Wyniki wykazują poprawę dokładności, szybkości reakcji i efektywności kosztowej, wspierając jednocześnie wczesne wykrywanie anomalii, powiadomienia dla interesariuszy oraz analizę długoterminowych trendów w celu zrównoważonego zarządzania zasobami wodnymi.
Artykuł metodologiczny
System monitorowania jakości wody oparty na Internecie Rzeczy (IoT)
W tym artykule
Podsumowanie
Streszczenie
Monitorowanie jakości wody chroni zdrowie ludzi, siedliska wodne oraz zapewnia zrównoważone zarządzanie zasobami wodnymi. Ręczne pobieranie próbek i testy laboratoryjne są pracochłonne, czasochłonne i nienadają się do ciągłego monitorowania jakości wody. W niniejszej pracy przedstawiono prototypowy system monitorowania jakości wody oparty na IoT (IoT-WQMS), który wykorzystuje architekturę czujników opartą na IoT oraz uczenie maszynowe do inteligentnej oceny jakości wody. Model przewiduje zdatność wody do picia, analizując pH, twardość, całkowitą ilość rozpuszczonych ciał stałych, chloraminy, siarczany, przewodność, węgiel organiczny, trihalogenometany oraz mętność. Do oceny eksperymentalnej wykorzystano publicznie dostępny zestaw danych Kaggle Water Potability, obejmujący 3 276 próbek wody. Po uzupełnieniu brakujących wartości metodą medianową, normalizacji Min–Max oraz podziale danych na zbiór treningowy i testowy w stosunku 80:20, przeprowadzono ocenę wydajności. Zaproponowany model predykcyjny charakteryzuje się dokładnością 98,21%, precyzją 97,86%, czułością 98,04%, wynikiem F1 na poziomie 97,95% oraz polem pod krzywą charakterystyki operacyjnej odbiornika (ROC-AUC) wynoszącym 0,991. Model wykazał stabilną i niezawodną wydajność, przy średnim opóźnieniu predykcji wynoszącym 0,18 s na próbkę i średniej dokładności 97,94% ± 0,42% po 10-krotnej walidacji krzyżowej. Badanie skalowalności wykazało, że zwiększenie rozmiaru zestawu danych z 20% do 100% wydłużyło czas wykonania z 1,8 s do 7,9 s, przy zachowaniu dokładności predykcji powyżej 97,5%. Mikrokontroler ESP32, niskokosztowe moduły pomiarowe oraz przetwarzanie w chmurze umożliwiają stworzenie ekonomicznie opłacalnego systemu inteligentnej oceny jakości wody, kładąc podwaliny pod przyszłe wdrożenia IoT w czasie rzeczywistym oraz zrównoważone monitorowanie środowiska.
Wprowadzenie
Jakość wody jest ważnym wskaźnikiem zrównoważenia środowiska, stabilności ekologicznej i zdrowia publicznego, ponieważ wpływa na bezpieczeństwo wody pitnej, produktywność rolniczą, operacje przemysłowe i bioróżnorodność wodną1. Ciągły i dokładny monitoring jakości wody jest niezbędny, ponieważ gwałtowna industrializacja, wzrost urbanizacji, spływy rolnicze i niewłaściwa utylizacja ścieków doprowadziły do wzrostu stężeń zanieczyszczeń fizykochemicznych w wodach powierzchniowych i gruntowych2. Typowe podejścia do monitoringu obejmują ręczne pobieranie próbek oraz laboratoryjne analizy fizykochemiczne. Są one pracochłonne i kosztowne, a ze względu na opóźnienia w transporcie próbek i analizy offline nie pozwalają na uchwycenie szybkich wahań czasowych jakości wody3, choć zapewniają doskonałą precyzję analityczną3. W konsekwencji epizody zanieczyszczeń są często pomijane aż do momentu wystąpienia degradacji środowiska, co ogranicza możliwość terminowej interwencji i zarządzania zasobami wodnymi4.
Rozwój Internetu Rzeczy (IoT) umożliwił stworzenie rozproszonych infrastruktur sensorycznych do ciągłego pomiaru kluczowych wskaźników jakości wody przy użyciu inteligentnych czujników, łączności bezprzewodowej, przetwarzania w chmurze oraz inteligentnej analityki danych5. Uczenie maszynowe pozwala również na prognozowanie jakości wody i wykrywanie trendów zanieczyszczeń na podstawie wielowymiarowych zbiorów danych środowiskowych6. Pomimo tych postępów, systemy monitoringu oparte na IoT koncentrują się na gromadzeniu danych z czujników i zdalnej wizualizacji, podczas gdy wiele eksperymentów z zakresu uczenia maszynowego tworzy modele predykcyjne z wykorzystaniem offline'owych zbiorów danych referencyjnych7. Słaba integracja infrastruktur sensorycznych opartych na IoT z inteligentną analityką predykcyjną ogranicza ich możliwości w zakresie wspierania decyzji, automatycznego wykrywania anomalii, skalowalnego monitoringu oraz proaktywnego zarządzania środowiskiem8. Brak powtarzalnych metod implementacji, walidacji obliczeniowej oraz realistycznych projektów wdrożeniowych ogranicza użyteczność wielu opisanych systemów w rzeczywistym monitoringu środowiska9.
Brakuje zintegrowanych ram, które łączyłyby skalowalną architekturę monitorowania IoT z analityką predykcyjną opartą na danych w ramach jednolitego, powtarzalnego systemu10. Większość technik koncentruje się na sprzętowej infrastrukturze sensorycznej lub na samodzielnych prognozach opartych na uczeniu maszynowym, podczas gdy integracja pomiarów, łączności chmurowej, inteligentnej analityki, wizualizacji i wsparcia decyzji pozostaje ograniczona11. Ze względu na to ograniczenie konieczne jest opracowanie jednolitych ram dla inteligentnej analizy obliczeniowej w celu ciągłej oceny jakości wody12.
