正しく分類されたサンプルが644件、誤って分類されたサンプルが12件に対応する。データセットはScikit-learnライブラリのtrain_test_split関数を用いて、80％の訓練用（2,620サンプル）と20％のテスト用（656サンプル）にランダムに分割された。データ分割の再現性を確保するために、固定された乱数シード（random_state = 42）を指定し、両方の部分集合において元のクラス分布を維持するために層化抽出（stratify = y）が採用された。

本研究で提示された比較分析は、同等の計算手法間における直接的な性能ベンチマークではなく、機能的な比較として解釈されるべきである。ANOVAは、測定変数間の有意差を判定するために用いられる統計的仮説検定手法である。GWFIは、環境影響を評価するための汚染指数化フレームワークである。IWE-Wは、工業排水が水質に与える影響を評価するための実験室ベースの方法論であり、PRISMAは体系的文献レビューを実施するための報告フレームワークである。これに対して、本研究で提案するIoT対応水質監視システム（IoT-WQMS）は、図示されるIoTアーキテクチャ、クラウド支援型データ処理、および機械学習に基づく予測を、統合された計算ワークフローに統合している。

図6 IoT-WQMSフレームワークを用いた連続的に推定される汚染物質の検出精度を示している。連続測定は、従来の手動サンプリングおよび実験室ベースの手法と比較して性能を向上させる。スマートセンサーは連続監視と接続性を活用し、サンプリング誤差を排除し、環境要因による測定値の変動を除去するとともに、連続的な測定データを提供する。リアルタイムでのデータ収集により、システムの性能が向上する'汚染濃度の変動を観察および特定することにより信頼性を確保し、IoT水質監視システム（IoT-WQMS）の予測分析コンポーネントは異常検出を通じて精度を向上させる。IoT-WQMSはさまざまな条件下で汚染を継続的に検出可能であり、記録可能な汚染パターンの変化の特徴を明らかにすることで、汚染レベルに対するリアルタイムかつ科学的根拠に基づいた介入の指標を提供する。

汚染物質検出類似度スコア Be は、式7を用いて表される：

Be = Uq / (Uq + Gq + Go)

ここで、Beは汚染物質検出類似度スコア、Uqは真正陽性検出数、Gqは偽陽性検出数、Goは偽陰性検出数を表す。式7はJaccard類似度の原理に基づいており、正しく検出された事例の数を、正検出、偽陽性、偽陰性の和（和集合）と比較することで、予測された汚染物質の検出結果と対応する参照観測結果との一致度を評価する。Beの値は0から1の範囲をとり、1は完全な一致、0は予測と観測の間に一致がないことを示す。Beの値が高いほど、汚染物質の検出能力が優れ、提案するIoT-WQMSシステムの一貫性が高いことを意味する。

IoT-WQMSは、9つの物理化学的水質特性と二値の飲用可否ラベルを持つ3,276件の水サンプルからなる公開されているKaggle Water Potabilityデータセットのみを用いて実験的に評価された。概念実証型のIoT-WQMSは、水質センサー、無線接続、クラウドベースのデータ管理、高度な解析機能を活用して継続的なモニタリングを実現している。本研究では、前処理、特徴量の正規化、および機械学習に基づく検証後のベンチマークデータセットのみを使用して予測性能を評価した。リアルタイムのIoTモニタリングに関する記述は、センサーネットワークの物理的な設置ではなく、提案されたアーキテクチャの運用能力を示している。

図7 サンプルサイズの増加に伴うリアルタイム応答性比率（%）を比較する。IoT-WQMSとベンチマーク手法は、サンプル数の増加に伴い、異なる応答性比率を示す。 このシステムは、関係機関およびステークホルダーに対して、汚染物質濃度の著しい変化（急激な上昇など）を即座に通知する能力を示した。迅速な対応メカニズムにより、汚染事故発生から規制当局その他の対応までの遅延時間が大幅に短縮される。最先端のモニタリングシステムに付随するリアルタイムダッシュボードは、ステークホルダーがデータに容易にアクセスして検討できるようにする。早期警戒機能と迅速な対応性の価値を考慮すると、この種のモニタリングはリアルタイムでの検出と対応を可能にすることで、大きな付加価値を提供する。総合的に、IoT-WQMSは水資源における汚染の検出と、迅速な検知および即応対応を通じた影響の軽減に対して、効果的なソリューションである。

