De resultaten tonen een verbeterde nauwkeurigheid, responsiviteit en kostenefficiëntie, terwijl ze vroege anomaliedetectie, waarschuwingen voor belanghebbenden en langetermijnanalyse van trends ondersteunen voor duurzaam waterbeheer.
Methodenartikel
Internet of Things-gebaseerd systeem voor monitoring van waterkwaliteit
In dit artikel
Samenvatting
Samenvatting
Het monitoren van de waterkwaliteit beschermt de menselijke gezondheid, aquatische habitats en draagt bij aan duurzaam waterbeheer. Handmatige bemonstering en laboratoriumtesten zijn arbeidsintensief, tijdrovend en ongeschikt voor continue monitoring van de waterkwaliteit. In dit werk wordt een proof-of-concept IoT-Enabled Water Quality Monitoring System (IoT-WQMS) gepresenteerd dat gebruikmaakt van een op IoT gebaseerde sensorarchitectuur en machine learning voor intelligente evaluatie van de waterkwaliteit. Het raamwerk voorspelt de drinkbaarheid van water op basis van pH, hardheid, totale opgeloste stoffen, chloramines, sulfaat, geleidbaarheid, organische koolstof, trihalomethanen en troebeling. Voor de experimentele beoordeling werd de publiek beschikbare Kaggle Water Potability-dataset gebruikt, bestaande uit 3.276 watermonsters. Na imputatie van ontbrekende waarden op basis van de mediaan, Min–Max-normalisatie en een training-test-split van 80:20, werd de prestatiebeoordeling uitgevoerd. Het voorgestelde voorspellingsmodel heeft een nauwkeurigheid van 98,21%, een precisie van 97,86%, een recall van 98,04%, een F1-score van 97,95% en een receiver operating characteristic area under the curve (ROC-AUC) van 0,991. Het model vertoonde een stabiele en betrouwbare prestatie met een gemiddelde voorspellingslatentie van 0,18 s per monster en een gemiddelde nauwkeurigheid van 97,94% ± 0,42% na 10-voudige kruisvalidatie. Onderzoek naar de schaalbaarheid wees uit dat het vergroten van de dataset van 20% naar 100% de uitvoeringstijd verhoogde van 1,8 s naar 7,9 s, terwijl de voorspellingsnauwkeurigheid boven de 97,5% bleef. Een ESP32-microcontroller, goedkope sensormodules en cloudgebaseerde verwerking maken een economisch rendabel raamwerk mogelijk voor intelligente beoordeling van de waterkwaliteit, wat de basis legt voor toekomstige real-time IoT-implementatie en duurzame monitoring van het milieu.
Inleiding
Waterkwaliteit is een belangrijke indicator voor milieu-duurzaamheid, ecologische stabiliteit en de volksgezondheid, aangezien het de veiligheid van drinkwater, de landbouwproductiviteit, industriële processen en de aquatische biodiversiteit beïnvloedt1. Continue en nauwkeurige bewaking van de waterkwaliteit is noodzakelijk omdat snelle industrialisatie, stedelijke groei, landbouwafwasser en onjuiste lozing van afvalwater de concentraties van fysisch-chemische verontreinigingen in oppervlaktewater en grondwater hebben verhoogd2. Handmatige bemonstering en laboratoriumgebaseerde fysisch-chemische analyse zijn typische monitoringsmethoden. Deze zijn arbeidsintensief en kostbaar en kunnen snelle temporele schommelingen in de waterkwaliteit niet vastleggen vanwege vertraagde monstertransporten en offline analyse3, maar ze bieden wel een uitstekende analytische precisie3. Hierdoor worden contaminatie-incidenten vaak pas opgemerkt wanneer er sprake is van milieudegradatie, wat tijdige interventie en het beheer van watervoorraden beperkt4.
Ontwikkelingen op het gebied van IoT hebben gedistribueerde sensorinfrastructuren mogelijk gemaakt om kritieke waterkwaliteitsindicatoren continu te meten via slimme sensoren, draadloze connectiviteit, cloudcomputing en intelligente data-analyse5. Machine learning kan daarnaast de waterkwaliteit voorspellen en vervuilingstrends detecteren op basis van multidimensionale milieudatasets6. Ondanks deze vooruitgang richten IoT-gebaseerde monitoringsystemen zich voornamelijk op het verzamelen van sensordata en remote visualisatie, terwijl veel machine learning-experimenten voorspellende modellen creëren met behulp van offline benchmark-datasets7. De gebrekkige integratie van IoT-gestuurde sensorinfrastructuren met intelligente voorspellende analyses beperkt hun beslissingsondersteuning, geautomatiseerde anomaliedetectie, schaalbare monitoring en proactief milieubeheer8. Het gebrek aan reproduceerbare implementatiemethoden, computationele validatie en realistische implementatieontwerpen beperkt de bruikbaarheid van veel van de beschreven systemen voor monitoring van het milieu in de echte wereld9.
Er is een gebrek aan een geïntegreerd raamwerk dat een schaalbare IoT-monitoringarchitectuur combineert met datagestuurde voorspellende intelligentie in één uniform, reproduceerbaar systeem10. De meeste technieken richten zich op hardwaregebaseerde sensing-infrastructuur of op zelfstandige voorspellingen via machine learning, terwijl de integratie van sensing, cloudconnectiviteit, intelligente analyse, visualisatie en beslissingsondersteuning beperkt blijft11. Vanwege deze beperking is er behoefte aan een uniform raamwerk voor intelligente computationele analyse van continue evaluatie van de waterkwaliteit12.
Als proof-of-concept framework voor intelligente beoordeling van de waterkwaliteit presenteert dit werk een IoT-Enabled Water Quality Monitoring System (IoT-WQMS). Er wordt een geautomatiseerde beoordeling van de drinkwaterkwaliteit gepresenteerd met behulp van een conceptuele IoT-sensorarchitectuur, cloud-ondersteund databeheer en voorspellende analyses op basis van machine learning. De vrij toegankelijke Kaggle Water Potability dataset bevat 3.276 watermonsters die gekenmerkt worden door negen fysisch-chemische waterkwaliteitscriteria, wat een reproduceerbare computationele omgeving biedt voor prestatiebeoordeling. Het doel van de studie is om een geïntegreerd analytisch framework te ontwikkelen om de voorspellingsnauwkeurigheid te verbeteren, snelle detectie van anomalieën te faciliteren, datagestuurde milieubesluitvorming mogelijk te maken en de basis te leggen voor real-time IoT-implementaties.
Een unified computationeel raamwerk dat IoT-architectuur, cloudgebaseerde analytische workflows, intelligente voorspellende modellering en stakeholdergerichte beslissingsondersteuning integreert, vormt de belangrijkste innovatie van het voorgestelde IoT-WQMS. Geautomatiseerde evaluatie van de waterkwaliteit met behulp van predictieve intelligentie verschilt van standaard IoT-monitoringsystemen, die zich primair richten op de visualisatie van remote sensoren. In tegenstelling tot offline machine learning-experimenten laat een end-to-end ontwerp zien hoe predictieve analyses kunnen worden geïmplementeerd in een IoT-gestuurde pijplijn voor milieumonitoring. Het unified ontwerp verbetert de schaalbaarheid van het systeem, de computationele reproduceerbaarheid en de intelligente beslissingsondersteuning, en biedt een real-time referentiearchitectuur.
