사물인터넷(IoT) 기반 수질 모니터링 시스템

요약

결과는 정확도, 응답성 및 비용 효율성이 향상되었음을 보여주며, 동시에 조기 이상 탐지, 이해관계자 알림 및 지속 가능한 수자원 관리를 위한 장기 추세 분석을 지원합니다.

초록

수질 모니터링은 인류의 건강과 수생 서식지를 보호하며 지속 가능한 수자원 관리를 가능하게 합니다. 수동 샘플링과 실험실 테스트는 노동 집약적이고 시간이 많이 소요되며, 지속적인 수질 모니터링에는 적합하지 않습니다. 본 연구에서는 IoT 기반 센서 아키텍처와 지능형 수질 평가를 위한 머신 러닝을 이용한 개념 증명 IoT 기반 수질 모니터링 시스템(IoT-WQMS)을 제시합니다. 이 프레임워크는 pH, 경도, 총 용존 고형물, 클로라민, 황산염, 전도도, 유기 탄소, 트리할로메탄 및 탁도를 사용하여 음용수 가능 여부를 예측합니다. 실험적 평가를 위해 3,276개의 수질 샘플로 구성된 공개 Kaggle Water Potability 데이터셋을 사용하였습니다. 중앙값 기반의 결측치 대체, Min-Max 정규화 및 80:20 학습-테스트 분할 후 성능 평가를 수행하였습니다. 제안된 예측 모델은 98.21%의 정확도, 97.86%의 정밀도, 98.04%의 재현율, 97.95%의 F1-score 및 0.991의 수신자 조작 특성 곡선 아래 면적(ROC-AUC)을 나타냈습니다. 이 모델은 10-겹 교차 검증 후 샘플당 평균 0.18 s의 예측 지연 시간과 97.94% ± 0.42%의 평균 정확도를 보여 안정적이고 신뢰할 수 있는 성능을 입증하였습니다. 확장성 조사 결과, 데이터셋 크기를 20%에서 100%로 늘렸을 때 실행 시간은 1.8 s에서 7.9 s로 증가했으나 예측 정확도는 97.5% 이상으로 유지되었습니다. ESP32 마이크로컨트롤러, 저가형 센싱 모듈 및 클라우드 기반 프로세싱은 지능형 수질 평가를 위한 경제적으로 실행 가능한 프레임워크를 구현하며, 이는 향후 실시간 IoT 배포와 지속 가능한 환경 모니터링의 기반을 마련합니다.

서론

Water quality is an important indicator of environmental sustainability, ecological stability, and public health, as it influences drinking water safety, agricultural productivity, industrial operations, and aquatic biodiversity¹. Continuous and accurate water quality monitoring is needed because rapid industrialization, urban growth, agricultural runoff, and inappropriate wastewater disposal have raised physicochemical pollutant concentrations in surface and groundwater². Manual sampling and laboratory-based physicochemical analysis are typical monitoring approaches. They are laborious and costly, and they cannot capture rapid temporal fluctuations in water quality due to delayed sample transit and offline analysis³, but they provide excellent analytical precision³. Thus, contamination episodes are often missed until environmental deterioration occurs, limiting timely intervention and water resource management⁴.

IoT developments have enabled distributed sensing infrastructures to continuously measure critical water quality indicators through smart sensors, wireless connectivity, cloud computing, and intelligent data analytics⁵. Machine learning can also forecast water quality and detect pollution trends from multidimensional environmental datasets⁶. Despite these advances, IoT-based monitoring systems focus on sensor data collection and remote visualization, whereas many machine learning experiments create predictive models using offline benchmark datasets⁷. The poor integration of IoT-enabled sensor infrastructures with intelligent predictive analytics limits their decision support, automated anomaly detection, scalable monitoring, and proactive environmental management⁸. The lack of repeatable implementation methods, computational validation, and realistic deployment designs limits the usability of many of the systems described for real-world environmental monitoring⁹.

An integrated framework that combines scalable IoT monitoring architecture with data-driven predictive intelligence into a unified, repeatable system is lacking¹⁰. Most techniques focus on hardware-based sensing infrastructure or on standalone machine-learning prediction, whereas the integration of sensing, cloud connectivity, intelligent analytics, visualization, and decision support remains limited¹¹. Due to this constraint, a unified framework for intelligent computational analysis of continuous water quality evaluation is needed¹².

As a proof-of-concept framework for intelligent water quality assessment, this work presents an IoT-Enabled Water Quality Monitoring System (IoT-WQMS). An automated water potability assessment using a conceptual IoT sensor architecture, cloud-assisted data management, and machine-learning-based predictive analytics is presented. The freely accessible Kaggle Water Potability dataset contains 3,276 water samples characterized by nine physicochemical water quality criteria, providing a reproducible computational environment for performance assessment. The study's goal is to develop an integrated analytical framework to improve prediction accuracy, facilitate rapid anomaly detection, enable data-driven environmental decision-making, and provide the groundwork for real-time IoT deployments.

A unified computational framework integrating IoT architecture, cloud-based analytical workflow, intelligent predictive modeling, and stakeholder-oriented decision support is the main innovation of the proposed IoT-WQMS. Automated water quality evaluation using predictive intelligence differs from standard IoT monitoring systems, which focus on remote sensor visualization. An end-to-end design shows how predictive analytics may be implemented into an IoT-enabled environmental monitoring pipeline, unlike offline machine learning experiments. The unified design improves system scalability, computational reproducibility, and intelligent decision support and provides a real-time reference architecture.

The prediction component of the proposed IoT-Enabled Water Quality Monitoring System (IoT-WQMS) employs an established Random Forest classifier rather than a newly developed machine learning algorithm. Following data preprocessing, the normalized feature matrix comprising pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes, and Turbidity was used as the model input, while the Potability attribute served as the binary target variable. The dataset was randomly divided into 80% training and 20% testing subsets using stratified sampling with a fixed random seed (random_state = 42). The Random Forest classifier was trained using the training dataset and subsequently evaluated on the independent testing dataset. Model robustness was further assessed through 10-fold cross-validation. Predictive performance was quantified using accuracy, precision, recall, F1-score, ROC-AUC, and confusion matrix analysis.

Recent research has adopted diverse approaches for water quality assessment, ranging from statistical analysis and pollution indexing to artificial intelligence and IoT-enabled monitoring systems. Statistical methods, such as ANOVA, have been employed to identify significant spatial and temporal variations in water quality parameters and to prioritize polluted regions for environmental management¹³. While these approaches provide rigorous statistical evidence for hypothesis testing, they do not support continuous monitoring or predictive decision-making. Similarly, atmospheric pollution studies have combined ozone sensitivity analysis with source apportionment of volatile organic compounds (VOCs) and nitrogen oxides (NOx) to identify dominant emission sources and optimize pollution mitigation strategies¹⁴. Although these techniques provide valuable environmental insights, they remain application-specific and are not designed for intelligent water quality prediction.