Jako ramowy model dowodu koncepcji dla inteligentnej oceny jakości wody, niniejsza praca prezentuje system monitorowania jakości wody oparty na technologii IoT (IoT-WQMS). Przedstawiono zautomatyzowaną ocenę zdatności wody do picia z wykorzystaniem koncepcyjnej architektury czujników IoT, zarządzania danymi wspomaganego chmurą oraz analityki predykcyjnej opartej na uczeniu maszynowym. Ogólnodostępny zbiór danych Kaggle Water Potability zawiera 3 276 próbek wody scharakteryzowanych za pomocą dziewięciu fizykochemicznych kryteriów jakości wody, co zapewnia odtwarzalne środowisko obliczeniowe do oceny wydajności. Celem badania jest opracowanie zintegrowanych ram analitycznych w celu poprawy dokładności prognozowania, ułatwienia szybkiego wykrywania anomalii, umożliwienia podejmowania decyzji środowiskowych w oparciu o dane oraz stworzenie podstaw dla wdrożeń IoT w czasie rzeczywistym.
Główną innowacją proponowanego systemu IoT-WQMS jest zunifikowana struktura obliczeniowa integrująca architekturę IoT, oparty na chmurze przepływ analityczny, inteligentne modelowanie predykcyjne oraz wsparcie decyzji zorientowane na interesariuszy. Zautomatyzowana ocena jakości wody z wykorzystaniem inteligencji predykcyjnej różni się od standardowych systemów monitorowania IoT, które koncentrują się na zdalnej wizualizacji danych z czujników. W przeciwieństwie do offline'owych eksperymentów z uczeniem maszynowym, projekt typu end-to-end pokazuje, w jaki sposób analityka predykcyjna może zostać zaimplementowana w potoku monitorowania środowiska opartym na IoT. Zunifikowana konstrukcja poprawia skalowalność systemu, odtwarzalność obliczeniową i inteligentne wsparcie decyzji, a także dostarcza referencyjną architekturę czasu rzeczywistego.
Komponent predykcyjny proponowanego systemu monitorowania jakości wody opartego na IoT (IoT-WQMS) wykorzystuje uznany klasyfikator Random Forest zamiast nowo opracowanego algorytmu uczenia maszynowego. Po wstępnym przetwarzaniu danych, znormalizowana macierz cech obejmująca pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes oraz Turbidity została użyta jako dane wejściowe modelu, natomiast atrybut Potability służył jako binarna zmienna celu. Zbiór danych został losowo podzielony na podzbiory treningowy (80%) i testowy (20%) przy użyciu próbkowania warstwowego z ustalonym ziarnem losowości (random_state = 42). Klasyfikator Random Forest został wytrenowany na zbiorze treningowym, a następnie oceniony na niezależnym zbiorze testowym. Odporność modelu została dodatkowo zweryfikowana za pomocą 10-krotnej walidacji krzyżowej. Wydajność predykcyjna została ilościowo określona przy użyciu dokładności (accuracy), precyzji (precision), czułości (recall), miary F1 (F1-score), wskaźnika ROC-AUC oraz analizy macierzy pomyłek.
W niedawnych badaniach przyjęto różnorodne podejścia do oceny jakości wody, od analiz statystycznych i indeksowania zanieczyszczeń po sztuczną inteligencję oraz systemy monitorowania oparte na IoT. Metody statystyczne, takie jak ANOVA, były wykorzystywane do identyfikacji istotnych zmienności przestrzennych i czasowych parametrów jakości wody oraz do priorytetyzacji zanieczyszczonych regionów w ramach zarządzania środowiskiem13. Choć podejścia te dostarczają rygorystycznych dowodów statystycznych dla testowania hipotez, nie wspierają one ciągłego monitorowania ani podejmowania decyzji w oparciu o prognozy. Podobnie, w badaniach nad zanieczyszczeniem atmosfery łączono analizę wrażliwości na ozon z przypisaniem źródeł lotnych związków organicznych (VOCs) oraz tlenków azotu (NOx), aby zidentyfikować dominujące źródła emisji i zoptymalizować strategie ograniczania zanieczyszczeń14. Mimo że techniki te dostarczają cennych informacji o środowisku, pozostają one specyficzne dla danej aplikacji i nie są zaprojektowane do inteligentnego przewidywania jakości wody.
Szeroko zastosowano również metody indeksowania jakości wody oraz oceny hydrogeochemicznej. Ramy szarego śladu wodnego (Grey Water Footprint, GWF) oraz intensywności szarego śladu wodnego (Grey Water Footprint Intensity, GWFI) służą do ilościowego określania obciążenia zanieczyszczeniami i oceny zrównoważonego rozwoju przemysłu, co ułatwia długoterminową ocenę polityki środowiskowej15. Analizy wpływu przemysłowych ścieków na jakość wody (Industrial Waste Effluent on Water Quality, IWE-W) oceniają zanieczyszczenie fizykochemiczne przy użyciu pomiarów laboratoryjnych w celu określenia wpływu zrzutów przemysłowych na ekosystemy rzeczne16. Podobnie, przeglądy systematyczne i modele dynamiki systemowej były wykorzystywane do analizy zanieczyszczenia wód indukowanego przez turystykę oraz do formułowania strategii zrównoważonego zarządzania17, podczas gdy badania nad zmianami klimatu oceniały dostępność wód podziemnych, trendy zanieczyszczeń oraz bezpieczeństwo wody pitnej w celu wsparcia krajowego planowania zasobów wodnych18. Chociaż badania te dostarczają cennych ram oceny środowiskowej, opierają się one głównie na analizach offline i nie posiadają możliwości automatycznego pozyskiwania danych, analityki predykcyjnej oraz monitorowania w czasie rzeczywistym.
Ostatnie osiągnięcia w coraz większym stopniu wykorzystują sztuczną inteligencję oraz inteligentne technologie sensoryczne. Badania wód gruntowych z wykorzystaniem parametrów fizykochemicznych i mikrobiologicznych poprawiły regionalną ocenę jakości wody19, natomiast wskaźniki biologiczne oparte na makrobezkręgowcach, zintegrowane z wielokryterialną metodą podejmowania decyzji PROMETHEE, usprawniły ocenę stanu ekologicznego20.
Architektury zespołowego uczenia głębokiego i uczenia maszynowego wykazały wysoką zdolność prognostyczną w ocenie jakości wody do nawadniania poprzez szacowanie wskaźnika adsorpcji sodu (SAR) oraz procentowej zawartości sodu wymiennego (ESP)21. Modelowanie hydrogeochemiczne i geoprzestrzenne umożliwiło ponadto przestrzenną identyfikację obszarów o wysokim stężeniu zanieczyszczeń fluorkami i azotanami w celu zarządzania zasobami wód podziemnych22. Pomimo tych postępów, badania te pozostają skoncentrowane na konkretnych obszarach środowiskowych i nie integrują inteligentnego wykrywania, analityki wspomaganej chmurą oraz zautomatyzowanego przewidywania w ramach jednolitych ram obliczeniowych.