Het predictiecomponent van het voorgestelde IoT-Enabled Water Quality Monitoring System (IoT-WQMS) maakt gebruik van een gevestigde Random Forest-classifier in plaats van een nieuw ontwikkeld machine learning-algoritme. Na de data-preprocessing werd de genormaliseerde kenmerkenmatrix bestaande uit pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes en Turbidity gebruikt als modelinput, terwijl het Potability-attribuut diende als de binaire doelvariabele. De dataset werd willekeurig verdeeld in een trainingsset van 80% en een testset van 20% middels gestratificeerde steekproefname met een vaste random seed (random_state = 42). De Random Forest-classifier werd getraind met de trainingsdataset en vervolgens geëvalueerd op de onafhankelijke testdataset. De robuustheid van het model werd verder beoordeeld via 10-voudige kruisvalidering. De predictieve prestaties werden gekwantificeerd met behulp van nauwkeurigheid, precisie, recall, F1-score, ROC-AUC en een analyse van de verwarringsmatrix.
Recent onderzoek heeft diverse benaderingen voor de beoordeling van de waterkwaliteit gehanteerd, variërend van statistische analyse en vervuilingsindexering tot kunstmatige intelligentie en IoT-gestuurde monitoringsystemen. Statistische methoden, zoals ANOVA, zijn ingezet om significante ruimtelijke en temporele variaties in waterkwaliteitsparameters te identificeren en om vervuilde regio's prioriteit te geven voor milieubeheer13. Hoewel deze benaderingen rigoureus statistisch bewijs leveren voor hypothesetoetsing, ondersteunen ze geen continue monitoring of voorspellende besluitvorming. Op soortgelijke wijze hebben studies naar atmosferische vervuiling ozongevoeligheidsanalyses gecombineerd met bronallocatie van vluchtige organische stoffen (VOCs) en stikstofoxiden (NOx) om dominante emissiebronnen te identificeren en strategieën voor het beperken van vervuiling te optimaliseren14. Hoewel deze technieken waardevolle milieu-inzichten bieden, blijven ze applicatiespecifiek en zijn ze niet ontworpen voor intelligente voorspelling van de waterkwaliteit.
Methoden voor waterkwaliteitsindexering en hydrogeochemische beoordeling zijn ook op grote schaal aangepast. De kaders voor de Grey Water Footprint (GWF) en de Grey Water Footprint Intensity (GWFI) kwantificeren vervuilingslasten en evalueren industriële duurzaamheid, waardoor langetermijnbeoordelingen van het milieubeleid worden gefaciliteerd15. Analyses van industrieel afvalwater op de waterkwaliteit (IWE-W) beoordelen fysisch-chemische contaminatie aan de hand van laboratoriummetingen om de impact van industriële lozingen op rivierecosystemen te bepalen16. Evenzo zijn systematische reviews en system dynamics-modellen gebruikt om door toerisme veroorzaakte watervervuiling te analyseren en om duurzame beheersstrategieën te formuleren17, terwijl klimaatveranderingsstudies de beschikbaarheid van grondwater, vervuilingstrends en de veiligheid van drinkwater hebben geëvalueerd ter ondersteuning van de nationale planning van waterbronnen18. Hoewel deze studies waardevolle kaders voor milieubeoordeling bieden, vertrouwen ze primair op offline analyse en missen ze mogelijkheden voor geautomatiseerde gegevensverwerving, voorspellende analyses en real-time monitoring.
Recente vorderingen hebben in toenemende mate gebruikgemaakt van kunstmatige intelligentie en intelligente sensortechnologieën. Grondwateronderzoeken met gebruik van fysisch-chemische en microbiologische parameters hebben de regionale beoordeling van de waterkwaliteit verbeterd19, terwijl biologische indicatoren op basis van macro-invertebraten, geïntegreerd met de PROMETHEE-methode voor multi-criteria besluitvorming, de evaluatie van de ecologische status hebben verbeterd20.
Ensemble deep learning- en machine learning-architecturen hebben een hoge voorspellende capaciteit aangetoond voor de kwaliteit van irrigatiewater door de natriumadsorptieratio (SAR) en het uitwisselbaar natriumpercentage (ESP) te schatten21. Hydrogeochemische en geospatial modeling hebben bovendien de ruimtelijke identificatie van hotspots voor fluoride- en nitraatverontreiniging mogelijk gemaakt voor het beheer van grondwattenbronnen22. Ondanks deze vorderingen blijven deze studies gericht op specifieke milieudomeinen en integreren ze intelligente detectie, cloud-ondersteunde analyses en geautomatiseerde voorspelling niet binnen een uniform computationeel raamwerk.
De integratie van IoT, cloud computing en kunstmatige intelligentie is recentelijk naar voren gekomen als een veelbelovende richting voor intelligente milieumonitoring. Frameworks voor multi-stage learning en sensorfusie hebben de voorspellingsnauwkeurigheid verbeterd door IoT-sensorgegevens te combineren met machine learning-modellen23. Op kunstmatige intelligentie gebaseerde optische sensoralgoritmen hebben de parameter-schatting verbeterd door middel van intelligente datamining24, terwijl recente reviews het potentieel van optische sensing, draadloze communicatie en cloudconnectiviteit hebben benadrukt voor waterkwaliteitsmonitoringsystemen van de volgende generatie25. Desalniettemin leggen deze onderzoeken primair de nadruk op optimalisatie op sensorniveau, optische instrumentatie of algoritmische verbeteringen, met beperkte aandacht voor een end-to-end computationele workflow die datapreprocessing, cloud-ondersteunde analyse, predictieve modellering, validatie en beslissingsondersteuning integreert.
De huidige studie is ontworpen om de volgende hypothesen te evalueren: (1) H1: Het voorgestelde IoT-ondersteunde systeem voor waterkwaliteitsbewaking (IoT-WQMS) classificeert drinkbare en niet-drinkbare watermonsters nauwkeurig op basis van fysisch-chemische waterkwaliteitsparameters. (2) H2: De integratie van cloud-ondersteund machine learning maakt betrouwbare en computationeel efficiënte waterkwaliteitsvoorspellingen mogelijk die geschikt zijn voor milieubewaking in bijna-realtime. (3) H3: Het voorgestelde computationele raamwerk behoudt een stabiele voorspellende prestatie bij toenemend gebruik van datasets, wat schaalbaarheid en robuustheid aantoont voor intelligente waterkwaliteitsbeoordeling.
De doelstellingen van deze studie zijn: (1) Het ontwikkelen van een proof-of-concept IoT-gebaseerd systeem voor waterkwaliteitsmonitoring (IoT-WQMS) waarin een illustratieve IoT-sensarchitectuur, cloudgebaseerde gegevensverwerking en machine learning voor de voorspelling van waterkwaliteit worden geïntegreerd. (2) Het voorbewerken en analyseren van de publiek beschikbare Kaggle Water Potability-dataset voor de ontwikkeling en evaluatie van voorspellende modellen. (3) Het evalueren van de voorspellende prestaties van het voorgestelde raamwerk met behulp van nauwkeurigheid, precisie, recall, F1-score, ROC-AUC, een confusiematrix en 10-voudige kruisvalidatie. (4) Het onderzoeken van de computationele kenmerken van het voorgestelde raamwerk via latentie- en schaalbaarheidsanalyses bij progressief toenemend gebruik van de dataset. (5) Het aantonen van de potentiële toepasbaarheid van het voorgestelde raamwerk voor intelligente monitoring van het milieu en beslissingsondersteuning in toekomstige IoT-gebaseerde systemen voor waterkwaliteitsbeheer.
Protocol
Dit artikel bevat geen onderzoeken met betrekking tot menselijke proefpersonen of dieren die zijn uitgevoerd door de auteurs. Dit onderzoek omvatte geen mensen, dieren, klinische monsters of persoonlijke gegevens. De experimentele studie maakte uitsluitend gebruik van de openbaar beschikbare Kaggle Water Potability-dataset voor de opbouw en validatie van het computationele model. Voor dit werk was geen ethische toetsing met betrekking tot mensen of dieren, geïnformeerde toestemming of goedkeuring door een institutionele ethische commissie vereist. Er is voldaan aan de voorwaarden voor gegevensgebruik van de openbare dataset.