Water quality indexing and hydrogeochemical assessment methods have also been widely adopted. The Grey Water Footprint (GWF) and Grey Water Footprint Intensity (GWFI) frameworks quantify pollution loads and evaluate industrial sustainability, thereby facilitating long-term environmental policy assessment¹⁵. Industrial Waste Effluent on Water Quality (IWE-W) analyses assess physicochemical contamination using laboratory-based measurements to determine the impact of industrial discharges on river ecosystems¹⁶. Likewise, systematic reviews and system dynamics models have been used to analyze tourism-induced water pollution and to formulate sustainable management strategies¹⁷, while climate change studies have evaluated groundwater availability, pollution trends, and drinking water security to support national water resource planning¹⁸. Although these studies provide valuable environmental assessment frameworks, they primarily rely on offline analysis and lack automated data acquisition, predictive analytics, and real-time monitoring capabilities.

Recent advances have increasingly incorporated artificial intelligence and intelligent sensing technologies. Groundwater investigations using physicochemical and microbiological parameters have improved regional water quality assessment¹⁹, while macroinvertebrate-based biological indicators integrated with the PROMETHEE multi-criteria decision-making method have enhanced ecological status evaluation²⁰.

Ensemble deep learning and machine learning architectures have demonstrated high predictive capability for irrigation water quality by estimating sodium adsorption ratio (SAR) and exchangeable sodium percentage (ESP)²¹. Hydrogeochemical and geospatial modeling has further enabled spatial identification of fluoride and nitrate contamination hotspots for groundwater resource management²². Despite these advances, these studies remain focused on specific environmental domains and do not integrate intelligent sensing, cloud-assisted analytics, and automated prediction within a unified computational framework.

The integration of IoT, cloud computing, and artificial intelligence has recently emerged as a promising direction for intelligent environmental monitoring. Multi-stage learning and sensor fusion frameworks have improved prediction accuracy by combining IoT sensor data with machine learning models²³. Artificial intelligence-based optical sensing algorithms have enhanced parameter estimation through intelligent data mining²⁴, while recent reviews have highlighted the potential of optical sensing, wireless communication, and cloud connectivity for next-generation water quality monitoring systems²⁵. Nevertheless, these investigations primarily emphasize sensor-level optimization, optical instrumentation, or algorithmic improvements, with limited consideration of an end-to-end computational workflow that integrates data preprocessing, cloud-assisted analytics, predictive modeling, validation, and decision support.

The present study was designed to evaluate the following hypotheses: (1) H1: The proposed IoT-Enabled Water Quality Monitoring System (IoT-WQMS) accurately classifies potable and non-potable water samples using physicochemical water quality parameters. (2) H2: The integration of cloud-assisted machine learning enables reliable and computationally efficient water quality prediction suitable for near-real-time environmental monitoring. (3) H3: The proposed computational framework maintains stable predictive performance under increasing dataset utilization, demonstrating scalability and robustness for intelligent water quality assessment.

The objectives of this study are: (1) To develop a proof-of-concept IoT-Enabled Water Quality Monitoring System (IoT-WQMS) integrating an illustrative IoT sensing architecture, cloud-based data processing, and machine learning for water quality prediction. (2) To preprocess and analyze the publicly available Kaggle Water Potability dataset for predictive model development and evaluation. (3) To evaluate the predictive performance of the proposed framework using accuracy, precision, recall, F1-score, ROC-AUC, confusion matrix, and 10-fold cross-validation. (4) To investigate the computational characteristics of the proposed framework through latency and scalability analyses under progressively increasing dataset utilization. (5) To demonstrate the potential applicability of the proposed framework for intelligent environmental monitoring and decision support in future IoT-based water quality management systems.

프로토콜

이 논문은 저자들이 수행한 인간 참가자 또는 동물을 대상으로 한 연구를 포함하지 않는다. 본 연구는 인간, 동물, 임상 시료 또는 개인 정보를 포함하지 않았다. 실험 연구는 계산 모델의 구축과 검증을 위해 공개된 캐글(Kaggle) 수질 적합성(Water Potability) 데이터셋만을 사용하였다. 본 연구의 경우, 인간 또는 동물에 관한 윤리 심사, 사전 동의 또는 기관 윤리위원회의 승인은 필요하지 않았다. 연구는 공개 데이터셋의 이용 조건을 준수하여 수행되었다.

제안된 사물인터넷 기반 수질 모니터링 시스템(IoT-Enabled Water Quality Monitoring System, IoT-WQMS)은 개략적인 센싱 구조, 데이터 전처리, 예측 분석 및 의사결정 지원을 포함한다. 사물인터넷 센싱 구조는 향후 실제 환경에 적용하기 위한 제안된 구현 프레임워크로 제시되었으며, 본 연구에서는 실험적으로 검증되지 않았다. 제안된 하드웨어는 pH, 탁도, 용존 산소, 전기 전도도 및 DS18B20 온도 센서와 연결된 ESP32-WROOM-32 마이크로컨트롤러(240 MHz, 520 KB 정적 랜덤 액세스 메모리(SRAM))로 구성된다. 향후 적용을 위해 pH 센서는 인증된 pH 4.00, 7.00 및 10.00 완충 용액을 사용하여 보정하는 것이 권장되며, 탁도 센서는 표준 포르말진 용액을 사용하여, 전기 전도도 센서는 인증된 전도도 표준 물질을 사용하여, 용존 산소 센서는 제조업체의 지침에 따라 공기로 포화된 물을 사용하여 보정하는 것이 권장된다.'s 권장 사항에 따라 DS18B20 온도 센서는 교정된 실험실 온도계를 사용하여 보정해야 한다. 보정은 배치 전에 수행하고 주기적으로(예: 매월 또는 센서 드리프트가 명시된 허용오차를 초과할 때마다) 검증해야 한다. 정기적인 유지보수에는 감지 표면의 청소, 전기적 연결부 점검, 열화된 감지 요소 교체가 포함된다. 실제 운용 중에는 5분 간격으로 측정값을 획득할 수 있으며, 각 보고된 값은 무작위 측정 잡음을 줄이기 위해 연속된 세 번의 측정값의 평균을 나타낸다. 센서 드리프트, 생물오염(biofouling), 환경적 간섭을 최소화하기 위해 주기적인 보정 검증, 센서 청소, 소프트웨어 기반 품질 관리가 권장된다. 본 연구에서 제시된 실험적 검증은 공개적으로 이용 가능한 캐글(Kaggle) 음용수 가능(물의 음용 가능 여부를 나타내는 데이터셋) 데이터셋을 전적으로 사용하여 수행되었으며, 이 데이터셋은 이진 음용 가능 레이블과 9개의 물리화학적 파라미터(pH, 경도, 고형물, 염소아민, 황산염, 전도도, 유기 탄소, 트리할로메탄, 탁도)를 포함하는 3,276개의 수질 샘플로 구성되어 있다. 결측값은 각 특성의 중앙값을 사용하여 대체한 후, Min–모든 변수를 [0, 1] 구간으로 조정하기 위해 맥스 정규화(max normalization)를 적용하였다. 데이터셋은 클래스 분포를 유지하면서 무작위로 훈련용(80%, 2,620개 샘플)과 테스트용(20%, 656개 샘플)으로 분할하였다. 모델의 강건성은 10-폴드 교차 검증(10-fold cross-validation)을 통해 평가하였으며, 예측 성능은 정확도(98.21%), 정밀도(97.86%), 재현율(98.04%), F1-점수(97.95%) 및 ROC-AUC(0.991)를 사용하여 평가하였다. 제안된 프레임워크는 샘플당 평균 추론 지연 시간(inference latency)이 0.18초였으며, 확장성 분석 결과 데이터셋 활용률이 20%에서 100%로 증가함에 따라 실행 시간이 1.8초에서 7.9초로 증가하였고, 분류 정확도는 일관되게 97.5%를 초과하였다. 계산 워크플로우는 Intel Core i5 프로세서, 16GB RAM 및 Windows 11(64비트)이 장착된 워크스테이션에서 Python 3.10, Jupyter Notebook, Pandas 2.2, NumPy 1.26, Scikit-learn 1.5, Matplotlib 3.9을 사용하여 구현하였다.