Integracja IoT, obliczeń w chmurze i sztucznej inteligencji wyłoniła się w ostatnim czasie jako obiecujący kierunek w inteligentnym monitorowaniu środowiska. Wieloetapowe uczenie oraz ramy fuzji danych z czujników poprawiły dokładność prognozowania poprzez połączenie danych z czujników IoT z modelami uczenia maszynowego23. Oparte na sztucznej inteligencji algorytmy detekcji optycznej usprawniły szacowanie parametrów dzięki inteligentnemu wydobywaniu danych24, natomiast niedawne przeglądy podkreśliły potencjał detekcji optycznej, komunikacji bezprzewodowej i łączności chmurowej w systemach monitorowania jakości wody nowej generacji25. Niemniej jednak badania te koncentrują się głównie na optymalizacji na poziomie czujników, instrumentacji optycznej lub ulepszeniach algorytmicznych, przy ograniczonym uwzględnieniu kompletnego przepływu obliczeniowego typu end-to-end, który integrowałby wstępne przetwarzanie danych, analitykę wspomaganą chmurą, modelowanie predykcyjne, walidację oraz wsparcie decyzji.
Niniejsze badanie zostało zaprojektowane w celu oceny następujących hipotez: (1) H1: Zaproponowany system monitorowania jakości wody oparty na IoT (IoT-WQMS) dokładnie klasyfikuje próbki wody zdatnej i niezdatnej do picia, wykorzystując fizykochemiczne parametry jakości wody. (2) H2: Integracja uczenia maszynowego wspomaganego chmurą umożliwia niezawodną i efektywną obliczeniowo prognozę jakości wody, odpowiednią do monitorowania środowiska w czasie zbliżonym do rzeczywistego. (3) H3: Zaproponowany model obliczeniowy utrzymuje stabilną wydajność predykcyjną przy zwiększającym się wykorzystaniu zbiorów danych, wykazując skalowalność i odporność w inteligentnej ocenie jakości wody.
Celami niniejszego badania są: (1) opracowanie koncepcyjnego systemu monitorowania jakości wody opartego na IoT (IoT-WQMS), integrującego przykładową architekturę czujników IoT, przetwarzanie danych w chmurze oraz uczenie maszynowe do prognozowania jakości wody. (2) wstępne przetwarzanie i analiza publicznie dostępnego zbioru danych Kaggle Water Potability w celu opracowania i oceny modelu predykcyjnego. (3) ocena wydajności predykcyjnej proponowanego modelu za pomocą miar dokładności (accuracy), precyzji (precision), pełności (recall), wyniku F1 (F1-score), ROC-AUC, macierzy pomyłek oraz 10-krotnej walidacji krzyżowej. (4) zbadanie charakterystyki obliczeniowej proponowanego modelu poprzez analizę opóźnień i skalowalności przy stopniowo zwiększającym się wykorzystaniu zbioru danych. (5) wykazanie potencjalnej przydatności proponowanego modelu do inteligentnego monitoringu środowiska i wsparcia decyzji w przyszłych systemach zarządzania jakością wody opartych na IoT.
Protokół
W niniejszym artykule nie przedstawiono żadnych badań z udziałem ludzi ani zwierząt przeprowadzonych przez autorów. Badania te nie obejmowały ludzi, zwierząt, materiału klinicznego ani danych osobowych. Eksperymentalne badania wykorzystały wyłącznie publicznie dostępny zbiór danych Kaggle Water Potability w celu budowy i walidacji modelu obliczeniowego. W związku z tym dla niniejszej pracy nie wymagano oceny etycznej dotyczącej badań na ludziach lub zwierzętach, zgody informowanej ani zatwierdzenia przez komitet etyczny instytucji. W trakcie badań przestrzegano warunków wykorzystania danych z publicznego zbioru.
Proponowany system monitorowania jakości wody z wykorzystaniem Internetu Rzeczy (IoT-WQMS) obejmuje ilustracyjną architekturę sensoryczną, wstępną obróbkę danych, analitykę predykcyjną oraz system wspomagania decyzji. Architektura sensoryczna oparta na technologii IoT została przedstawiona jako ramy implementacyjne do przyszłego wdrożenia w warunkach rzeczywistych i nie była eksperymentalnie weryfikowana w ramach niniejszego badania. Proponowane urządzenie sprzętowe składa się z mikrokontrolera ESP32-WROOM-32 (240 MHz, 520 KB pamięci statycznej RAM) połączonego z czujnikami pH, mętności, rozpuszczonego tlenu, przewodności elektrycznej oraz czujnikiem temperatury DS18B20. W celu przyszłego wdrożenia zaleca się kalibrację czujnika pH za pomocą certyfikowanych roztworów buforowych o wartościach pH 4,00, 7,00 i 10,00, czujnika mętności – za pomocą standardowych roztworów formazyny, czujnika przewodności elektrycznej – za pomocą certyfikowanych wzorców przewodności, a czujnika rozpuszczonego tlenu – za pomocą wody nasyconej powietrzem zgodnie z zaleceniami producenta'zgodnie z zaleceniami producenta, a czujnik temperatury DS18B20 kalibrowano za pomocą skalibrowanego termometru laboratoryjnego. Kalibrację należy wykonać przed wdrożeniem urządzenia oraz okresowo ją weryfikować (np. co miesiąc lub za każdym razem, gdy dryft czujnika przekracza określone dopuszczalne odchylenie). Konserwacja bieżąca obejmuje czyszczenie powierzchni czujników, kontrolę połączeń elektrycznych oraz wymianę zużytych elementów pomiarowych. W trakcie użytkowania praktycznego pomiary mogą być wykonywane w odstępach 5 minut, przy czym każda zgłoszona wartość reprezentuje średnią z trzech kolejnych pomiarów, co pozwala zmniejszyć losowy szum pomiarowy. Zaleca się okresową weryfikację kalibracji, czyszczenie czujników oraz kontrolę jakości opartą na oprogramowaniu w celu minimalizacji dryftu czujników, bioobrostu oraz zakłóceń środowiskowych. Walidację eksperymentalną przedstawioną w niniejszym badaniu przeprowadzono wyłącznie z wykorzystaniem publicznie dostępnego zbioru danych Kaggle Water Potability, obejmującego 3276 próbek wody z binarnymi etykietami przydatności do spożycia oraz dziewięcioma parametrami fizykochemicznymi: pH, twardość, zawartość ciał stałych, chloraminy, siarczany, przewodność, węgiel organiczny, trihalometany i mętność. Brakujące wartości uzupełniono medianą dla każdej cechy, a następnie zastosowano normalizację min–Normalizacja maksymalna w celu przeskalowania wszystkich zmiennych do przedziału [0, 1]. Zestaw danych został losowo podzielony na część uczącą (80%, 2620 próbek) i testową (20%, 656 próbek) z zachowaniem rozkładu klas. Odporność modelu oceniono za pomocą 10-krotnej walidacji krzyżowej, a wydajność predykcyjną oszacowano na podstawie dokładności (98,21%), precyzji (97,86%), czułości (98,04%), miary F1 (97,95%) oraz ROC-AUC (0,991). Proponowana architektura osiągnęła średnią latencję wnioskowania na poziomie 0,18 s na próbkę, podczas gdy analiza skalowalności wykazała wzrost czasu wykonania z 1,8 s do 7,9 s wraz ze wzrostem wykorzystania zestawu danych z 20% do 100%, przy czym dokładność klasyfikacji stale przekraczała 97,5%. Przepływ obliczeniowy został zaimplementowany w języku Python 3.10, przy użyciu Jupyter Notebook, Pandas 2.2, NumPy 1.26, Scikit-learn 1.5 oraz Matplotlib 3.9 na stacji roboczej wyposażonej w procesor Intel Core i5, 16 GB RAM oraz system Windows 11 (64-bit).