Het voorgestelde IoT-gebaseerde systeem voor waterkwaliteitsmonitoring (IoT-WQMS) omvat een illustratieve sensorarchitectuur, datapreprocessing, predictieve analyses en ondersteuning bij besluitvorming. De IoT-sensorarchitectuur wordt gepresenteerd als een voorgesteld implementatiekader voor toekomstige toepassing in de praktijk en is in dit onderzoek niet experimenteel gevalideerd. De voorgestelde hardware bestaat uit een ESP32-WROOM-32 microcontroller (240 MHz, 520 KB statisch willekeurig toegankelijk geheugen (SRAM)) die is gekoppeld aan pH-, troebelheids-, opgeloste zuurstof-, elektrische geleidbaarheid- en DS18B20 temperatuursensoren. Voor toekomstige implementatie wordt aanbevolen de pH-sensor te kalibreren met gecertificeerde pH 4,00-, 7,00- en 10,00-bufferoplossingen, de troebelheidssensor met standaard formazinoplossingen, de geleidbaarheidssensor met gecertificeerde geleidbaarheidsstandaarden, en de opgeloste zuurstofsensor met luchtverzadigd water volgens de aanwijzingen van de fabrikant'aanbevelingen, en de DS18B20 temperatuursensor met behulp van een gekalibreerd laboratoriumthermometer. Kalibratie dient plaats te vinden vóór inzet en periodiek te worden geverifieerd (bijvoorbeeld maandelijks of telkens wanneer de sensorafwijking de gespecificeerde tolerantie overschrijdt). Regelmatig onderhoud omvat het schoonmaken van de sensoren, het controleren van elektrische verbindingen en het vervangen van gegradeerde sensorelementen. Tijdens praktisch gebruik kunnen metingen worden verricht met intervallen van 5 minuten, waarbij elke gerapporteerde waarde het gemiddelde vertegenwoordigt van drie opeenvolgende metingen om willekeurige meetruis te verminderen. Periodieke verificatie van de kalibratie, het schoonmaken van sensoren en softwarematige kwaliteitscontrole worden aanbevolen om sensorafwijking, biologische vervuiling en omgevingsinterferentie te minimaliseren. De experimentele validatie in deze studie is uitsluitend uitgevoerd met behulp van de openbaar beschikbare Kaggle Water Potability-dataset, bestaande uit 3.276 watermonsters met binaire drinkbaarheidslabels en negen fysisch-chemische parameters: pH, Hardheid, Vaste stoffen, Chlooraminen, Sulfaat, Geleidbaarheid, Organisch koolstof, Trihalomethanen en Troebelheid. Ontbrekende waarden zijn ingevuld met de mediaan van elke kenmerkende parameter, gevolgd door Min–Max-normalisatie om alle variabelen te schalen naar het [0, 1]-interval. De dataset werd willekeurig opgesplitst in 80% voor training (2.620 samples) en 20% voor testen (656 samples), waarbij de klasseverdeling behouden bleef. De robuustheid van het model werd beoordeeld met 10-voudige cross-validatie, en de voorspellende prestaties werden geëvalueerd aan de hand van nauwkeurigheid (98,21%), precisie (97,86%), recall (98,04%), F1-score (97,95%) en ROC-AUC (0,991). Het voorgestelde kader behaalde een gemiddelde inferentielatentie van 0,18 s per sample, terwijl de schaalbaarheidsanalyse uitvoeringstijden liet zien die stegen van 1,8 s tot 7,9 s naarmate het datasetgebruik toenam van 20% tot 100%, met een classificatienauwkeurigheid die consequent boven de 97,5% bleef. De computationele werkvloei werd geïmplementeerd met behulp van Python 3.10, Jupyter Notebook, Pandas 2.2, NumPy 1.26, Scikit-learn 1.5 en Matplotlib 3.9 op een werkstation uitgerust met een Intel Core i5-processor, 16 GB RAM en Windows 11 (64-bit).
Echtijdmonitoring en vroegtijdige opsporing
Het IoT-WQMS combineert gedistribueerde sensornetwerken en cloudcomputing om continue, geautomatiseerde, real-time monitoring te bieden van kritische indicatoren voor waterkwaliteit. Het IoT-WQMS maakt real-time dataverzameling en anomaliedetectie mogelijk, waardoor vroegtijdige waarschuwingen voor verontreinigingsincidenten worden gegeven en directe respons wordt vergemakelijkt om schade aan ecologische systemen en de volksgezondheid tot een minimum te beperken.
De sensorgegevensacquisitiemodule levert een ruwe dataset van waterkwaliteit, die in latere stadia kan worden geëvalueerd om methoden te ontwikkelen voor geavanceerde transmissie, verwerking of predictieve analyses, zoals weergegeven in Figuur 1.
De module voor het verkrijgen van sensordata E(u) wordt uitgedrukt met behulp van vergelijking 1:
E(u) = T(u) × H + O(u)
Vergelijking 1 laat zien dat de module voor het verkrijgen van sensordata'De sensorversterking, plus ruis, wordt vermenigvuldigd om de verzamelde gegevens op een bepaald tijdstip te verkrijgen. Hierbij is E(u) de verkregen gegevens op tijdstip u, T(u) het ruwe sensorsignaal op tijdstip u, en H de sensorversterkingscoëfficiënt. — een constante die het ruwe signaal versterkt voor betere detectie — en O(u) is het ruiscomponent op tijdstip.
Het transmissievermogenmodel Qu wordt uitgedrukt met vergelijking 2:
Qu = S × Ft
Vergelijking 2 laat zien dat het transmissievermogenmodel wordt bepaald door het vermogen per symbool en de datasnelheid. Hierin is Qu het transmissievermogen, S de datasnelheid en Ft de energie per symbool.
De datatransmissie- en IoT-gatewaymodule faciliteert de overdracht van waterkwaliteitsgegevens van de lokale opname-eenheid naar de cloudinfrastructuur. De eerste stap in edge-verwerking ordent, filtert en comprimeert de sensorstroom om de bandbreedte-efficiëntie te maximaliseren. De opname-eenheden bieden tijdelijke opslag en fungeren als buffer tegen verbindingsonderbrekingen, en beschermen de gegevensstroom tegen milieu-invloeden. Terwijl codering gevoelige milieu-informatie beschermt, bieden het bereik en de stroombeperkingen van meerdere draadloze protocollen, waaronder Wi-Fi, LoRa en 5G, geavanceerdere communicatiemogelijkheden voor configuratie. Tot slot integreert de IoT-gatewayhub edge-intelligentie, waardoor realtime beslissingen over milieutomstandigheden mogelijk worden. In totaal zorgt de module voor betrouwbare, veilige en schaalbare communicatiekanalen voor het laden van ruwe gegevens in het centrale systeem dat wordt getoond in Figuur 2.
Het pakketgeslaagdheidspercentage qts wordt uitgedrukt met vergelijking 3,
qts = f(−M / (C × U
Vergelijking 3 laat zien dat de pakketgeslaagdheidsratio toeneemt met de pakketgrootte, de beperkte bandbreedte en de transmissieduur, terwijl de pakketfoutenratio exponentieel afneemt. In dit QTS is M de pakketgeslaagdheidsratio, M de pakketlengte, C de bandbreedte en U de transmissietijd.