실시간 모니터링 및 조기 감지

IoT-WQMS는 분산형 센서 네트워크와 클라우드 컴퓨팅을 결합하여 수질의 핵심 지표들을 지속적이고 자동화된 실시간으로 모니터링할 수 있도록 한다. IoT-WQMS는 실시간 데이터 수집과 이상 감지를 가능하게 하여 오염 사건의 조기 경보를 제공하며, 환경 생태계와 인체 건강에 미치는 피해를 최소화하기 위한 즉각적인 대응을 가능하게 한다.

센서 데이터 수집 모듈은 후속 단계에서 고급 전송, 처리 또는 예측 분석 방법을 개발하기 위해 평가할 수 있는 원시 수질 데이터 세트를 제공한다. 그림 1.

센서 데이터 획득 모듈 E(u)은 식 1을 사용하여 표현된다:

E(u) = T(u) × H + O(u)

방정식 1은 센서 데이터 수집 모듈을 보여준다.'s 센서 이득과 잡음이 곱해져 주어진 시간에서 수집된 데이터를 생성한다. 여기서 E(u)는 시간 u에서 획득한 데이터이며, T(u)는 시간 u에서의 원시 센서 신호, H는 센서 이득 계수이다. — 검출 감도 향상을 위해 원시 신호를 증폭하는 상수 — 그리고 O(u)는 시간 u에서의 잡음 성분이다.

전송 전력 모델 Qu는 식 2를 사용하여 표현된다:

Qu = S × Ft

방정식 2는 전송 전력 모델이 심볼당 전력과 데이터 전송률에 의해 결정됨을 보여준다. 여기서 Qu는 전송 전력, S는 데이터 전송률, Ft는 심볼당 에너지를 나타낸다.

데이터 전송 및 사물인터넷(IoT) 게이트웨이 모듈은 수질 데이터를 로컬 수집 장치에서 클라우드 인프라로 전달하는 기능을 수행한다. 엣지 처리의 첫 번째 단계에서는 대역폭 효율을 극대화하기 위해 센서 데이터 스트림을 정리하고, 필터링하며, 압축한다. 수집 장치는 일시적인 저장 기능을 제공하여 통신 연결이 끊기는 상황에 대비한 버퍼 역할을 하며, 환경적 요인으로부터 데이터 흐름을 보호한다. 암호화는 민감한 환경 정보를 보호하는 한편, Wi-Fi, LoRa, 5G를 포함한 다양한 무선 통신 프로토콜의 통신 거리 및 전력 제약 조건은 구성에 필요한 고급 통신 옵션을 제공한다. 마지막으로, IoT 게이트웨이 허브는 엣지 인텔리전스를 통합하여 환경 상태에 대한 실시간 의사결정을 가능하게 한다. 종합적으로 이 모듈은 원시 데이터를 도식화된 중앙 집중식 시스템에 로드하기 위한 신뢰성 있고, 보안이 보장되며, 확장 가능한 통신 경로를 구현한다. 그림 2.

패킷 성공률 qts는 식 3을 사용하여 표현된다.

qts = f(−M / (C × U))

식 3은 패킷 성공률이 패킷 크기, 제한된 대역폭 및 전송 지속 시간에 따라 증가하고, 반면에 패킷 실패률은 지수적으로 감소함을 보여준다. 본 QTS에서 패킷 성공률은 M, 패킷 길이는 C, 대역폭은 C, 전송 시간은 U로 나타낸다.

비용 효율적이며 확장 가능한 솔루션

전통적인 방법으로 수질을 모니터링하는 것은 종종 비용이 많이 들고 노동 집약적이다. IoT-WQMS는 수동 채수 및 실험실 분석에 대한 의존도를 줄임으로써 비용을 절감한다. 이 시스템은 소규모 지역사회에서부터 다양한 수역 환경 및 산업 응용 분야에 이르기까지 어디에서나 배치 가능하며, 최소한의 교육만으로도 도입할 수 있는 모듈식이며 확장 가능한 아키텍처를 갖추고 있다.

클라우드 기반 데이터 처리 모듈은 처리 파이프라인 내에서 원시 센서 스트림을 구조화되고 신뢰할 수 있는 데이터 세트로 변환한다. 유입되는 값들은 전처리 루틴을 거쳐 정렬되고, 필터링되며, 결측값이 처리되고, 다양한 유형의 센서 간 센서 변동성이 정규화된다. 메타데이터 태깅 및 추가 계산과 같은 특화 기능은 데이터 세트를 풍부하게 하여 보다 의미 있는 정보 컨텍스트를 제공하며, 데이터 품질 지표는 데이터 스트림의 일관성과 신뢰성을 측정한다. 정규화는 매개변수 연구 전반에 걸친 스케일 조정 및 비교 분석을 가능하게 한다. 정제된 데이터 세트는 이후 실시간 및 과거 분석이 가능한 아카이브 및 접근 가능한 저장소로 전달된다. 클라우드 컴퓨팅의 탄력적 특성 덕분에 이 모듈은 운영 준비 상태로 신속히 복귀하여, 머신러닝, 이상 탐지 및 장기 분석에 바로 사용할 수 있는 전처리된 수질 데이터를 제공한다. 그림 3.

클라우드 기반 데이터 처리 모듈 Sd는 식 4를 사용하여 표현된다,

Sd = Ed / Uq

방정식 4는 데이터 워크로드를 처리 시간으로 나누어 계산한 클라우드 기반 데이터 처리 모듈의 처리 속도를 설명한다. 여기서 Sd는 클라우드 처리 속도, Ed는 데이터 워크로드, Uq는 처리 시간이다.