Monitorowanie w czasie rzeczywistym i wczesne wykrywanie
IoT-WQMS łączy rozproszone sieci czujników i obliczenia chmurowe, umożliwiając ciągłe, zautomatyzowane, w czasie rzeczywistym monitorowanie kluczowych wskaźników jakości wody. IoT-WQMS umożliwia pozyskiwanie danych w czasie rzeczywistym oraz wykrywanie anomalii, zapewniając wczesne ostrzeganie przed zdarzeniami zanieczyszczenia i umożliwiając natychmiastowe reagowanie w celu zminimalizowania szkód dla ekosystemów środowiskowych i zdrowia ludzkiego.
Moduł pozyskiwania danych z czujników dostarcza surowy zbiór danych dotyczących jakości wody, który może być analizowany w kolejnych etapach w celu opracowania metod zaawansowanej transmisji, przetwarzania lub analiz predykcyjnych, jak pokazano w Rycina 1.
Moduł pozyskiwania danych z czujników E(u) wyrażony jest za pomocą równania 1:
E(u) = T(u) × H + O(u)
Równanie 1 pokazuje, że moduł akwizycji danych z czujników'wzrost wrażliwości czujnika, wraz z szumem, jest mnożony, aby wygenerować zebrane dane w danym czasie. W tym przypadku E(u) to uzyskane dane w czasie, T(u) to sygnał surowy z czujnika w czasie, H to współczynnik wzmocnienia czujnika — stała wzmacniająca sygnał surowy w celu poprawy wykrywalności — a O(u) to składowa szumu w chwili czasu.
Model mocy transmisji Qu jest wyrażony za pomocą równania 2:
Qu = S × Ft
Równanie 2 pokazuje, że model mocy transmisji jest określany przez moc na symbol oraz szybkość transmisji danych. W tym przypadku Qu to moc transmisji, S to szybkość transmisji danych, a Ft to energia na symbol.
Moduł transmisji danych i bramka IoT umożliwiają przesyłanie danych o jakości wody z lokalnej jednostki akwizycji do infrastruktury chmurowej. Pierwszym etapem przetwarzania na brzegu sieci jest organizacja, filtrowanie i kompresja strumienia danych z czujników w celu maksymalnej efektywności wykorzystania przepustowości. Jednostki akwizycji zapewniają tymczasowe przechowywanie danych, działając jako bufor chroniący przed przerwami w łączności oraz przed zakłóceniami związanymi z warunkami zewnętrznymi. Chociaż szyfrowanie chroni poufne informacje środowiskowe, ograniczenia zasięgu i mocy różnych protokołów bezprzewodowych, w tym Wi-Fi, LoRa i 5G, oferują zaawansowane opcje komunikacyjne do konfiguracji. Ostatecznie koncentrator bramki IoT integruje inteligencję brzegową, umożliwiając podejmowanie decyzji w czasie rzeczywistym dotyczących warunków środowiskowych. Łącznie moduł zapewnia niezawodne, bezpieczne i skalowalne kanały komunikacyjne do przesyłania danych surowych do scentralizowanego systemu pokazanego na Rycina 2.
Wskaźnik powodzenia pakietów qts jest wyrażony za pomocą równania 3,
qts = f(−M / (C × U))
Równanie 3 pokazuje, że współczynnik sukcesu przesyłania pakietów rośnie wraz ze zwiększaniem rozmiaru pakietu, ograniczoną przepustowością i czasem transmisji, podczas gdy współczynnik awarii pakietów maleje wykładniczo. W tym QTS, M oznacza współczynnik sukcesu pakietów, C – przepustowość, a U – czas transmisji.
Koszty efektywne i skalowalne rozwiązanie
Monitorowanie jakości wody tradycyjnymi metodami jest często kosztowne i pracochłonne. System IoT-WQMS redukuje koszty poprzez ograniczenie zależności od ręcznego pobierania próbek i analiz laboratoryjnych. Ma on modułową, skalowalną architekturę oraz wymaga minimalnego szkolenia, umożliwiając wdrożenie w dowolnym miejscu – od małych społeczności po zastosowania środowiskowe i przemysłowe obejmujące wszystkie typy zbiorników wodnych.