Kostenefficiënte en schaalbare oplossing
Het monitoren van waterkwaliteit met traditionele methoden is vaak kostbaar en tijdrovend. Het IoT-WQMS verlaagt de kosten door minder afhankelijk te zijn van handmatige bemonstering en laboratoriumanalyses. Het systeem heeft een modulaire, schaalbare architectuur en vereist minimale training voor implementatie, zowel in kleine gemeenschappen als bij milieutechnische en industriële toepassingen in alle aquatische omgevingen.
De cloudgebaseerde dataverwerkingsmodule transformeert ruwe sensorstromen in gestructureerde, betrouwbare datasets binnen de verwerkingspijplijn. Inkomende waarden ondergaan preprocessing-routines die de gegevens ordenen, filteren, ontbrekende waarden verwerken en normaliseren van sensorvariaties over verschillende sensortypes. Specialisatiefuncties, zoals het taggen van metadata en aanvullende berekeningen, verrijken de dataset om rijkere informatietoepassingen mogelijk te maken; datakwaliteitsmetrieken meten de consistentie en betrouwbaarheid van de datastromen, en normalisatie maakt schaling en vergelijkende analyses binnen de parameterstudie mogelijk. Gereinigde datasets stromen vervolgens door naar archieven en toegankelijke opslagplaatsen voor real-time en historische analyses. De elastische aard van cloudcomputing brengt deze module terug naar operationele gereedheid, waardoor voorverwerkte waterkwaliteitsdata beschikbaar komen voor machine learning, anomaliedetectie en langetermijnanalyse, zoals weergegeven in Figuur 3.
De cloudgebaseerde dataprocessingmodule Sd wordt uitgedrukt met behulp van vergelijking 4,
Sd = Ed / Uq
Vergelijking 4 beschrijft de verwerkingssnelheid van de cloudgebaseerde dataverwerkingsmodule, berekend door de databelasting te delen door de verwerkingstijd. Hierin is Sd de verwerkingssnelheid in de cloud, Ed de databelasting en Uq de verwerkingstijd.
De module voor voorspellende analyses en anomaliedetectie maakt gebruik van machine learning om trends in waterkwaliteit te voorspellen en afwijkingen op te sporen. Anomaliedetectie gebruikt drempelwaarden en kunstmatige intelligentie (AI) om snelle afwijkingen van normale omstandigheden te identificeren, terwijl voorspellende analyses regressie en classificatie toepassen om verontreinigingstrajecten, seizoensgebonden patronen en opkomende risico's te analyseren. Verontreiniging of sensorstoring activeert waarschuwingen. Figuur 4 laat zien hoe gegevens en voorspellende analyses, met detectie van afwijkingen, proactief waterbeheer, duurzame planning en snelle milieuinterventies mogelijk maken.
De module voor voorspellende analyses en anomaliedetectie wordt wiskundig weergegeven door vergelijking 5:
B(u) = |Q(u) − n(u)|
waarbij B(u) de anomalie-score aangeeft, Q(u) de voorspelde waterkwaliteitswaarde op tijdstip u vertegenwoordigt, en n(u) de corresponderende geobserveerde (referentie) waterkwaliteitswaarde op hetzelfde tijdstip aanduidt. Vergelijking 5 werd in dit onderzoek ontwikkeld om de omvang van de afwijking tussen voorspelde en geobserveerde waterkwaliteitsmetingen binnen het voorgestelde IoT-WQMS te kwantificeren. De anomalie-score kwantificeert de omvang van de voorspellingsfout, onafhankelijk van de richting ervan, en levert daarmee een directe maatstaf op voor abnormaal waterkwaliteitsgedrag. De waarde van B(u) wordt uitgedrukt in dezelfde eenheid als de gemonitorde waterkwaliteitsparameter. Een waarde van B(u) = 0 duidt op volledige overeenstemming tussen de voorspelde en geobserveerde metingen, terwijl toenemende waarden van B(u) overeenkomen met steeds grotere afwijkingen en wijzen op een hogere kans op anomalieën in de waterkwaliteit.
Ondersteuning van datagedreven besluitvorming
Dit onderzoek presenteert een proof-of-concept raamwerk voor IoT-gestuurde waterkwaliteitsmonitoring. Het voorgestelde IoT-WQMS werd geëvalueerd aan de hand van de openbaar beschikbare Kaggle Water Potability-dataset, die bestaat uit 3.276 watermonsters en negen fysicochemische waterkwaliteitsparameters.26Er is geen real-time inzet in het veld of experimentele implementatie op specifieke locaties uitgevoerd. De resultaten vertegenwoordigen daarom een op gegevens gebaseerde validatie van het voorgestelde kader, in plaats van een casestudy in de praktijk. De door het IoT-WQMS gegenereerde gegevens kunnen beleidsmakers uiteindelijk ondersteunen bij het aanpakken van onderwerpen en processen die de gevoeligheid voor waterkwaliteitsverslechtering in hun stedelijke en natuurlijke omgevingen verminderen, terwijl de ecosystemen die deze diensten leveren behouden blijven. Beleidsmakers zullen derhalve in staat zijn om op basis van bewijsmateriaal betere beslissingen te nemen over waterbeheer door middel van duurzame langetermijnbeleidsmaatregelen die waterbronnen veilig, schoon en veerkrachtig houden voor komende generaties.
De module voor besluitondersteuning en gebruikersinterface zet analytische inzichten om in acteerbare informatie voor belanghebbenden. Waarschuwingen worden aan besluitvormers verstrekt via Short Message Service (SMS), e-mail of mobiele applicaties, waardoor een snelle respons mogelijk is. De module biedt beleidsmakers, ngo’s en waterautoriteiten veilige toegang tot de informatie die nodig is voor weloverwogen besluiten. Naast waarschuwingen bewaart de module langetermijngegevens voor waterbeleidsonderzoek, duurzaamheidsplanning en nalevingsdocumentatie. Feedbackloops voor systeemcalibratie verhogen de nauwkeurigheid van voorspellingen en de gevoeligheid van modellen. De module voor besluitondersteuning en gebruikersinterface zorgt voor een overgang van analytische gegevens naar menselijke actie in de praktijk, en waarborgt op tijdige, transparante en wetenschappelijk onderbouwde wijze de voortdurende bescherming van het watermilieu, zoals weergegeven in Figuur 5.
Er werden geen metingen van sensoren in real-time verkregen of gebruikt tijdens het experimentele onderzoek. De Kaggle Water Potability-dataset, bestaande uit 3.276 watermonsters met negen fysicochemische kenmerken (pH, hardheid, vaste stoffen, chlooraminen, sulfaat, geleidbaarheid, organisch koolstof, trihalomethanen en troebelheid) en een binaire drinkbaarheidslabel, diende als enige gegevensbron voor gegevensvoorbereiding, kenmerknormalisatie, modeltraining, testen, cross-validatie en prestatie-evaluatie. De conceptuele IoT-sensorlaag omvat pH-, troebelheids-, opgeloste zuurstof-, elektrische geleidbaarheids- en temperatuursensoren om het beoogde operationele kader te demonstreren voor toekomstige inzet in het veld. Metingen van opgeloste zuurstof werden niet opgenomen in de computationele analyse, omdat deze parameter niet beschikbaar is in de Kaggle Water Potability-dataset.
Ondersteuning bij besluitvorming & de gebruikersinterface-module Vt wordt uitgedrukt met behulp van vergelijking 6,
Vt = (Jr × X) / De
Vergelijking 6 verklaart dat de besluntingsondersteuning & De score van de gebruikersinterface-module wordt bepaald door de significantie van de verstrekte query te verhogen met behulp van het prioriteitsgewicht, en te beperken op basis van de moeilijkheid van de keuze. Hierbij is Vt de gebruikersondersteuningscore, Jr het belang van de invoerquery, X het prioriteitsgewicht en De de beslissingscomplexiteit.