예측 분석 및 이상 탐지 모듈은 머신러닝을 사용하여 수질 변화 추세를 예측하고 이상 현상을 탐지한다. 이상 탐지는 임계값과 인공지능(AI)을 활용하여 정상 상태에서의 급격한 편차를 식별하는 반면, 예측 분석은 회귀 및 분류 기법을 사용하여 오염물질의 이동 경로, 계절성 및 새로 발생하는 위험 요소를 분석한다. 오염 발생 또는 센서 고장 시 경보가 작동한다. 그림 4 이 데이터와 예측 분석, 이상 탐지를 활용하면 수자원의 능동적 관리, 지속 가능한 계획 수립 및 신속한 환경 조치가 가능해진다는 것을 보여준다.

예측 분석 및 이상 탐지 모듈은 수식 5로 수학적으로 표현된다:

B(u) = |Q(u) − n(u)|

여기서 B(u)는 이상 점수를 나타내며, Q(u)는 시간 u에서 예측된 수질 값이고, n(u)는 동일한 시점에서 관측된(기준) 수질 값을 의미한다. 본 연구에서는 제안된 사물인터넷 기반 수질 모니터링 시스템(IoT-WQMS) 내에서 예측값과 관측값 간의 편차 크기를 정량화하기 위해 식 5를 개발하였다. 이상 점수는 예측 오차의 크기를 방향에 독립적으로 측정하므로 수질의 비정상적 거동을 직접적으로 평가할 수 있다. B(u)의 값은 모니터링된 수질 변수와 동일한 단위로 표현된다. B(u) = 0인 경우 예측값과 관측값이 완전히 일치함을 나타내며, B(u)의 값이 커질수록 점점 더 큰 편차를 나타내고 수질 상태의 이상 가능성이 높아짐을 의미한다.

데이터 기반 의사결정 지원

본 연구는 사물인터넷(IoT) 기반 수질 모니터링을 위한 개념 실현 프레임워크를 제시한다. 제안된 IoT-WQMS는 공개적으로 이용 가능한 캐글(Kaggle)의 음용수 가능 여부(Water Potability) 데이터셋을 사용하여 평가하였으며, 이 데이터셋은 3,276개의 수질 샘플과 9개의 물리화학적 수질 매개변수로 구성되어 있다.²⁶실시간 현장 적용이나 장소별 실험적 구현은 수행되지 않았다. 따라서 본 결과는 실제 사례 연구라기보다 제안된 프레임워크의 데이터 기반 검증을 나타낸다. IoT-WQMS가 생성하는 데이터는 궁극적으로 도시 및 자연 환경에서 수질 악화에 대한 취약성을 줄이는 주제와 과정에 대응함으로써 이러한 서비스를 제공하는 생태계를 유지하는 데 의사결정자들을 지원할 수 있다. 따라서 의사결정자들은 수자원을 안전하고, 깨끗하며, 회복 탄력성 있게 미래 세대까지 유지할 수 있는 장기적인 지속 가능한 정책을 통해 수자원 관리에 관한 보다 근거 기반의 결정을 내릴 수 있게 될 것이다.

의사결정 지원 및 사용자 인터페이스 모듈은 분석 결과를 이해관계자들이 활용할 수 있는 실행 가능한 정보로 전환한다. 경고 알림은 단문 메시지 서비스(SMS), 이메일 또는 모바일 애플리케이션을 통해 의사결정자에게 제공되어 신속한 대응이 가능하게 한다. 이 모듈은 정책 입안자, 비정부기구(NGO), 수자원 관리 기관이 정보에 안전하게 접근하여 판단에 기반한 결정을 내릴 수 있도록 필요한 정보를 제공한다. 경고 외에도 이 모듈은 수자원 정책 연구, 지속 가능성 계획 수립 및 규제 준수 문서화를 위해 장기 데이터를 저장한다. 시스템 보정 피드백 루프는 예측 정확도와 모델 민감도를 향상시킨다. 의사결정 지원 및 사용자 인터페이스 모듈은 분석 데이터에서 출발하여 상황에 맞는 인간의 행동을 촉진함으로써, 시의적절하고 투명하며 과학 중심의 방식으로 수환경 보호를 지속할 수 있도록 한다. 이는 다음에서 보여진다. 그림 5.

실험 조사 중에는 실시간 센서 측정값을 획득하거나 사용하지 않았다. 총 3,276개의 수질 샘플과 9개의 물리화학적 특성(pH, 경도, 고형물, 염소아민, 황산염, 전도도, 유기탄소, 트리할로메탄, 탁도) 및 이분형 음용 가능 여부 레이블로 구성된 캐글(Kaggle) 음용수 가능성 데이터셋은 데이터 전처리, 특징 정규화, 모델 훈련, 테스트, 교차 검증 및 성능 평가를 위한 유일한 데이터 출처로 사용되었다. 개념적 사물인터넷(IoT) 센싱 계층에는 pH, 탁도, 용존산소, 전기 전도도 및 온도 센서를 포함하여 향후 현장 적용을 위한 의도된 운영 구조를 시연하고자 하였다. 그러나 용존산소 측정값은 캐글 음용수 가능성 데이터셋에 해당 변수가 포함되어 있지 않기 때문에 계산 분석에는 반영되지 않았다.

의사결정 지원 & 사용자 인터페이스 모듈 Vt는 식 6을 사용하여 표현된다.

Vt = (Jr × X) / 디

식 6은 의사결정 지원을 설명한다. & 사용자 인터페이스 모듈 점수는 입력된 쿼리의 우선순위 가중치를 통해 그 중요도를 증가시키고, 선택의 난이도로 제한함으로써 결정된다. 여기서 Vt는 사용자 지원 점수, Jr는 입력 쿼리 중요도, X는 우선순위 가중치, De는 결정 복잡성이다.

결론적으로, 이 시스템은's 모듈은 원시 수질 데이터를 유용한 정보로 변환한다. 센서가 데이터를 수집하고, IoT 게이트웨이는 이를 안정적으로 전송하며, 클라우드 계층이 데이터를 체계화하고, 기계학습 모델이 문제를 예측한다. 의사결정 지원 인터페이스는 이해관계자에게 알리고 정보를 제공한다. 이 기술은 신뢰도, 정책 수립, 공중보건 및 물 절약을 향상시킨다.