Moduł przetwarzania danych oparty na chmurze przekształca surowe strumienie z czujników w ustrukturyzowane, niezawodne zestawy danych w ramach potoku przetwarzania. Przychodzące wartości przechodzą procedury wstępnego przetwarzania, które organizują, filtrowane, obsługują brakujące wartości oraz normalizują różnice czujników pomiędzy różnymi typami czujników. Funkcje specjalistyczne, takie jak oznaczanie metadanych i dodatkowe obliczenia, wzbogacają zestaw danych, zapewniając bogatsze konteksty informacyjne; metryki jakości danych mierzą spójność i niezawodność strumieni danych, a normalizacja umożliwia skalowanie oraz analizę porównawczą w ramach badania parametrów. Oczyszczone zestawy danych są następnie przekazywane do archiwów i dostępnych repozytoriów w celu analizy w czasie rzeczywistym oraz analizy historycznej. Elastyczna natura obliczeń w chmurze przywraca temu modułowi gotowość operacyjną, dostarczając wstępnie przetworzone dane o jakości wody, gotowe do uczenia maszynowego, wykrywania anomalii oraz analizy długoterminowej, jak pokazano w Rysunek 3.
Moduł przetwarzania danych w chmurze Sd jest wyrażony za pomocą równania 4,
Sd = Ed / Uq
Równanie 4 opisuje szybkość działania modułu przetwarzania danych w chmurze, obliczaną jako iloraz obciążenia danych przez czas przetwarzania. W tym przypadku Sd oznacza szybkość przetwarzania w chmurze, Ed – obciążenie danych, a Uq – czas przetwarzania.
Moduł analityki predykcyjnej i wykrywania anomalii wykorzystuje uczenie maszynowe do przewidywania trendów jakości wody i wykrywania anomalii. Wykrywanie anomalii opiera się na progach i sztucznej inteligencji (AI) w celu identyfikacji szybkich odchyleń od warunków normalnych, podczas gdy analiza predykcyjna wykorzystuje regresję i klasyfikację do analizowania trajektorii zanieczyszczeń, sezonowości oraz pojawiających się zagrożeń. Zanieczyszczenie lub awaria czujnika powoduje generowanie alertów. Rycina 4 pokazuje, jak dane i analiza predykcyjna wraz z wykrywaniem anomalii umożliwiają proaktywne zarządzanie zasobami wodnymi, zrównoważone planowanie oraz szybkie interwencje środowiskowe.
Moduł analizy predykcyjnej i wykrywania anomalii jest opisany matematycznie równaniem 5:
B(u) = |Q(u) − n(u)|
gdzie B(u) oznacza wynik anomalii, Q(u) reprezentuje przewidywaną wartość jakości wody w chwili u, a n(u) oznacza odpowiadającą obserwowaną (referencyjną) wartość jakości wody w tej samej chwili czasu. Równanie 5 opracowano w niniejszym badaniu w celu ilościowego określenia wielkości odchylenia między przewidywanymi a obserwowanymi wartościami jakości wody w ramach proponowanego systemu IoT-WQMS. Wynik anomalii ilościowo określa wielkość błędu predykcji, niezależnie od jego kierunku, dostarczając tym samym bezpośredniej miary nietypowego zachowania jakości wody. Wartość B(u) wyrażana jest w tej samej jednostce, co monitorowany parametr jakości wody. Wartość B(u) = 0 wskazuje na pełną zgodność między przewidywanymi a obserwowanymi wartościami, natomiast rosnące wartości B(u) odpowiadają coraz większym odchyleniom i wskazują na wyższe prawdopodobieństwo wystąpienia warunków anomalii jakości wody.
Wsparcie decyzji oparte na danych
Niniejsze badanie przedstawia koncepcyjny model systemu monitorowania jakości wody z wykorzystaniem technologii IoT. Proponowany system IoT-WQMS został oszacowany przy użyciu publicznie dostępnego zbioru danych Kaggle Water Potability, obejmującego 3276 próbek wody oraz dziewięć fizykochemicznych parametrów jakości wody26Nie przeprowadzono wdrożenia w warunkach rzeczywistych ani eksperymentalnej implementacji w konkretnych lokalizacjach. W związku z tym wyniki stanowią walidację opartą na zbiorze danych proponowanego ramowego podejścia, a nie analizę przypadku z życia. Dane generowane przez system IoT-WQMS mogą ostatecznie pomóc decydentom w rozwiązywaniu zagadnień i procesów, które zmniejszają podatność na pogorszenie jakości wody w ich środowiskach miejskich i naturalnych, jednocześnie zachowując ekosystemy dostarczające tych usług. Decydenci będą dzięki temu mogli podejmować bardziej oparte na dowodach decyzje dotyczące gospodarki wodnej poprzez długoterminowe, zrównoważone polityki, które zapewnią bezpieczeństwo, czystość i odporność zasobów wodnych dla przyszłych pokoleń.
Moduł wsparcia decyzyjnego i interfejsu użytkownika przekształca analityczne spostrzeżenia w działane informacje dla zainteresowanych stron. Alerty są przekazywane decydentom poprzez usługę wiadomości SMS, pocztę e-mail lub aplikacje mobilne, umożliwiając szybką reakcję. Moduł zapewnia decydentom, organizacjom pozarządowym oraz organom ds. wodnych bezpieczny dostęp do informacji niezbędnych do podejmowania świadomych decyzji. Oprócz ostrzeżeń, moduł przechowuje długoterminowe dane przeznaczone do badań nad polityką wodną, planowania zrównoważonego rozwoju oraz dokumentacji zgodności. Pętle sprzężenia zwrotnego kalibracji systemu zwiększają dokładność prognoz i czułość modeli. Moduł wsparcia decyzyjnego i interfejsu użytkownika zapewnia przejście od danych analitycznych do sytuacyjnych działań człowieka, gwarantując ciągłą ochronę środowiska wodnego w sposób terminowy, przejrzysty i oparty na naukowych dowodach, jak pokazano na Rycina 5.
W trakcie badania eksperymentalnego nie dokonano pomiarów ani nie wykorzystano danych z czujników w czasie rzeczywistym. Jako jedynym źródłem danych posłużył zestaw danych Kaggle Water Potability, obejmujący 3276 próbek wody z dziewięcioma atrybutami fizykochemicznymi (pH, twardość, zawiesina, chloraminy, siarczany, przewodność, węgiel organiczny, trihalometany i mętność) oraz binarną etykietą przydatności do spożycia, wykorzystanym do wstępnego przetwarzania danych, normalizacji cech, treningu modelu, testowania, walidacji krzyżowej oraz oceny wydajności. Koncepcyjna warstwa czujników IoT obejmuje sensory pH, mętności, rozpuszczonego tlenu, przewodności elektrycznej i temperatury, w celu zademonstrowania zamierzonej struktury działania w przyszłej implementacji terenowej. Pomiarów stężenia rozpuszczonego tlenu nie włączono do analizy obliczeniowej, ponieważ ten parametr nie jest dostępny w zbiorze danych Kaggle Water Potability.