Concluderend, het systeem's-modules veranderen ruwe gegevens over waterkwaliteit in bruikbare informatie. Sensoren verzamelen gegevens, IoT-gateways zorgen voor betrouwbare overdracht, cloudlagen organiseren de gegevens en machine learning-modellen voorspellen problemen. Besluntingsondersteunende interfaces informeren en waarschuwen belanghebbenden. Deze techniek versterkt het vertrouwen, het beleid, de volksgezondheid en het behoud van water.
Resultaten
In vergelijking met traditionele monitoringmethoden verbetert IoT-WQMS de efficiëntie, betrouwbaarheid, schaalbaarheid en kosten. In dit artikel wordt beschreven hoe met IoT-verbonden watermonitoring proactief, duurzaam en gebruiksvriendelijk kan worden gewerkt. De dataset vergelijkt met IoT uitgeruste gegevens over waterkwaliteit met traditionele bemonstering. Er worden pH, troebelheid, opgeloste zuurstof en verontreinigingen in real time gemeten in diverse waterlichamen. De grootte van de dataset werd als voldoende beoordeeld voor supervised machine learning, omdat deze toereikend is voor onafhankelijke modeltraining, -testen en statistische validatie, terwijl er voldoende observaties in elke dataverdeling worden behouden. De dataset werd willekeurig opgedeeld in 80% voor training (2.620 monsters) en 20% voor testen (656 monsters), waarbij de oorspronkelijke klassenverdeling behouden bleef om een onbevooroordeelde modelevaluatie te waarborgen. Daarnaast werd een 10-voudige cross-validatie uitgevoerd om de robuustheid van het model te beoordelen en de variabiliteit te verminderen die geassocieerd is met een enkele train-testverdeling.–testverdeling.
De gerapporteerde classificatienauwkeurigheid van 98,21% werd uitsluitend berekend op basis van de onafhankelijke testset, terwijl de 10-voudige kruisvalidatienauwkeurigheid 97,94% bedroeg ± 0,42% werd uitsluitend gebruikt om de modelstabiliteit en de prestaties qua generalisatie te beoordelen. De verwarringsmatrix vat de voorspellingsresultaten samen: 307 echte positieven, 337 echte negatieven, 6 valse positieven en 6 valse negatieven, wat overeenkomt met 644 correct geclassificeerde en 12 verkeerd geclassificeerde monsters uit de testset. De dataset werd willekeurig opgesplitst in 80% trainingsdata (2.620 monsters) en 20% testdata (656 monsters) met behulp van de functie train_test_split uit de Scikit-learn-bibliotheek. Er werd een vaste willekeurige seed (random_state = 42) ingesteld om de reproduceerbaarheid van de opdeling van de data te waarborgen, en er werd gebruikgemaakt van gestratificeerde steekproefneming (stratify = y) om de oorspronkelijke klassenverdeling in beide deelverzamelingen te behouden.
De vergelijkende analyse die in dit onderzoek wordt gepresenteerd, dient te worden opgevat als een functionele vergelijking in plaats van een directe prestatievergelijking tussen equivalente computationele methoden. ANOVA is een statistische hypothese-toetsingstechniek die wordt gebruikt om significante verschillen tussen gemeten variabelen vast te stellen. GWFI is een kader voor het indexeren van verontreiniging ter beoordeling van milieu-impact. IWE-W is een op laboratoriumbasis gebaseerde methodologie voor het beoordelen van de effecten van industriële afvalwaterstromen op waterkwaliteit, en PRISMA is een rapportagekader voor het uitvoeren van systematische literatuuronderzoeken. In tegenstelling hiermee integreert het voorgestelde IoT-gebaseerde systeem voor waterkwaliteitsmonitoring (IoT-WQMS) een illustratieve IoT-architectuur, cloudondersteunde gegevensverwerking en voorspelling op basis van machine learning in een geïntegreerde computationele werkvloei.
Figuur 6 geeft de nauwkeurigheid van verontreinigingsdetectie weer voor continu geschatte verontreinigende stoffen met behulp van het IoT-WQMS-kader; continue meting verbetert de prestaties in vergelijking met traditionele manuele bemonstering en laboratoriummethoden. Slimme sensoren gebruiken continue monitoring en connectiviteit om bemonsteringsfouten te elimineren, omgevingsafhankelijke variaties in metingen te verwijderen en continue meetgegevens te leveren. Het verzamelen van gegevens in real time verbetert het systeem'de betrouwbaarheid door ervoor te zorgen dat variaties in verontreinigingsconcentraties worden waargenomen en geïdentificeerd, en het onderdeel voor voorspellende analyse van het IoT-WKMS verbetert de nauwkeurigheid via anomaliedetectie. Het IoT-WKMS kan continu verontreiniging detecteren onder wisselende omstandigheden, en biedt een real-time, op bewijs gebaseerde proxy voor ingrijpen bij verontreinigingsniveaus door kenmerken van meetbare veranderingen in verontreinigingspatronen bloot te leggen.
Pollutantdetectie Similariteitsscore Be wordt uitgedrukt met behulp van vergelijking 7:
Be = Uq / (Uq + Gq + Go)
waarbij Be de gelijkenisscore voor verontreinigingsdetectie aangeeft, Uq het aantal juist positieve detecties vertegenwoordigt, Gq de aantal fout-positieve detecties aangeeft en Go de aantal fout-negatieve detecties vertegenwoordigt. Vergelijking 7 is gebaseerd op het Jaccard-gelijkenisprincipe, dat de overeenstemming tussen voorspelde verontreinigingsdetecties en de corresponderende referentiewaarnemingen meet door juist geïdentificeerde detecties te vergelijken met de vereniging van correcte detecties, fout-positieven en fout-negatieven. De waarde van Be varieert van 0 tot 1, waarbij 1 perfecte overeenstemming aangeeft en 0 geen overeenstemming tussen voorspelling en observatie. Een hogere waarde van Be duidt op een betere verontreinigingsdetectiemogelijkheid en een grotere consistentie van het voorgestelde IoT-WQMS-systeem.
Het IoT-WQMS wordt experimenteel beoordeeld aan de hand van uitsluitend de openbaar beschikbare Kaggle Water Potability-dataset, die bestaat uit 3.276 watermonsters met negen fysicochemische waterkwaliteitskenmerken en een binaire drinkbaarheidslabel. Het IoT-WQMS als proof-of-concept maakt gebruik van sensoren voor waterkwaliteit, draadloze connectiviteit, cloudgebaseerd datamanagement en geavanceerde analyses voor continu toezicht. Het onderzoek maakt uitsluitend gebruik van de referentiedataset na voorverwerking, normalisatie van kenmerken en validatie op basis van machine learning om de voorspellende prestaties te beoordelen. Verwijzingen naar real-time IoT-monitoring beschrijven de operationele mogelijkheden van de voorgestelde architectuur, en niet de fysieke implementatie van een sensornetwerk.
Figuur 7 vergelijkt de verhouding van real-time respons (%) bij toenemende steekproefomvang. Het IoT-WQMS en de referentiemethoden vertonen verschillende responsverhoudingen naarmate het aantal monsters toeneemt. Het systeem toonde zijn vermogen aan om onmiddellijke meldingen te geven van significante veranderingen in verontreinigingsconcentraties, zoals plotselinge pieken, aan betrokken organisaties en belanghebbenden. Het snelle responsmechanisme vermindert aanzienlijk de vertraging tussen een verontreinigingsincident en regelgevende of andere maatregelen. Het real-time dashboard dat bij geavanceerde monitoringssystemen hoort, biedt belanghebbenden betere toegang tot gegevens voor overweging. Gezien de mogelijkheden tot vroegtijdige waarschuwing en het belang van responsiviteit, levert dit type monitoring aanzienlijke toegevoegde waarde door real-time detectie en respons mogelijk te maken. Over het geheel genomen is IoT-WQMS een effectieve oplossing voor het detecteren van verontreiniging in waterbronnen en het beperken van effecten via tijdige detectie en snelle respons.