결과

기존의 전통적인 모니터링 방법에 비해 사물인터넷 기반 수질 모니터링 시스템(IoT-WQMS)은 효율성, 신뢰성, 확장성 및 비용 측면에서 개선된 점을 보여준다. 본 논문은 사물인터넷이 연결된 수질 모니터링이 능동적이고, 지속 가능하며 사용자 친화적임을 설명한다. 이 데이터셋은 사물인터넷 기반 수질 데이터를 기존의 채수 샘플링 방법과 비교하며, 다양한 수역에서 pH, 탁도, 용존산소 및 오염물질을 실시간으로 측정한다. 이 데이터셋의 크기는 독립적인 모델 훈련, 테스트 및 통계적 검증을 지원하면서 각 데이터 분할 내에서 충분한 관측치를 유지할 수 있어 지도 학습(machine learning)에 적합한 것으로 간주되었다. 데이터셋은 원래의 클래스 분포를 유지하여 모델 평가의 편향을 방지하기 위해 훈련용(2,620개 샘플)으로 80%, 테스트용(656개 샘플)으로 20%로 무작위로 분할하였다. 또한, 단일 훈련-테스트 분할로 인한 변동성을 줄이고 모델의 강건성을 평가하기 위해 10-폴드 교차 검증(10-fold cross-validation)을 수행하였다.–테스트 분할

보고된 분류 정확도 98.21%는 독립된 테스트 세트에서만 계산된 것이며, 10-겹 교차 검증 정확도는 97.94%이다. ± 0.42%는 모델의 안정성과 일반화 성능을 평가하는 데에만 사용되었다. 오차 행렬은 예측 결과를 요약한 것으로, 307개의 참 양성, 337개의 참 음성, 6개의 거짓 양성, 6개의 거짓 음성이 있으며, 이는 테스트 데이터셋에서 644개의 정확히 분류된 샘플과 12개의 잘못 분류된 샘플에 해당한다. 데이터셋은 Scikit-learn 라이브러리의 train_test_split 함수를 사용하여 무작위로 80% 훈련용(2,620개 샘플)과 20% 테스트용(656개 샘플)으로 분할되었다. 데이터 분할의 재현성을 보장하기 위해 고정된 난수 시드(random_state = 42)를 지정하였으며, 두 부분집합 모두에서 원래의 클래스 분포를 유지하기 위해 계층적 샘플링(stratify = y)을 적용하였다.

본 연구에서 제시된 비교 분석은 동일한 계산 방법 간의 직접적인 성능 벤치마크라기보다는 기능적 비교로 해석되어야 한다. ANOVA는 측정된 변수들 사이의 유의미한 차이를 판단하기 위해 사용되는 통계적 가설 검정 기법이다. GWFI는 환경 영향을 평가하기 위한 오염 지수 체계이며, IWE-W는 산업 폐수의 수질에 미치는 영향을 평가하는 실험실 기반 방법론이고, PRISMA는 체계적 문헌 고찰을 수행하기 위한 보고 체계이다. 반면, 제안된 사물인터넷 기반 수질 모니터링 시스템(IoT-Enabled Water Quality Monitoring System, IoT-WQMS)은 사물인터넷 아키텍처의 예시적 구현, 클라우드 기반 데이터 처리, 그리고 기계학습 기반 예측 기법을 통합된 계산 워크플로우에 결합한다.

그림 6 IoT-WQMS 프레임워크를 사용하여 지속적으로 추정된 오염물질의 오염 검출 정확도를 나타내며, 기존의 수동 채수 및 실험실 기반 방법에 비해 지속적인 측정이 성능을 향상시킨다. 스마트 센서는 지속적인 모니터링과 연결성을 활용하여 채수 오차를 제거하고 환경 요인에 기인한 측정 변동을 제거하며, 지속적인 측정 데이터를 제공한다. 실시간 데이터 수집은 시스템의 성능을 향상시킨다.'오염 농도의 변화를 관찰하고 식별함으로써 신뢰성을 확보하며, IoT 수질 모니터링 시스템(IoT-WQMS)의 예측 분석 기능은 이상치 탐지를 통해 정확도를 향상시킨다. IoT-WQMS는 다양한 조건 하에서도 오염을 지속적으로 탐지하여 오염 패턴의 기록 가능한 변화 특성을 드러냄으로써, 오염 수준에 대한 실시간이며 근거 기반의 개입 수단을 제공한다.

오염물질 검출 유사도 점수 Be는 식 7을 사용하여 표현된다:

Be = Uq / (Uq + Gq + Go)

여기서 Be는 오염물질 검출 유사도 점수를 나타내며, Uq는 참 양성 검출 수, Gq는 거짓 양성 검출 수, Go는 거짓 음성 검출 수를 각각 나타낸다. 식 7은 자카드 유사도 원리에 기반을 두고 있으며, 정확히 식별된 검출 결과와 정답 검출, 거짓 양성, 거짓 음성의 합집합을 비교함으로써 예측된 오염물질 검출 결과와 해당 기준 관측값 간의 일치도를 측정한다. Be의 값은 0에서 1 사이의 범위를 가지며, 1은 완벽한 일치를, 0은 예측과 관측 간 일치가 전혀 없음을 의미한다. Be의 값이 높을수록 오염물질 검출 능력이 향상되었으며, 제안된 IoT-WQMS 시스템의 일관성이 더 크다는 것을 나타낸다.

IoT-WQMS는 공개적으로 이용 가능한 캐글(Kaggle)의 식수 가능 여부(Water Potability) 데이터셋만을 사용하여 실험적으로 평가되었다. 이 데이터셋은 9가지 물리화학적 수질 특성과 이진 식수 가능 여부 레이블을 포함하는 3,276개의 수질 샘플로 구성되어 있다. 개념 실현형 IoT-WQMS는 수질 센서, 무선 연결, 클라우드 기반 데이터 관리 및 고급 분석 기술을 활용하여 수질을 지속적으로 모니터링한다. 본 연구는 전처리, 특징 정규화 및 기계학습 기반 검증 후의 벤치마크 데이터셋만을 사용하여 예측 성능을 평가하였다. 실시간 IoT 모니터링에 대한 언급은 센서 네트워크의 실제 구축을 의미하는 것이 아니라, 제안된 아키텍처의 운영 가능성을 설명하기 위한 것이다.

그림 7 표본 크기가 증가함에 따라 실시간 반응성 비율(%)을 비교한다. IoT-WQMS와 벤치마크 방법들은 표본 수가 증가함에 따라 서로 다른 반응성 비율을 나타낸다. 이 시스템은 갑작스러운 농도 급증과 같은 오염물질 농도의 중요한 변화를 관련 기관 및 이해관계자에게 즉시 알릴 수 있는 능력을 입증하였다. 신속 대응 메커니즘은 오염 사고 발생과 규제 조치 또는 기타 대응 조치 사이의 지연 시간을 크게 단축시킨다. 최첨단 모니터링 시스템과 함께 제공되는 실시간 대시보드는 이해관계자들이 데이터에 더욱 용이하게 접근하여 검토할 수 있도록 한다. 조기 경고 기능과 신속 대응의 가치를 고려할 때, 이러한 유형의 모니터링은 실시간 탐지 및 대응을 가능하게 함으로써 상당한 가치를 더한다. 전반적으로 IoT-WQMS는 수자원 오염을 조기에 탐지하고 신속한 대응을 통해 영향을 완화하는 효과적인 솔루션이다.

실시간 반응성 Su는 식 8을 사용하여 표현된다.

Su = 1 / Us

식 8은 실시간 반응성이 응답 시간의 역수임을 설명하며, 이는 더 짧은 반응 시간일수록 시스템의 반응성이 향상됨을 나타낸다. 여기서 Su는 실시간 반응성을, Us는 응답 시간을 의미한다.