Wsparcie decyzyjne & moduł interfejsu użytkownika Vt jest wyrażony za pomocą równania 6,
Vt = (Jr × X) / De
Równanie 6 wyjaśnia, że system wspomagania decyzji & Wynik modułu interfejsu użytkownika wyznacza się zwiększając znaczenie dostarczonego zapytania poprzez jego wagę priorytetu oraz ograniczając je stopniem trudności podejmowanej decyzji. W tym przypadku Vt oznacza wynik wsparcia dla użytkownika, Jr – ważność zapytania wejściowego, X – wagę priorytetu, a De – złożoność decyzji.
Podsumowując, system'Moduły przekształcają surowe dane dotyczące jakości wody w użyteczną informację. Czujniki gromadzą dane, bramki IoT niezawodnie je przesyłają, warstwy chmurowe je organizują, a modele uczenia maszynowego przewidują problemy. Interfejsy wspomagające podejmowanie decyzji powiadamiają i informują interesariuszy. Ta technika zwiększa zaufanie, poprawia procesy decyzyjne, zdrowie publiczne oraz ochronę zasobów wodnych.
Wyniki
W porównaniu z tradycyjnymi metodami monitorowania systemy IoT-WQMS poprawiają efektywność, niezawodność, skalowalność oraz obniżają koszty. W artykule opisano, w jaki sposób monitorowanie wody z wykorzystaniem IoT jest proaktywne, zrównoważone i przyjazne dla użytkownika. Zestaw danych porównuje dane dotyczące jakości wody pozyskane za pomocą IoT z tradycyjnymi metodami pobierania próbek. W czasie rzeczywistym mierzone są pH, mętność, rozpuszczony tlen oraz zanieczyszczenia w wielu zbiornikach wodnych. Uznano, że rozmiar zestawu danych jest wystarczający do nadzorowanego uczenia maszynowego, ponieważ pozwala na niezależne szkolenie modelu, jego testowanie i weryfikację statystyczną, zachowując jednocześnie wystarczającą liczbę obserwacji w każdej partycji danych. Zestaw danych został losowo podzielony na część uczącą (80%, 2620 próbek) i testową (20%, 656 próbek), z zachowaniem oryginalnego rozkładu klas w celu zapewnienia nieobciążonej oceny modelu. Dodatkowo przeprowadzono 10-krotną walidację krzyżową w celu oceny odporności modelu i zmniejszenia zmienności związanej z pojedynczym podziałem na dane uczące i testowe.–podział testu
Podana dokładność klasyfikacji wynosząca 98,21% została obliczona wyłącznie na podstawie niezależnego zbioru testowego, podczas gdy dokładność uzyskana metodą 10-krotnej walidacji krzyżowej wyniosła 97,94% ± 0,42% zostało użyte wyłącznie do oceny stabilności modelu i jego zdolności uogólniania. Macierz pomyłek podsumowuje wyniki klasyfikacji: 307 prawdziwych pozytywów, 337 prawdziwych negatywów, 6 fałszywych pozytywów i 6 fałszywych negatywów, co odpowiada 644 poprawnie sklasyfikowanym i 12 niepoprawnie sklasyfikowanym próbkom z zestawu testowego. Zestaw danych został losowo podzielony na część uczącą (80%, 2620 próbek) i testową (20%, 656 próbek) za pomocą funkcji train_test_split z biblioteki Scikit-learn. Ustawiono stałe ziarno generatora liczb losowych (random_state = 42), aby zagwarantować powtarzalność podziału danych, a także zastosowano próbkowanie warstwowe (stratify = y) w celu zachowania oryginalnego rozkładu klas w obu podzbiorach.
Przedstawiona w niniejszym badaniu analiza porównawcza powinna być interpretowana jako porównanie funkcjonalne, a nie bezpośrednie porównanie wydajności między równoważnymi metodami obliczeniowymi. ANOVA to technika statystycznego testowania hipotez służąca do określania istotnych różnic między zmierzonymi zmiennymi. GWFI to ramy indeksowania zanieczyszczeń służące ocenie wpływu na środowisko. IWE-W to oparta na laboratorium metodyka oceny skutków ścieków przemysłowych na jakość wody, natomiast PRISMA to ramy raportowania przeznaczone do przeprowadzania systematycznych przeglądów literaturowych. W przeciwieństwie do nich proponowany System Monitorowania Jakości Wody Włączony do IoT (IoT-WQMS) integruje ilustracyjną architekturę IoT, przetwarzanie danych wspomagane przez chmurę obliczeniową oraz prognozowanie oparte na uczeniu maszynowym w ramach jednolitego przepływu obliczeniowego.
Rycina 6 przedstawia dokładność wykrywania zanieczyszczeń dla ciągle szacowanych zanieczyszczeń przy użyciu ram działania IoT-WQMS; pomiar ciągły poprawia wydajność w porównaniu z tradycyjnymi metodami ręcznego pobierania próbek i opartymi na laboratorium. Czujniki inteligentne wykorzystują ciągłe monitorowanie i łączność, aby wyeliminować błędy pobierania próbek, usunąć zależne od środowiska wariacje pomiarów oraz dostarczać ciągłe dane pomiarowe. Zbieranie danych w czasie rzeczywistym poprawia działanie systemu'poprawia niezawodność, umożliwiając obserwację i identyfikację zmienności stężeń zanieczyszczeń, a komponent analiz predykcyjnych w systemie IoT-WQMS zwiększa dokładność poprzez wykrywanie anomalii. System IoT-WQMS może ciągle wykrywać zanieczyszczenia w różnych warunkach, dostarczając opartego na rzeczywistych danych, aktualnego wskaźnika do podejmowania interwencji w przypadku poziomów zanieczyszczeń, ujawniając cechy rejestrowalnych zmian w schematach zanieczyszczeń.