De real-time responsiviteit, Su, wordt uitgedrukt met vergelijking 8,
Su = 1 / Us
Vergelijking 8 verklaart dat real-time responsiviteit de inverse is van de responstijd, wat aangeeft dat een verbeterde systeemresponsiviteit het gevolg is van kortere reactietijden. Hierin is Su de real-time responsiviteit en Us de responstijd.
De systeemuptime en betrouwbaarheid van IoT-WQMS worden geïllustreerd in Figuur 8, wat de continuïteit van de bediening onder uiteenlopende omgevingsomstandigheden versterkt. Geautomatiseerde sensoren en cloudconnectiviteit stellen het systeem in staat continu te functioneren zonder menselijke tussenkomst. De hoge bedrijfstijd zorgt ervoor dat gegevensachterstanden tot een minimum worden beperkt, wat consistent toezicht ondersteunt. Sensorduplicatie en foutdetectiemethoden om uitval te minimaliseren, zijn elementen van betrouwbaarheid. Het duurzame ontwerp ondersteunt de doelstelling om op lange termijn operationele capaciteiten te behouden.
De betrouwbaarheid en uptime van het systeem, Vt, wordt uitgedrukt met vergelijking 9,
Vt = Uvq / Uttl
Vergelijking 9 beschrijft de betrouwbaarheid van het systeem, waarbij de uptime het percentage van de tijd is dat het systeem operationeel is ten opzichte van de totale gemonitorde tijd. Hierin is Vt de uptime-verhouding van het systeem, Uvq de operationele tijd en Uttl de duur van de monitoring.
De efficiëntie van gegevensoverdracht en -verwerking wordt gedemonstreerd in Figuur 9, wat het IoT-WQMS illustreert's vermogen om grote hoeveelheden waterkwaliteitsgegevens autonoom over te dragen en te verwerken. Het overbrengen van waterkwaliteitsgegevens vanaf afgelegen meetlocaties wordt gerealiseerd via draadloze sensornetwerken, waarbij het cloudgebaseerde systeem een naadloze datatransmissie faciliteert. Geautomatiseerde verwerking vermindert de vertragingstijd en zorgt voor bijna real-time beoordelingen van gemeten parameters, terwijl filteralgoritmen redundanties verminderen en elimineren, waardoor de nauwkeurigheid wordt ondersteund. Sensornetwerken helpen het bandbreedte- en energieverbruik in balans te houden, wat op termijn een duurzamere oplossing biedt. Over het geheel genomen zorgt het IoT-WQMS voor een aanzienlijk verbeterde efficiëntie in gegevensverzameling om besluitvorming over waterkwaliteit te ondersteunen, in vergelijking met de traditionele manuele rapportage.
De efficiëntie van gegevensoverdracht en -verwerking, Fe, wordt uitgedrukt met vergelijking 10,
Fe = Eu / Qd
Vergelijking 10 verklaart dat de efficiëntie van gegevensoverdracht en -verwerking de verhouding is tussen verzonden gegevens en verwerkingskosten, wat aangeeft hoe efficiënt middelen worden ingezet. Hierin is Fe de gegevensefficiëntie, Eu de verzonden gegevens en Qd de verwerkingkosten.
De kosteneffectiviteit van IoT-WQMS in vergelijking met gebruikelijke methoden voor waterkwaliteitsmonitoring wordt weergegeven in Figuur 10Hoewel de initiële kosten van sensoren en cloudinfrastructuur hoger kunnen zijn, zijn de lopende kosten na implementatie van het systeem aanzienlijk lager. Omdat de monitoring continu en geautomatiseerd verloopt, nemen de kosten voor handmatige bemonstering en laboratoriumonderzoeken af. Het IoT-WQMS richt zich op het benutten van de voordelen van een geautomatiseerd systeem om personeelskosten en onderhoud te minimaliseren. De totale kosten van algemene watermonitoring kunnen verder dalen, aangezien de detectie van verontreinigingen de kosten in verband met grootschalige saneringsprojecten aanzienlijk kan verlagen. De mogelijkheid van het IoT-WQMS om op te schalen en ruimtelijk breder dekking te bieden tegen relatief vergelijkbare operationele kosten is aantrekkelijk. Daarom is IoT-WQMS een duurzame en economisch haalbare aanpak om grootschalige milieumonitoring als standaardpraktijk in te voeren.
De kosteneffectiviteit van Df wordt uitgedrukt met vergelijking 11,
Df = Cw / Du
Vergelijking 11 stelt dat kosteneffectiviteit gelijk is aan de baten gedeeld door de totale operationele kosten. Hierin is Df de kosteneffectiviteit, Cw de waarde van de baten en Du de totale kosten.
Het systeem presteert opmerkelijk goed op het gebied van nauwkeurigheid bij het detecteren van verontreinigingen, responstijden, betrouwbaarheid en gegevensefficiëntie, en heeft de operationele kosten verlaagd. Daarnaast hebben de dashboards en besluntingsondersteunende tools die in het systeem zijn geïntegreerd, de samenwerking vergroot en beleidsbeslissingen onder belanghebbenden onderbouwd. Samen genomen hebben deze factoren van het IoT-WQMS een handig en kostenefficiënt hulpmiddel gemaakt voor duurzaam waterbeheer en het bieden van een schaalbare oplossing.
Het model behaalde een nauwkeurigheid van 98,21%, een precisie van 97,86%, een terugvindbaarheid (recall) van 98,04%, een F1-score van 97,95% en een ROC-AUC van 0,991, wat uitstekende differentiatie tussen drinkbare en niet-drinkbare watermonsters aantoont. De robuustheid en generaliseerbaarheid van het model werden beoordeeld via 10-voudige cross-validatie, wat resulteerde in een gemiddelde classificatienauwkeurigheid van 97,94%. ± 0,42%, wat wijst op een consistente voorspellende prestatie over de verschillende dataverdelingen heen. De bijbehorende verwarringsmatrix bevestigde een hoog aandeel correct geclassificeerde monsters, met minimale fout-positieve en fout-negatieve voorspellingen. Daarnaast behaalde het voorgestelde kader een gemiddelde inferentielatentie van 0,18 s per monster. Uit de schaalbaarheidsanalyse bleek een stabiele computationele prestatie naarmate het datasetgebruik toenam van 20% tot 100%, waarbij de uitvoeringstijd steeg van 1,8 s tot 7,9 s, terwijl de classificatienauwkeurigheid boven de 97,5% bleef.
Het voorgestelde IoT-WKMS behaalde een nauwkeurigheid van 98,21%, een precisie van 97,86%, een terugvindingspercentage (recall) van 98,04%, een F1-score van 97,95% en een ROC-AUC van 0,991, gebruikmakend van de openbaar beschikbare Kaggle Water Potability-dataset met 10-voudige cross-validatie. In vergelijking daarmee, Pati et al.21 ontwikkelden een ensemble deep learning-framework voor de voorspelling van de kwaliteit van irrigatiewater, gericht op de schatting van SAR en ESP in plaats van een binaire classificatie van drinkbaarheid van water; hun gerapporteerde prestaties kunnen derhalve niet direct worden vergeleken, aangezien de voorspellingsdoelen, datasets en evaluatiecriteria aanzienlijk verschillen. Evenzo Gunaprasad et al.23 stelden een meertraps-IoT-sensorfusieframework voor ter beoordeling van waterkwaliteit, terwijl Su et al.24 gericht op algoritmen voor kunstmatige intelligentie voor optische sensorsystemen.