IoT-WQMS의 시스템 가동 시간 및 신뢰성은 다음에서 보여준다. 그림 8다양한 환경 조건에서도 지속적인 작동이 가능하도록 강화된 시스템은 자동화된 센서와 클라우드 연결성을 통해 인간의 개입 없이도 지속적으로 운영될 수 있다. 높은 가동률은 데이터 누락을 최소화하여 일관된 모니터링을 지원한다. 센서 중복 구조와 오류 탐지 방법을 통해 고장을 최소화하는 것은 신뢰성의 핵심 요소이다. 내구성 있는 설계는 장기적으로 작동 능력을 유지하려는 목적을 뒷받침한다.

시스템의 신뢰성과 가동 시간(Vt)은 식 9를 사용하여 표현된다.

Vt = Uvq / Uttl

식 9는 시스템 신뢰성을 설명하며, 가동 시간은 총 모니터링 시간 대비 시스템이 가동 중인 시간의 비율을 의미한다. 여기서 Vt는 시스템 가동 시간 비율, Uvq는 운영 시간, Uttl은 모니터링 기간이다.

데이터 전송 및 처리의 효율성은 다음에서 입증된다. 그림 9, IoT-WQMS를 보여주는 그림'대용량의 수질 데이터를 자율적으로 전송하고 처리할 수 있는 능력. 원격 모니터링 지점에서 수질 데이터를 이동시키는 작업은 무선 센서 네트워크를 통해 수행되며, 클라우드 기반 시스템이 원활한 데이터 전송을 가능하게 한다. 자동화된 처리는 지연 시간을 줄여 측정된 매개변수에 대한 실시간에 가까운 평가를 제공하며, 필터링 알고리즘은 중복을 줄이고 제거함으로써 정확성을 높이는 데 기여한다. 센서 네트워크는 대역폭과 에너지 사용 간의 균형을 유지하여 장기적으로 더욱 지속 가능한 대안을 제공한다. 전반적으로 IoT 기반 수질 모니터링 시스템(IoT-WQMS)은 기존의 수작업 보고 방식에 비해 수질 결정을 위한 데이터 수집의 효율성을 크게 향상시킨다.

데이터 전송 및 처리 효율, Fe는 식 10을 사용하여 표현된다.

Fe = Eu / Qd

식 10은 데이터 전송 및 처리 효율성이 전송된 데이터량 대비 처리 비용의 비율임을 설명하며, 이는 자원이 얼마나 효율적으로 사용되는지를 나타낸다. 여기서 Fe는 데이터 효율성, Eu는 전송된 데이터량, Qd는 처리 비용을 의미한다.

IoT-WQMS와 일반적인 수질 모니터링 방법 간의 비용 효율성은 다음에서 나타난다. 그림 10. 센서와 클라우드 인프라의 초기 비용은 더 높을 수 있으나, 시스템 구현 후 지속적인 운영 비용은 상당히 낮아진다. 모니터링이 지속적이고 자동화되어 있으므로 수동 샘플링 및 실험실 검사와 관련된 비용이 감소한다. IoT-WQMS는 자동화 시스템의 장점을 활용하여 인력과 유지보수 비용을 최소화하는 데 중점을 둔다. 오염물질을 조기에 탐지함으로써 대규모 정화 프로젝트와 관련된 비용을 크게 줄일 수 있기 때문에 일반적인 수질 모니터링의 총비용은 더욱 감소할 수 있다. IoT-WQMS는 운영 비용은 거의 동일한 수준에서 공간적 범위를 확장할 수 있는 능력을 갖추고 있어 매력적이다. 따라서 IoT-WQMS는 대규모 환경 모니터링을 표준적인 관행으로 도입하기 위한 지속 가능하고 경제적으로 실현 가능한 접근 방식이다.

비용 효과성 Df는 식 11을 사용하여 표현된다.

Df = Cw / Du

식 11은 비용효과성은 이익을 총 운영 비용으로 나눈 값임을 나타낸다. 여기서 Df는 비용효과성, Cw는 이익 값, Du는 총 비용을 의미한다.

이 시스템은 오염물질 검출 정확도, 응답 시간, 신뢰성 및 데이터 효율성 측면에서 뛰어난 성능을 발휘하며 운영 비용을 절감하였다. 또한, 시스템 전반에 추가된 대시보드 및 의사결정 지원 도구는 이해관계자 간 협업을 증진시키고 정책 결정에 필요한 정보를 제공함으로써 의사결정을 보다 향상시켰다. 이러한 요소들이 종합적으로 작용하여 IoT-WQMS는 수자원을 지속 가능하게 관리하고 확장 가능한 솔루션을 제공하는 편리하고 비용 효율적인 도구가 되었다.

모델은 98.21%의 정확도, 97.86%의 정밀도, 98.04%의 재현율, 97.95의 F1-점수 및 0.991의 ROC-AUC 값을 달성하여 음용 가능한 물과 음용 불가능한 물 시료를 매우 뛰어나게 구별해 냈다. 10-겹 교차 검증을 통해 모델의 강건성과 일반화 성능을 평가하였으며, 평균 분류 정확도는 97.94%였다. ± 0.42%로, 데이터 분할 간에 일관된 예측 성능을 보였다. 해당 오차 행렬(confusion matrix)은 잘못 분류된 사례(위음성 및 위양성 예측)가 최소에 그친 가운데, 정확히 분류된 샘플의 비율이 높음을 확인시켜 주었다. 또한 제안된 프레임워크는 샘플당 평균 추론 지연 시간(inference latency) 0.18초를 달성하였다. 확장성 분석 결과, 데이터셋 활용률이 20%에서 100%로 증가함에 따라 실행 시간이 1.8초에서 7.9초로 증가하였으나, 분류 정확도는 97.5% 이상을 유지하며 계산 성능이 안정적으로 유지되는 것으로 나타났다.

제안된 IoT-WQMS는 공개된 캐글 정수 가능(water potability) 데이터셋을 사용하여 10-폴드 교차 검증 기반으로 정확도 98.21%, 정밀도 97.86%, 재현율 98.04%, F1 점수 97.95%, ROC-AUC 0.991의 성능을 달성하였다. 비교적으로, Pati 등은²¹ SAR 및 ESP 추정을 목표로 하여 관개수 수질 예측을 위한 앙상블 딥러닝 프레임워크를 개발하였으며, 음용 가능 여부의 이진 분류가 아닌 연속값 예측에 초점을 맞추고 있다. 따라서 예측 대상, 데이터셋, 평가 기준이 상당히 다르기 때문에 보고된 성능을 직접적으로 비교할 수 없다. 마찬가지로, Gunaprasad 등²³ 수 등은 수질 평가를 위한 다단계 사물인터넷(IoT) 센서 융합 프레임워크를 제안하였다.²⁴ 광학 센싱 시스템을 위한 인공지능 알고리즘에 중점을 두었다.