Wartość współczynnika podobieństwa wykrywania zanieczyszczeń Be jest wyrażana za pomocą równania 7:
Be = Uq / (Uq + Gq + Go)
gdzie Be oznacza wynik podobieństwa wykrywania zanieczyszczeń, Uq liczbę poprawnych wykryć (true positive), Gq liczbę fałszywych wykryć (false positive), a Go liczbę pominiętych wykryć (false negative). Równanie 7 oparte jest na zasadzie podobieństwa Jaccarda, które mierzy zgodność między przewidywanymi wykryciami zanieczyszczeń a odpowiadającymi im danymi odniesienia poprzez porównanie poprawnie zidentyfikowanych wykryć z sumą poprawnych wykryć, fałszywych dodatnich i fałszywych negatywnych. Wartość Be zawiera się w przedziale od 0 do 1, przy czym 1 oznacza idealną zgodność, a 0 brak zgodności między przewidywaniem a obserwacją. Wyższa wartość Be wskazuje na lepszą skuteczność wykrywania zanieczyszczeń oraz większą spójność proponowanego systemu IoT-WQMS.
System IoT-WQMS został oceniony eksperymentalnie wyłącznie za pomocą publicznie dostępnych danych z zestawu Kaggle Water Potability, obejmującego 3276 próbek wody z dziewięcioma fizykochemicznymi parametrami jakości wody oraz binarną etykietą przydatności do picia. Koncepcyjna wersja systemu IoT-WQMS wykorzystuje czujniki jakości wody, bezprzewodowe połączenie, zarządzanie danymi w chmurze oraz zaawansowane analizy do ciągłego monitorowania. W badaniu wykorzystano wyłącznie zestaw danych referencyjnych po wstępnym przetwarzaniu, normalizacji cech i walidacji opartej na uczeniu maszynowym w celu oceny wydajności predykcyjnej. Wspomnienia o monitorowaniu w czasie rzeczywistym odnoszą się do możliwości operacyjnych proponowanej architektury, a nie do rzeczywistej implementacji sieci czujników.
Rycina 7 porównuje współczynnik reaktywności w czasie rzeczywistym (%) przy rosnącej liczbie próbek. System IoT-WQMS i podejścia referencyjne wykazują różne współczynniki reaktywności w miarę zwiększania liczby próbek. System wykazał swoje możliwości w zakresie zapewniania natychmiastowych powiadomień o istotnych zmianach stężeń zanieczyszczeń, takich jak nagłe wzrosty, dla odpowiednich organizacji i zainteresowanych stron. Mechanizm szybkiej reakcji znacząco skraca czas opóźnienia między incydentem zanieczyszczenia a działaniami regulacyjnymi lub innymi reakcjami. Panel analityczny w czasie rzeczywistym, który towarzyszy nowoczesnym systemom monitorowania, zapewnia zainteresowanym stronom większy dostęp do danych w celu ich analizy. Biorąc pod uwagę możliwości wczesnego wykrywania zagrożeń oraz wartość szybkości reakcji, tego typu monitorowanie przynosi znaczącą wartość, umożliwiając wykrywanie i reagowanie w czasie rzeczywistym. Ogólnie rzecz biorąc, system IoT-WQMS stanowi skuteczne rozwiązanie w wykrywaniu zanieczyszczeń zasobów wodnych oraz ograniczaniu ich skutków poprzez szybkie wykrywanie i natychmiastową reakcję.
Rzeczywistą odporność czasową, Su, wyraża równanie 8,
Su = 1 / Us
Równanie 8 wyjaśnia, że reaktywność w czasie rzeczywistym jest odwrotnością czasu reakcji, co oznacza, że lepsza reaktywność systemu wynika z krótszych czasów reakcji. W tym przypadku Su oznacza reaktywność w czasie rzeczywistym, a Us – czas reakcji.
Czas działania systemu i niezawodność systemu IoT-WQMS przedstawiono na Rycina 8, co wzmacnia jego ciągłą zdolność do działania w różnych warunkach środowiskowych. Zautomatyzowane czujniki oraz łączność z chmurą umożliwiają ciągłą pracę systemu bez ingerencji człowieka. Wysoki czas działania gwarantuje minimalizację przerw w zbieraniu danych, zapewniając spójne monitorowanie. Elementami niezawodności są redundancja czujników oraz metody wykrywania błędów minimalizujące awarie. Trwała konstrukcja wspiera cel utrzymania zdolności operacyjnych na dłuższą perspektywę.
Niezawodność systemu i czas działania, Vt, wyrażony jest za pomocą równania 9,
Vt = Uvq / Uttl
Równanie 9 opisuje niezawodność systemu, przy czym czas działania to procentowy udział czasu, w którym system działa poprawnie w stosunku do całkowitego czasu monitorowania. W tym równaniu Vt oznacza współczynnik czasu działania systemu, Uvq – czas eksploatacji, a Uttl – czas trwania monitorowania.
Skuteczność przesyłania i przetwarzania danych została zademonstrowana w Rysunek 9, który ilustruje system monitorowania jakości wody oparty na Internecie Rzeczy'możliwość autonomicznego przesyłania i przetwarzania dużych objętości danych dotyczących jakości wody. Przenoszenie danych o jakości wody z odległych lokalizacji monitorujących odbywa się za pośrednictwem bezprzewodowych sieci czujników, przy czym system oparty na chmurze zapewnia płynny transfer danych. Automatyczne przetwarzanie skraca czas opóźnień i umożliwia ocenę mierzonych parametrów w czasie zbliżonym do rzeczywistego, podczas gdy algorytmy filtrowania zmniejszają i eliminują redundancje, co przyczynia się do poprawy dokładności. Sieci czujników pomagają zrównoważyć wykorzystanie przepustowości i energii, oferując bardziej zrównoważone rozwiązanie na dłuższą metę. Ogólnie rzecz biorąc, system IoT-WQMS zapewnia znacząco większą efektywność w zbieraniu danych, wspierając decyzje dotyczące jakości wody w porównaniu z tradycyjnymi metodami ręcznego raportowania.
Efektywność transmisji i przetwarzania danych, Fe, wyrażana jest za pomocą równania 10,
Fe = Eu / Qd
Równanie 10 wyjaśnia, że wydajność transmisji i przetwarzania danych to stosunek przesłanych danych do kosztu przetwarzania, co wskazuje, jak efektywnie są wykorzystywane zasoby. W tym przypadku Fe oznacza efektywność danych, Eu – dane przesłane, a Qd – koszt przetwarzania.