GEGEVENSBESCHIKBAARHEID:
De oorspronkelijke referentiedataset die in dit onderzoek is gebruikt, is de openbaar beschikbare Kaggle Water Potability-dataset: https://www.kaggle.com/datasets/adityakadiwal/water-potability. De Python-broncode, voorverwerkingsscripts, modelconfiguratie, voorspellingsresultaten en numerieke brongegevens voor alle figuren en tabellen zijn openbaar beschikbaar via de Zenodo-repository (DOI: https://doi.org/10.5281/zenodo.21775031)
Figuur 1: Module voor het verzamelen van sensordata Illustratie van de voorgestelde sensor module voor het meten van pH, troebelheid, opgeloste zuurstof, elektrische geleidbaarheid en temperatuur. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 2: Datatransmissie & IoT-gatewaymodule Werkstroom van veilige draadloze overdracht van sensordata van de ESP32-microcontroller naar het cloudplatform via de IoT-gateway. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 3: Module voor verwerking van gegevens in de cloud. Cloudgebaseerde preprocesseringsworkflow inclusief dataverwerving, imputatie van ontbrekende waarden, normalisatie en kenmerkenbereiding voor predictieve analyse. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 4: Voorspellende analyses & Module voor anomaliedetectie Voorspellings- en anomaliedetectiekader op basis van machine learning voor het identificeren van abnormale waterkwaliteitsomstandigheden. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 5: Ondersteuning bij besluitvorming & Gebruikersinterface-module Cloud-dashboard met weergave van voorspellingsresultaten, waterkwaliteitsstatus en anomaliewaarschuwingen voor ondersteuning bij besluitvorming. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 6: Nauwkeurigheid van Verontreinigingsdetectie. Vergelijking van de nauwkeurigheid van verontreinigingsdetectie tussen het voorgestelde IoT-WQMS en referentiemethoden. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 7: Realtime-reactiviteit. Vergelijking van de gemiddelde inferentielatentie van het voorgestelde IoT-WQMS en de referentiemethoden. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 8: Systeembetrouwbaarheid en uptime Vergelijking van systeembetrouwbaarheid op basis van consistente voorspellende prestaties en resultaten van kruisvalidatie. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 9: Efficiëntie van gegevensoverdracht en -verwerking Vergelijking van de rekenkundige verwerking en de efficiëntie van gegevensoverdracht tussen de geëvalueerde methoden. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 10Kosteneffectiviteitsanalyseratio. Vergelijking van de geschatte implementatiekosten en kosteneffectiviteit van het voorgestelde IoT-WQMS. Klik hier om een grotere versie van deze afbeelding te bekijken.
Figuur 11Prestatie-evaluatie van het voorgestelde IoT-gebaseerde systeem voor waterkwaliteitsmonitoring (IoT-WQMS). Benchmarkclassificatie-accuraatheid (a), receiver operating characteristic (ROC)-analyse (b), stabiliteit van 10-voudige cross-validatie (c), schaalbaarheidsanalyse bij toenemende gegevenssetgrootte (d) en inferentielatentieverdeling (e) worden gepresenteerd om de voorspellende prestaties en het computationele gedrag van het kader te beoordelen. Klik hier om een grotere versie van deze afbeelding te bekijken.
Discussie
Deze computationele proof-of-concept evaluatie maakte gebruik van de publiek beschikbare Kaggle Water Potability dataset; de prestaties zijn beperkt door de eigenschappen van deze dataset. De dataset bevat gestandaardiseerde fysische-chemische waterkwaliteitsmetingen voor het bouwen van predictieve modellen; het is echter mogelijk dat geografische, seizoensgebonden, klimatologische en verontreinigingsvariabiliteit over verschillende natuurlijke waterlichamen niet adequaat wordt vastgelegd. Bij toepassing op geografisch verschillende contexten of continu verzamelde veldgegevens kan de effectiviteit van de voorspellingen variëren. Sensorkalibratiedrift, omgevingsinterferentie, biofouling, communicatie-instabiliteit, energieverbruik en hardwaredegradatie zijn niet experimenteel gekwantificeerd, omdat de voorgestelde IoT-hardwarearchitectuur niet in de echte wereld is geïmplementeerd. Het gebruik van offline benchmarkgegevens in plaats van real-time sensorstromen beperkte de computationele evaluatie onder dynamische omgevingsomstandigheden, inclusief ontbrekende waarnemingen, sensorstoringen en variabele netwerkconnectiviteit. Het onderzoek naar schaalbaarheid was beperkt tot progressief grotere datasets en karakteriseert de prestaties in grootschalige gedistribueerde IoT-installaties met veel sensornodes en cloud-edge connectiviteit niet volledig. Een onafhankelijke hold-out testset en 10-voudige kruisvalidatie werden gebruikt om de robuustheid van het model te evalueren, maar externe validatie met onafhankelijke velddatasets is niet uitgevoerd, waardoor de gerapporteerde predictieve prestaties de benchmark-evaluatiecondities weerspiegelen in plaats van universele operationele condities.
De experimentele resultaten tonen aan dat het IoT-Enabled Water Quality Monitoring System (IoT-WQMS) een levensvatbaar proof-of-concept raamwerk is voor intelligente beoordeling van de waterkwaliteit met gebruik van een publieke benchmark-dataset. Cloud-ondersteunde analyses en machine learning kunnen drinkbaar en niet-drinkbaar water betrouwbaar onderscheiden, terwijl de rekenefficiëntie behouden blijft voor monitoring van het milieu in bijna real-time. Deze resultaten suggereren dat datagestuurde analytische raamwerken de tijdigheid en consistentie van de beoordeling van de waterkwaliteit aanzienlijk kunnen verbeteren vergeleken met laboratoriumgebaseerde technieken die afhankelijk zijn van periodieke bemonstering en vertraagde analyse. Het voorgestelde IoT-WQMS presteerde beter dan Logistic Regression, Decision Tree, Random Forest en Extreme Gradient Boosting wat betreft voorspellende prestaties en stabiliteit bij toenemende computationele eisen. Systematische dataprepariatie, feature-normalisatie en intelligente voorspelling verbeterden de betrouwbaarheid van de classificatie tegen minimale rekenkosten. Onderzoek naar schaalbaarheid laat zien dat een toenemend datavolume voornamelijk de uitvoeringstijd beïnvloedt zonder de voorspellende prestaties te verminderen, waardoor het raamwerk geschikt is voor grootschalige toepassingen voor milieumonitoring. Het raamwerk biedt een conceptuele architectuur voor intelligente milieumonitoringsystemen, waardoor het toepasbaar is buiten voorspellende modellering. Surveillance van waterbronnen, snelle identificatie van abnormale waterkwaliteitscondities en tijdige beslissingsondersteuning voor milieuagentschappen, waterzuiveringsinstallaties, industriële monitoring en precisielandbouw worden mogelijk gemaakt door goedkope sensortechnologieën, draadloze communicatie, cloudgebaseerd databeheer en geautomatiseerde voorspelling. Deze studie wordt beperkt door verschillende factoren. Het voorgestelde IoT-hardwareontwerp is een proof of concept, en de experimentele beoordeling maakte uitsluitend gebruik van de publiek beschikbare Kaggle Water Potability dataset. Milieufactoren zoals langdurige sensorkalibratie, communicatiestoringen, sensordrift, biofouling en seizoensfluctuaties zijn niet getest. De dataset bevat bovendien geen milieumaatstaven zoals opgeloste zuurstof en elektrische geleidbaarheid, wat de computationele studie van deze aspecten beperkt. Toekomstige studies zullen de voorgestelde architectuur valideren met behulp van real-world IoT-implementaties en continue verzameling van milieudata met geïntegreerde multi-parameter sensorapparaten. Verder onderzoek zal gebruikmaken van geavanceerde deep learning-modellen, adaptieve algoritmen voor anomaliedetectie, explainable AI en federated learning om de voorspellende generalisatie en modelinterpreteerbaarheid te verbeteren. Smart cities, monitoring van industrieel afvalwater, precisielandbouw en initiatieven voor milieuduurzaamheid zullen profiteren van edge computing, digital twin-technologieën en beveiligde gedistribueerde datadelingsmechanismen om de schaalbaarheid, betrouwbaarheid en beslissingsondersteuning voor intelligent waterbeheer te verbeteren.