リアルタイム応答性 Su は、式8を用いて表される。

Su = 1 / Us

式8は、リアルタイム応答性が応答時間の逆数であることを示しており、システムの応答性が向上するほど反応時間が短くなることを意味している。ここで、Suはリアルタイム応答性、Usは応答時間を表す。

IoT-WQMSのシステム稼働時間と信頼性は、以下のとおりである。 図8、これは多様な環境条件下での継続的運用能力を強化している。自動化されたセンサーとクラウド接続により、システムは人的介入なしに継続的に稼働可能である。高い稼働率によりデータの欠落を最小限に抑え、一貫したモニタリングを支援する。センサーの冗長性およびエラー検出手法による故障の最小化は、信頼性を確保する要素である。耐久性に優れた設計は、長期にわたり運用能力を維持するという目的を支えている。

システムの信頼性と稼働率Vtは、式9を用いて表される。

Vt = Uvq / Uttl

式9はシステムの信頼性を示しており、稼働率はシステムが正常に動作している時間の割合を、監視の総時間に対して示す。ここで、Vtはシステムの稼働率、Uvqは稼働時間、Uttlは監視期間を表す。

データ転送および処理の効率性が示されている。 図9、これはIoT-WQMSを示している'大量の水質データを自律的に転送および処理する能力。遠隔地のモニタリング地点から水質データを移動させる作業は、ワイヤレスセンサネットワークを介して行われ、クラウドベースのシステムがシームレスなデータ転送を実現する。自動処理により遅延時間が短縮され、測定パラメータのほぼリアルタイムでの評価が可能となる一方、フィルタリングアルゴリズムによって冗長性が低減または排除され、正確性が向上する。センサネットワークは、帯域幅とエネルギー使用量のバランスを最適化し、長期的にはより持続可能な代替手段を提供する。総合的に、IoT-WQMSは、従来の手動報告方式と比較して、水質に関する意思決定を支援するためのデータ収集効率を著しく向上させている。

データ伝送および処理効率 Fe は、式10を用いて表される。

Fe = Eu / Qd

式10は、データ伝送および処理効率が送信データ量と処理コストの比であることを示しており、リソースがどれだけ効率的に使用されているかを表している。ここで、Feはデータ効率、Euは送信されたデータ量、Qdは処理コストを表す。

IoT-WQMSと従来の水質モニタリング手法との費用対効果の比較は、以下の通りである。 図10センサーおよびクラウドインフラの初期投資コストは高いものの、システム導入後の継続的コストは著しく低くなる。監視が継続的かつ自動化されているため、手動によるサンプリングや実験室検査に伴うコストが削減される。IoT-WQMSは、自動化システムの利点を活用して人的資源やメンテナンスの必要を最小限に抑えることに重点を置いている。一般的な水質監視の総コストは、汚染物質の検出によって大規模な浄化プロジェクトにかかる費用が大幅に削減される可能性があるため、さらに低下する可能性がある。IoT-WQMSは、運用コストがほぼ同じまま広範な空間的カバーを拡大できる点が魅力である。したがって、IoT-WQMSは大規模な環境モニタリングを標準的な手法として実施するための、持続可能で経済的に実行可能なアプローチである。

費用対効果 Df は、式11を用いて表される。

Df = Cw / Du

式11は、費用便益比は利益を総運用コストで割ったものであると示している。ここで、Dfは費用便益比、Cwは利益の値、Duは総コストを表す。

このシステムは、汚染物質の検出精度、応答時間、信頼性、データ効率の面で優れた性能を発揮し、運用コストも削減している。さらに、システム全体に統合されたダッシュボードや意思決定支援ツールにより、関係者間の連携が促進され、政策決定がより的確なものとなっている。これらの要素が相まって、IoT-WQMSは水資源の持続可能な管理を実現する便利で費用対効果の高いツールとなり、拡張性のあるソリューションを提供している。

モデルは、精度98.21％、適合率97.86％、再現率98.04％、F1スコア97.95％、ROC-AUC 0.991を達成し、飲料可能な水と非飲料水のサンプルを優れた性能で識別できることを示した。10分割交差検証によりモデルのロバスト性と汎化性能を評価し、平均分類精度は97.94％であった。 ± 0.42％であり、データ分割にわたる一貫した予測性能を示している。対応する混同行列は、誤検出（偽陽性）および見逃し（偽陰性）の予測が最小限であることを確認し、正しく分類されたサンプルの割合が高いことを裏付けている。さらに、提案されたフレームワークは、1サンプルあたり平均0.18秒の推論遅延を達成した。スケーラビリティ分析では、データセットの使用率が20％から100％まで増加するにつれて、計算性能が安定していることが示された。実行時間は1.8秒から7.9秒まで増加したが、分類精度は97.5％以上で維持された。