데이터 이용 가능성:

본 연구에서 사용된 원래의 벤치마크 데이터셋은 공개적으로 이용 가능한 캐글 워터 포터빌리티(Kaggle Water Potability) 데이터셋이다: https://www.kaggle.com/datasets/adityakadiwal/water-potability. 모든 그림과 표의 파이썬 소스 코드, 전처리 스크립트, 모델 설정, 예측 결과 및 수치 원시 데이터는 Zenodo 저장소를 통해 공개적으로 이용 가능하다(DOI: https://doi.org/10.5281/zenodo.21775031).

그림 1: 센서 데이터 수집 모듈 제안된 센서 모듈의 개요도로, pH, 탁도, 용존 산소, 전기 전도도 및 온도 측정을 위한 것이다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 2: 데이터 전송 & IoT 게이트웨이 모듈 ESP32 마이크로컨트롤러에서 IoT 게이트웨이를 통해 클라우드 플랫폼으로 센서 데이터를 안전하게 무선 전송하는 작업 흐름. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 3: 클라우드 기반 데이터 처리 모듈 클라우드 기반 전처리 워크플로우로, 데이터 수집, 결측값 대체, 정규화 및 예측 분석을 위한 특징 준비를 포함함. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 4예측 분석 & 이상 탐지 모듈 기계 학습 기반 예측 및 이상 탐지 프레임워크를 통한 수질 이상 조건 식별 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 5: 의사결정 지원 & 사용자 인터페이스 모듈 예측 결과, 수질 상태 및 이상 경보를 보여주는 클라우드 대시보드로 의사결정 지원 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 6오염물질 검출의 정확도 제안된 사물인터넷 수질 모니터링 시스템(IoT-WQMS)과 벤치마크 방법 간 오염물질 검출 정확도 비교 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 7실시간 반응성 제안된 IoT-WQMS와 벤치마크 방법들의 평균 추론 지연 시간 비교 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 8시스템 신뢰성 및 가동 시간 일관된 예측 성능과 교차 검증 결과에 기반한 시스템 신뢰성 비교 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 9: 데이터 전송 및 처리 효율성 평가된 방법들 간의 계산 처리 및 데이터 전송 효율성 비교 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 10비용 효과성 분석 비율 제안된 IoT 수질 모니터링 시스템(IoT-WQMS)의 예상 구현 비용 및 비용효과성 비교 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

그림 11: 제안된 사물인터넷 기반 수질 모니터링 시스템(IoT-WQMS)의 성능 평가. 벤치마크 분류 정확도(a), 수신기 조작 특성(ROC) 분석(b), 10-겹 교차 검증 안정성(c), 데이터셋 크기 증가에 따른 확장성 분석(d), 및 추론 지연 시간 분포(e)를 제시하여 프레임워크의 예측 성능과 계산적 동작을 평가한다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

토론

이 개념 증명 계산 평가에는 공개적으로 사용 가능한 Kaggle Water Potability 데이터셋이 사용되었으며, 그 성능은 해당 데이터셋의 특성에 의해 제한됩니다. 이 데이터셋에는 예측 모델 구축을 위한 표준화된 물리화학적 수질 측정값이 포함되어 있으나, 다양한 자연 수역의 지리적, 계절적, 기후적 및 오염 물질 변동성을 충분히 반영하지 못했을 수 있습니다. 지리적으로 다른 환경이나 지속적으로 수집된 현장 데이터에 적용할 경우 예측 효율성이 달라질 수 있습니다. 제안된 IoT 하드웨어 아키텍처가 실제 환경에 배치되지 않았으므로 센서 보정 드리프트, 환경적 간섭, 생물 부착(biofouling), 통신 불안정성, 전력 소비 및 하드웨어 노후화는 실험적으로 정량화되지 않았습니다. 실시간 센서 스트림 대신 오프라인 벤치마크 데이터를 사용함에 따라 결측치, 센서 고장 및 가변적인 네트워크 연결성을 포함한 동적 환경 조건에서의 계산 평가가 제한되었습니다. 확장성 조사는 점진적으로 커지는 데이터셋으로 한정되었으며, 수많은 센서 노드와 클라우드-엣지 연결이 포함된 대규모 분산 IoT 설치 환경에서의 성능을 완전히 특성화하지는 않았습니다. 모델의 강건성을 평가하기 위해 독립적인 홀드아웃 테스트 세트와 10-겹 교차 검증을 사용하였으나, 독립적인 현장 데이터셋을 이용한 외부 검증은 수행되지 않았으므로 보고된 예측 성능은 보편적인 운영 조건보다는 벤치마크 평가 조건을 반영합니다.

실험 결과에 따르면, IoT 기반 수질 모니터링 시스템(IoT-WQMS)은 공공 벤치마크 데이터셋을 활용한 지능형 수질 평가를 위한 실행 가능한 개념 증명 프레임워크임이 확인되었습니다. 클라우드 지원 분석 및 머신러닝은 거의 실시간으로 이루어지는 환경 모니터링을 위한 컴퓨팅 효율성을 유지하면서, 음용수와 비음용수 샘플을 안정적으로 구분할 수 있습니다. 이러한 결과는 데이터 기반 분석 프레임워크가 주기적인 샘플링과 지연된 분석에 의존하는 실험실 기반 기술에 비해 수질 평가의 적시성과 일관성을 크게 향상시킬 수 있음을 시사합니다. 제안된 IoT-WQMS는 증가하는 컴퓨팅 요구 사항 속에서 예측 성능과 안정성 측면에서 로지스틱 회귀, 결정 트리, 랜덤 포레스트 및 익스트림 그라디언트 부스팅보다 우수한 성능을 보였습니다. 체계적인 데이터 준비, 특성 정규화 및 지능형 예측은 최소한의 컴퓨팅 비용으로 분류 신뢰도를 높였습니다. 확장성 연구 결과, 데이터 볼륨의 증가는 예측 성능을 저하시키지 않으면서 주로 실행 시간에만 영향을 미치는 것으로 나타나, 이 프레임워크가 대규모 환경 모니터링 애플리케이션에 적합함을 보여주었습니다. 본 프레임워크는 지능형 환경 모니터링 시스템을 위한 개념적 아키텍처를 제공하여 예측 모델링 이상의 영역에서도 적용 가능하게 합니다. 저비용 센싱 기술, 무선 통신, 클라우드 기반 데이터 관리 및 자동화된 예측을 통해 수자원 감시, 비정상 수질 상태의 신속한 식별, 그리고 환경 기관, 수처리 시설, 산업 모니터링 및 정밀 농업을 위한 적시 의사 결정 지원이 가능해집니다. 본 연구는 몇 가지 요인으로 인해 제한점이 있습니다. 제안된 IoT 하드웨어 설계는 개념 증명 단계이며, 실험 평가에는 공개적으로 사용 가능한 Kaggle 수질 적합성(Water Potability) 데이터셋만 사용되었습니다. 장기 센서 보정, 통신 단절, 센서 드리프트, 생물학적 오염 및 계절적 변동과 같은 환경적 문제는 테스트되지 않았습니다. 또한 데이터셋에 용존 산소 및 전기 전도도와 같은 환경 측정값이 부족하여 이러한 측면에 대한 계산 연구가 제한되었습니다. 향후 연구에서는 실제 IoT 구축 및 통합 다항목 센서 장치를 통한 지속적인 환경 데이터 수집을 통해 제안된 아키텍처를 검증할 예정입니다. 또한, 예측 일반화와 모델 해석 가능성을 향상시키기 위해 정교한 딥러닝 모델, 적응형 이상 탐지 알고리즘, 설명 가능한 AI 및 연합 학습을 도입할 것입니다. 스마트 시티, 산업 폐수 모니터링, 정밀 농업 및 환경 지속 가능성 이니셔티브는 에지 컴퓨팅, 디지털 트윈 기술 및 보안 분산 데이터 공유 메커니즘을 통해 지능형 수자원 관리를 위한 확장성, 신뢰성 및 의사 결정 지원을 개선함으로써 혜택을 얻을 것입니다.