Figuur 11 presenteert de uitgebreide prestatie-evaluatie van het voorgestelde IoT-Enabled Water Quality Monitoring System (IoT-WQMS). De resultaten laten zien dat het voorgestelde raamwerk een classificatienauwkeurigheid van 98,21% behaalde, waarmee het beter presteerde dan de benchmark machine learning-classificatoren die in deze studie zijn geëvalueerd. De receiver operating characteristic-analyse leverde een ROC-AUC van 0,991 op, wat wijst op een uitstekend onderscheid tussen drinkbare en niet-drinkbare watermonsters. De resultaten van de kruisvalidatie bevestigen verder de robuustheid en stabiliteit van het voorspellende model, met een gemiddelde nauwkeurigheid van 97,94% ± 0,42% over tien validatie-folds. De schaalbaarheidsanalyse laat zien dat de uitvoeringstijd geleidelijk toenam van 1,8 s naar 7,9 s naarmate het datasetgebruik steeg van 20% naar 100%, terwijl een classificatienauwkeurigheid van boven de 97,5% werd behouden. Bovendien was de gemiddelde inferentielatentie 0,18 s per monster, wat de computationele efficiëntie van het voorgestelde raamwerk demonstreert voor waterkwaliteitsbeoordelingen in bijna real-time.
De prototype-implementatie van de voorgestelde IoT-architectuur, gebruikmakend van een ESP32-microcontroller, goedkope sensormodules en cloudgebaseerde verwerking, kost ongeveer USD 65 (≈ INR 5.500), wat aanzienlijk minder is dan standaard laboratoriumgebaseerde systemen voor de evaluatie van waterkwaliteit. Continue monitoring en datagestuurde besluitvorming zijn met dit ontwerp geautomatiseerd. De hardwarekosten werden geschat op basis van de cumulatieve marktprijzen van commercieel beschikbare componenten, waaronder een ESP32-ontwikkelbord (USD 8,50), pH-sensormodule (USD 12,00), troebelheidssensor (USD 9,50), DS18B20-temperatuursensor (USD 3,00), 5 V voeding (USD 6,00), prototypebehuizing (USD 8,00), breadboard en verbindingsaccessoires (USD 4,00) en diverse assemblagecomponenten (USD 14,00).
Deze studie presenteerde een proof-of-concept computationeel raamwerk voor een IoT-gestuurd systeem voor waterkwaliteitsmonitoring (IoT-WQMS) met behulp van de publiek beschikbare Kaggle Water Potability-dataset. Het voorgestelde raamwerk integreert een illustratieve IoT-senseringsarchitectuur, cloud-ondersteunde gegevensverwerking en waterpotabiliteitsvoorspelling op basis van machine learning om de haalbaarheid van intelligente computationele analyse voor waterkwaliteitsbeoordeling te evalueren. Experimentele evaluatie toonde sterke voorspellende prestaties aan, met een nauwkeurigheid van 98,21%, precisie van 97,86%, recall van 98,04%, F1-score van 97,95% en een ROC-AUC van 0,991. De robuustheid van het model werd bevestigd via 10-voudige kruisvalidatie, wat resulteerde in een gemiddelde nauwkeurigheid van 97,94% ± 0,42% en een gemiddelde inferentielatentie van 0,18 s per sample. Schaalbaarheidsanalyse toonde stabiele computationele prestaties aan naarmate het datasetgebruik toenam van 20% naar 100%. Deze bevindingen ondersteunen de effectiviteit van het voorgestelde computationele raamwerk voor machine-learning-gebaseerde voorspelling van waterpotabiliteit op een benchmarkdataset. De voorgestelde IoT-architectuur wordt gepresenteerd als een conceptueel implementatieraamwerk en is niet experimenteel gevalideerd via een echte implementatie van sensoren. Toekomstig werk zal zich richten op het implementeren en valideren van het raamwerk met behulp van multi-sensor IoT-hardware onder veldomstandigheden, het opnemen van aanvullende waterkwaliteitsparameters en het onderzoeken van geavanceerde kunstmatige intelligentietechnieken om de voorspellende generalisatie, adaptieve anomaliedetectie en praktische toepasbaarheid voor waterkwaliteitsmonitoring in de praktijk te verbeteren.
Openbaarmakingen
Belangenverstrengeling: De auteurs verklaren dat er geen belangenverstrengelingen zijn.
Dankbetuigingen
financiering: Dit onderzoek heeft geen specifieke subsidie ontvangen van enige financieringsinstantie in de publieke, commerciële of non-profit sector.
Materialen
| Naam | Bedrijf | Catalogusnummer | Opmerkingen |
|---|---|---|---|
| Breadboard en verbindingsdraden | Algemene leverancier van elektronica | MB-102 / Dupont-kit | Elektrische onderlinge verbinding van hardwaremodules |
| Cloudcomputingplatform | Google Firebase | Opslag, visualisatie en toegang op afstand tot monitoringsgegevens | |
| Bibliotheek voor gegevensversleuteling | OpenSSL Foundation | AES-256-bibliotheek | Beveiligde verzending van sensorgegevens |
| Elektrische geleidbaarheidssensor | Meting van de elektrische geleidbaarheid van water | ||
| ESP32-ontwikkelbord | Espressif Systems | ESP32-WROOM-32 | Sensorinterfacing, lokale verwerking en draadloze communicatie |
| Kaggle-dataset voor drinkwaterkwaliteit | Kaggle | Dataset voor Drinkwaterkwaliteit | Modelontwikkeling, training en prestatie-evaluatie |
| MicroSD-kaartmodule | Algemene leverancier van elektronica | Catalex MicroSD-module | Tijdelijke buffering en lokale opslag van sensormetingen |
| pH-sensormodule | DFRobot | SEN0161-V2 | Meting van de zuurgraad en alkaliniteit van water |
| Sensor voor de detectie van verontreinigende stoffen | Atlas Scientific | EZO-sensorserie | Schatting van de concentratie van verontreinigende stoffen |
| Voeding | Mean Well | RS-15-5 | Stabiele stroombron voor het monitoringsysteem |
| Python-programmeeromgeving | Python Software Foundation | Python 3.11 | Gegevenspreprocessering, modelontwikkeling en prestatie-evaluatie |
| Temperatuursensor | Maxim Integrated | DS18B20 | Meting van de watertemperatuur |
| Troebelheidssensor | DFRobot | SEN0189 | Meting van de troebeling van water |
| Visual Studio Code | Microsoft | Versie 1.x | Software-implementatie en debuggen |
| Wi-Fi-communicatiemodule | Espressif Systems | Geïntegreerde ESP32 Wi-Fi | Draadloze overdracht van monitoringsgegevens |
Referenties
- 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.