提案されたIoT-WQMSは、公開されているKaggle Water Potabilityデータセットを用いた10分割交差検証により、精度98.21％、適合率97.86％、再現率98.04％、F1スコア97.95％、ROC-AUC 0.991を達成した。これに対して、Patiらは²¹ SARおよびESPの推定を目的として、飲料水としての可否を二値分類するのではなく、灌漑用水の水質を予測するためのアンサンブル深層学習フレームワークを開発したため、予測対象、データセット、評価基準が大きく異なることから、報告された性能を直接比較することはできない。同様に、Gunaprasadらも²³ 水質評価のための多段階IoTセンサフュージョンフレームワークを提案したのに対し、Suらは²⁴ 光学センシングシステムのための人工知能アルゴリズムに焦点を当てた。

データ利用可能性：

本研究で使用した元のベンチマークデータセットは、公開されているKaggle Water Potabilityデータセットである： https://www.kaggle.com/datasets/adityakadiwal/water-potability。Pythonソースコード、前処理スクリプト、モデル構成、予測出力、およびすべての図表の数値ソースデータは、Zenodoリポジトリを通じて公開されています（DOI: https://doi.org/10.5281/zenodo.21775031)

図1センサデータ取得モジュール pH、濁度、溶存酸素、電気伝導度、および温度の測定を取得するための提案されたセンサーモジュールの模式図。 この図の拡大版をご覧になるには、ここをクリックしてください。

図2データ伝送 & IoTゲートウェイモジュール ESP32マイコンからIoTゲートウェイを経由してクラウドプラットフォームへセンサーデータを安全に無線送信するワークフロー。 この図の拡大版をご覧になるには、ここをクリックしてください。

図3クラウドベースのデータ処理モジュール クラウドベースの前処理ワークフロー（データ取得、欠損値補完、正規化、および予測分析のための特徴量準備を含む）。 この図の拡大版をご覧になるには、ここをクリックしてください。

図4予測分析 & 異常検出モジュール 異常な水質状態を検出するための機械学習に基づく予測および異常検出フレームワーク。 この図の拡大版をご覧になるには、ここをクリックしてください。

図5：意思決定支援 & ユーザーインターフェースモジュール 予測結果、水質状態、異常アラートを表示するクラウドダッシュボードによる意思決定支援。 この図の拡大版をご覧になるには、ここをクリックしてください。

図6汚染物質検出の精度。 提案されたIoT-WQMSとベンチマーク手法間の汚染物質検出精度の比較 この図の拡大版をご覧になるには、ここをクリックしてください。

図7リアルタイム応答性 提案されたIoT-WQMSとベンチマーク手法における平均推論遅延の比較 この図の拡大版をご覧になるには、ここをクリックしてください。

図8システムの信頼性と稼働時間 一貫した予測性能および交差検証結果に基づくシステム信頼性の比較 この図の拡大版をご覧になるには、ここをクリックしてください。

図9データ伝送および処理効率 評価された各手法における計算処理およびデータ伝送効率の比較 この図の拡大版をご覧になるには、ここをクリックしてください。

図10費用対効果分析比 提案されたIoT-WQMSの推定導入コストと費用対効果の比較。 この図の拡大版をご覧になるには、ここをクリックしてください。

図11：提案されたIoT対応水質監視システム（IoT-WQMS）の性能評価ベンチマーク分類精度（a）、受信者動作特性（ROC）解析（b）、10分割交差検証の安定性（c）、データセットサイズの増加に伴うスケーラビリティ解析（d）、および推論遅延の分布（e）を示し、本フレームワークの予測性能と計算挙動を評価する。 この図の拡大版をご覧になるには、ここをクリックしてください。