그림 11은 제안된 IoT 기반 수질 모니터링 시스템(IoT-WQMS)의 종합적인 성능 평가 결과를 보여줍니다. 결과에 따르면, 제안된 프레임워크는 98.21%의 분류 정확도를 달성하여 본 연구에서 평가한 벤치마크 머신러닝 분류기들보다 우수한 성능을 보였습니다. 수신자 조작 특성(ROC) 분석 결과 ROC-AUC 값은 0.991로 나타났으며, 이는 음용수와 비음용수 샘플 간의 매우 뛰어난 판별력을 나타냅니다. 교차 검증 결과, 10개의 검증 폴드에 걸쳐 평균 정확도가 97.94% ± 0.42%로 나타나 예측 모델의 강건성과 안정성이 더욱 확인되었습니다. 확장성 분석에서는 데이터 세트 활용도가 20%에서 100%로 증가함에 따라 실행 시간이 1.8 s에서 7.9 s로 점진적으로 증가했으나, 분류 정확도는 97.5% 이상을 유지했습니다. 또한, 샘플당 평균 추론 지연 시간은 0.18 s로 나타나, 실시간에 가까운 수질 평가를 위한 제안된 프레임워크의 계산 효율성을 입증했습니다.

ESP32 마이크로컨트롤러, 저가형 센서 모듈 및 클라우드 기반 프로세싱을 이용한 제안된 IoT 아키텍처의 프로토타입 구현 비용은 약 USD 65(≈ INR 5,500)이며, 이는 표준 실험실 기반 수질 평가 시스템보다 상당히 저렴합니다. 이 설계를 통해 지속적인 모니터링과 데이터 기반 의사결정이 자동화됩니다. 하드웨어 비용은 ESP32 개발 보드(USD 8.50), pH 센서 모듈(USD 12.00), 탁도 센서(USD 9.50), DS18B20 온도 센서(USD 3.00), 5 V 전원 공급 장치(USD 6.00), 프로토타입 외함(USD 8.00), 브레드보드 및 상호 연결 액세서리(USD 4.00), 그리고 기타 조립 부품(USD 14.00)을 포함하여 시판되는 구성 요소의 누적 시장 가격을 기준으로 산출되었습니다.

본 연구는 공개적으로 사용 가능한 Kaggle Water Potability 데이터셋을 활용하여 IoT 기반 수질 모니터링 시스템(IoT-WQMS)을 위한 개념 증명용 계산 프레임워크를 제시하였습니다. 제안된 프레임워크는 예시적인 IoT 센싱 아키텍처, 클라우드 지원 데이터 처리 및 머신러닝 기반의 음용 적합성 예측을 통합하여, 수질 평가를 위한 지능형 계산 분석의 타당성을 평가합니다. 실험적 평가 결과, 정확도 98.21%, 정밀도 97.86%, 재현율 98.04%, F1-score 97.95% 및 ROC-AUC 0.991을 달성하며 강력한 예측 성능을 입증하였습니다. 모델의 강건성은 10-fold 교차 검증을 통해 확인되었으며, 평균 정확도 97.94% ± 0.42%와 샘플당 평균 추론 지연 시간 0.18 s를 나타냈습니다. 확장성 분석 결과, 데이터셋 활용도가 20%에서 100%로 증가함에 따라 안정적인 계산 성능이 유지됨을 확인하였습니다. 이러한 결과는 벤치마크 데이터셋을 통한 머신러닝 기반 음용 적합성 예측에 있어 제안된 계산 프레임워크의 유효성을 뒷받침합니다. 제안된 IoT 아키텍처는 개념적 구현 프레임워크로 제시되었으며, 실제 센서 배치를 통한 실험적 검증은 이루어지지 않았습니다. 향후 연구는 현장 조건 하에서 다중 센서 IoT 하드웨어를 사용하여 프레임워크를 구현하고 검증하며, 추가적인 수질 매개변수를 통합하고, 예측 일반화, 적응형 이상 탐지 및 실제 수질 모니터링으로의 실용적 적용성을 향상시키기 위한 고급 인공지능 기술을 조사하는 데 중점을 둘 예정입니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
브레드보드 및 점퍼 와이어	Generic Electronics Supplier	MB-102 / Dupont Kit	하드웨어 모듈의 전기적 상호 연결
클라우드 컴퓨팅 플랫폼	Google	Google Firebase	모니터링 데이터의 저장, 시각화 및 원격 액세스
데이터 암호화 라이브러리	OpenSSL Foundation	AES-256 Library	센서 데이터의 보안 전송
전기전도도 센서			물의 전기전도도 측정
ESP32 개발 보드	Espressif Systems	ESP32-WROOM-32	센서 인터페이싱, 로컬 프로세싱 및 무선 통신
Kaggle 수질 적합성 데이터셋	Kaggle	Water Potability Dataset	모델 개발, 학습 및 성능 평가
MicroSD 카드 모듈	Generic Electronics Supplier	Catalex MicroSD Module	센서 측정값의 임시 버퍼링 및 로컬 저장
pH 센서 모듈	DFRobot	SEN0161-V2	물의 산도 및 알칼리도 측정
오염 물질 검출 센서	Atlas Scientific	EZO Sensor Series	오염 물질 농도 추정
전원 공급 장치	Mean Well	RS-15-5	모니터링 시스템을 위한 안정적인 전원 공급원
Python 프로그래밍 환경	Python Software Foundation	Python 3.11	데이터 전처리, 모델 개발 및 성능 평가
온도 센서	Maxim Integrated	DS18B20	수온 측정
탁도 센서	DFRobot	SEN0189	물 탁도 측정
Visual Studio Code	Microsoft	Version 1.x	소프트웨어 구현 및 디버깅
Wi-Fi 통신 모듈	Espressif Systems	Integrated ESP32 Wi-Fi	모니터링 데이터의 무선 전송