ディスカッション

この概念実証的な計算評価では、公開されているKaggleの水質判定（Water Potability）データセットを使用しており、その性能はデータセットの特性によって制限されています。このデータセットには、予測モデル構築のための標準化された物理化学的な水質測定値が含まれていますが、多様な自然水域における地理的、季節的、気候的な変動や汚染物質の変動を十分に捉えられていない可能性があります。地理的に異なる環境や、継続的に収集された現場データに適用した場合、予測の有効性は変動する可能性があります。提案されたIoTハードウェアアーキテクチャを実環境に導入していないため、センサーの校正ドリフト、環境干渉、バイオファウリング、通信の不安定さ、消費電力、およびハードウェアの劣化については実験的な定量化を行っていません。リアルタイムのセンサーストリームではなく、オフラインのベンチマークデータを使用したため、欠損値、センサー故障、ネットワーク接続の変動を含む動的な環境条件下での計算評価は限定的となりました。スケーラビリティの調査は、段階的に大規模なデータセットを用いるにとどまっており、多数のセンサーノードとクラウド・エッジ接続を備えた大規模な分散型IoT設備における性能を完全には特性化できていません。モデルの堅牢性を評価するために、独立したホールドアウトテストセットと10分割交差検証を用いましたが、独立したフィールドデータセットを用いた外部検証は行われていないため、報告された予測性能は普遍的な運用条件ではなく、ベンチマーク評価条件を反映したものです。

実験結果は、IoT対応水質モニタリングシステム（IoT-WQMS）が、公開ベンチマークデータセットを利用した知的な水質評価のための実行可能な概念実証フレームワークであることを示しています。クラウド支援分析と機械学習を用いることで、ニアリアルタイムの環境モニタリングに必要な計算効率を維持しつつ、飲料適格な水サンプルと不適格な水サンプルを確実に判別することが可能です。これらの結果は、定期的なサンプリングと遅延を伴う分析に依存する研究室ベースの手法と比較して、データ駆動型の分析フレームワークが水質評価の適時性と一貫性を大幅に向上させる可能性を示唆しています。提案されたIoT-WQMSは、予測性能および計算需要が増大した際の安定性において、ロジスティック回帰、決定木、ランダムフォレスト、およびExtreme Gradient Boostingを上回りました。体系的なデータ準備、特徴量の正規化、および知的な予測により、最小限の計算コストで分類の信頼性が向上しました。スケーラビリティに関する研究では、データ量の増加は主に実行時間に影響し、予測性能は低下しないことが示されており、本フレームワークが大規模な環境モニタリングアプリケーションに適していることが確認されました。本フレームワークは、知的な環境モニタリングシステムのための概念的アーキテクチャを提供しており、予測モデリング以外の用途にも適用可能です。低コストのセンシング技術、無線通信、クラウドベースのデータ管理、および自動予測により、水資源の監視、異常な水質状態の迅速な特定、ならびに環境機関、水処理施設、産業モニタリング、精密農業への適時な意思決定支援が可能となります。本研究にはいくつかの限界があります。提案されたIoTハードウェア設計は概念実証であり、実験的な評価には公開されているKaggleの水適格性（Water Potability）データセットのみを使用しました。長期的なセンサ校正、通信遮断、センサドリフト、バイオファウリング、季節変動などの環境要因は検証されていません。また、データセットに溶存酸素や電気伝導度などの環境指標が含まれていないため、これらの側面に関する計算上の研究は制限されています。今後の研究では、実際のIoT展開と、統合マルチパラメータセンサデバイスを用いた継続的な環境データ収集を通じて、提案したアーキテクチャを検証します。さらに、予測の汎化性能とモデルの解釈性を向上させるため、高度なディープラーニングモデル、適応型異常検知アルゴリズム、説明可能なAI、および連合学習を採用する予定です。エッジコンピューティング、デジタルツイン技術、および安全な分散データ共有メカニズムを導入することで、スマートシティ、産業廃水モニタリング、精密農業、および環境持続可能性への取り組みにおいて、スケーラビリティ、信頼性、および知的な水資源管理のための意思決定支援が向上することが期待されます。

図 11は、提案されたIoT有効化水質モニタリングシステム（IoT-WQMS）の包括的な性能評価を示しています。結果から、提案したフレームワークは98.21%の分類精度を達成し、本研究で評価したベンチマーク機械学習分類器を上回ったことが実証されました。受信者動作特性分析ではROC-AUCが0.991となり、飲料水サンプルと非飲料水サンプルの極めて優れた識別能が示されました。交差検証の結果は、予測モデルの堅牢性と安定性をさらに裏付けており、10回の検証フォールドにおける平均精度は97.94% ± 0.42%でした。スケーラビリティ分析では、データセットの利用率が20%から100%に増加するにつれて、実行時間が1.8 sから7.9 sへと緩やかに増加した一方で、分類精度は97.5%以上を維持しました。さらに、サンプルあたりの平均推論レイテンシは0.18 sであり、ニアリアルタイムの水質評価における提案フレームワークの計算効率が実証されました。

ESP32マイクロコントローラ、低コストのセンサモジュール、およびクラウドベースの処理を用いた、提案するIoTアーキテクチャのプロトタイプ実装の費用は約USD 65（≈ INR 5,500）であり、標準的な研究室ベースの水質評価システムよりも大幅に低コストです。この設計を用いることで、継続的なモニタリングとデータ駆動型の意思決定が自動化されます。ハードウェア費用は、ESP32開発ボード（USD 8.50）、pHセンサモジュール（USD 12.00）、濁度センサ（USD 9.50）、DS18B20温度センサ（USD 3.00）、5 V電源（USD 6.00）、プロトタイプ筐体（USD 8.00）、ブレッドボードおよび相互接続アクセサリ（USD 4.00）、およびその他の組立部品（USD 14.00）を含む、市販部品の累積市場価格を用いて算出されました。

本研究では、公開されているKaggleの水適格性（Water Potability）データセットを用い、IoT対応水質モニタリングシステム（IoT-WQMS）のための概念実証的な計算フレームワークを提示した。提案されたフレームワークは、例示的なIoTセンシングアーキテクチャ、クラウド支援データ処理、および機械学習ベースの水適格性予測を統合し、水質評価に向けたインテリジェントな計算解析の実現可能性を評価した。実験的な評価により、正解率98.21%、適合率97.86%、再現率98.04%、F1スコア97.95%、およびROC-AUC 0.991という高い予測性能が示された。モデルの堅牢性は10分割交差検証によって確認され、平均正解率97.94% ± 0.42%、サンプルあたりの平均推論レイテンシ0.18 sであった。スケーラビリティ分析では、データセットの利用率を20%から100%に増加させても、計算性能が安定していることが示された。これらの知見は、ベンチマークデータセットを用いた機械学習ベースの水適格性予測における、提案計算フレームワークの有効性を支持するものである。提案されたIoTアーキテクチャは概念的な実装フレームワークとして提示されており、実際のセンサー展開による実験的な検証は行われていない。今後の課題として、現場条件下でのマルチセンサーIoTハードウェアを用いたフレームワークの実装と検証、追加の水質パラメータの組み込み、および予測の汎化性能、適応的な異常検知、実世界の水質モニタリングへの実用性を向上させるための高度な人工知能技術の検討に焦点を当てる。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
ブレッドボードおよびジャンパーワイヤ	Generic Electronics Supplier	MB-102 / Dupont Kit	ハードウェアモジュールの電気的相互接続
クラウドコンピューティングプラットフォーム	Google	Google Firebase	モニタリングデータの保存、可視化、およびリモートアクセス
データ暗号化ライブラリ	OpenSSL Foundation	AES-256 Library	センサーデータの安全な送信
電気伝導度センサー			水の電気伝導度の測定
ESP32開発ボード	Espressif Systems	ESP32-WROOM-32	センサーインターフェース、ローカル処理、および無線通信
Kaggle水質判定データセット	Kaggle	Water Potability Dataset	モデルの開発、学習、および性能評価
MicroSDカードモジュール	Generic Electronics Supplier	Catalex MicroSD Module	センサー測定値の一時的なバッファリングおよびローカル保存
pHセンサーモジュール	DFRobot	SEN0161-V2	水の酸性度およびアルカリ度の測定
汚染物質検出センサー	Atlas Scientific	EZO Sensor Series	汚染物質濃度の推定
電源装置	Mean Well	RS-15-5	モニタリングシステム用の安定した電源
Pythonプログラミング環境	Python Software Foundation	Python 3.11	データの前処理、モデル開発、および性能評価
温度センサー	Maxim Integrated	DS18B20	水温の測定
濁度センサー	DFRobot	SEN0189	水の濁度の測定
Visual Studio Code	Microsoft	Version 1.x	ソフトウェアの実装およびデバッグ
Wi-Fi通信モジュール	Espressif Systems	Integrated ESP32 Wi-Fi	モニタリングデータの無線送信