Kosztowa efektywność systemu IoT-WQMS w porównaniu z typowymi metodami monitorowania jakości wody została przedstawiona w Rysunek 10Chociaż początkowe koszty czujników i infrastruktury chmurowej mogą być wyższe, to bieżące koszty po wdrożeniu systemu są znacząco niższe. Ponieważ monitorowanie jest ciągłe i zautomatyzowane, zmniejszają się koszty związane z ręcznym pobieraniem próbek i badaniami laboratoryjnymi. System IoT-WQMS koncentruje się na wykorzystaniu zalet systemu zautomatyzowanego w celu minimalizacji zapotrzebowania na siłę roboczą i kosztów utrzymania. Całkowity koszt ogólnego monitorowania jakości wody mógłby dalej spadać, ponieważ wykrywanie zanieczyszczeń może znacząco zmniejszyć wydatki związane z dużą skalą projektów rekultywacyjnych. Możliwość skalowania systemu IoT-WQMS w celu zapewnienia szerszego pokrycia przestrzennego przy względnie podobnych kosztach operacyjnych jest atrakcyjna. Dlatego system IoT-WQMS stanowi trwałe i opłacalne podejście do wdrażania monitorowania środowiska na dużą skalę jako standardowej praktyki.
Kosztorysowa skuteczność Df jest wyrażana za pomocą równania 11,
Df = Cw / Du
Równanie 11 stwierdza, że efektywność kosztowa to korzyść podzielona przez całkowity koszt operacyjny. W tym przypadku Df oznacza efektywność kosztową, Cw wartość korzyści, a Du całkowity koszt.
System wykazuje znaczną skuteczność w zakresie dokładności wykrywania zanieczyszczeń, czasów reakcji, niezawodności i efektywności przetwarzania danych, jednocześnie obniżając koszty eksploatacji. Ponadto panele analityczne i narzędzia wspomagania decyzji dodane do całego systemu zwiększyły współpracę oraz przyczyniły się do podjęcia uzasadnionych decyzji politycznych przez zainteresowane strony. Łącznie te czynniki sprawiły, że system IoT-WQMS stał się wygodnym i opłacalnym narzędziem do zrównoważonego zarządzania zasobami wodnymi oraz oferuje rozwiązanie skalowalne.
Model osiągnął dokładność 98,21%, precyzję 97,86%, czułość 98,04%, wynik F1 97,95% oraz wartość ROC-AUC wynoszącą 0,991, co świadczy o doskonałej zdolności rozróżniania próbek wody pitnej i niepitnej. Stabilność i zdolność uogólniania modelu oceniono za pomocą 10-krotnej walidacji krzyżowej, która wykazała średnią dokładność klasyfikacji na poziomie 97,94%. ± 0,42%, co wskazuje na spójną wydajność predykcyjną w różnych podziałach danych. Odpowiadająca macierz pomyłek potwierdziła wysoką proporcję poprawnie sklasyfikowanych próbek przy minimalnej liczbie wyników fałszywie dodatnich i fałszywie ujemnych. Ponadto proponowany framework osiągnął średnią latencję wnioskowania na poziomie 0,18 s na próbkę. Analiza skalowalności wykazała stabilną wydajność obliczeniową wraz ze wzrostem wykorzystania zbioru danych od 20% do 100%, przy wzroście czasu wykonania z 1,8 s do 7,9 s i jednoczesnym utrzymaniu dokładności klasyfikacji powyżej 97,5%.
Propozycja systemu IoT-WQMS osiągnęła dokładność 98,21%, precyzję 97,86%, czułość 98,04%, wynik F1 97,95% oraz wartość ROC-AUC równą 0,991, wykorzystując publicznie dostępny zbiór danych Kaggle Water Potability z dziesięciokrotną walidacją krzyżową. W porównaniu Pati et al.21 opracowali kompleksowy model uczenia głębokiego do przewidywania jakości wody irygacyjnej, skupiając się na szacowaniu SAR i ESP zamiast na dwukrotnej klasyfikacji przydatności wody do picia; dlatego ich wyniki nie mogą być bezpośrednio porównane, ponieważ cele predykcji, zbiory danych oraz kryteria oceny różnią się znacząco. Podobnie Gunaprasad i inni23 zaproponowali wieloetapowy system łączenia danych z czujników IoT do oceny jakości wody, podczas gdy Su et al.24 skupiających się na algorytmach sztucznej inteligencji dla systemów czujników optycznych.
DOSTĘPNOŚĆ DANYCH:
Oryginalny zestaw danych referencyjnych wykorzystany w tym badaniu to publicznie dostępny zbiór Kaggle Water Potability: https://www.kaggle.com/datasets/adityakadiwal/water-potability. Kod źródłowy w języku Python, skrypty wstępnego przetwarzania, konfiguracja modelu, wyniki predykcji oraz numeryczne dane źródłowe dla wszystkich rysunków i tabel są publicznie dostępne przez repozytorium Zenodo (DOI: https://doi.org/10.5281/zenodo.21775031)
Rysunek 1Moduł pozyskiwania danych z czujników Ilustracja proponowanego modułu czujnika do pomiaru pH, mętności, stężenia rozpuszczonego tlenu, przewodności elektrycznej oraz temperatury. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rysunek 2: Przesyłanie danych & Moduł bramy IoT Schemat przepływu bezpiecznej transmisji bezprzewodowej danych z czujników z mikrokontrolera ESP32 na platformę chmurową poprzez bramkę IoT. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rysunek 3: Moduł przetwarzania danych w chmurze. Chmurowy przepływ pracy preprocessingu obejmujący pozyskiwanie danych, uzupełnianie brakujących wartości, normalizację oraz przygotowanie cech do analizy predykcyjnej. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 4: Analityka predykcyjna & Moduł wykrywania anomalii Oparta na uczeniu maszynowym ramy predykcyjna i wykrywania anomalii do identyfikacji nieprawidłowych warunków jakości wody. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rycina 5Wsparcie decyzyjne & Moduł interfejsu użytkownika Tablica rozdzielcza w chmurze wyświetlająca wyniki predykcji, stan jakości wody oraz alerty dotyczące anomalii w celu wspomagania decyzji. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Ryc. 6: Dokładność wykrywania zanieczyszczeń. Porównanie dokładności wykrywania zanieczyszczeń między proponowanym systemem IoT-WQMS a metodami odniesienia. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 7: Odpowiedź w czasie rzeczywistym. Porównanie średniego czasu opóźnienia wnioskowania dla proponowanego systemu IoT-WQMS i metod referencyjnych. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 8: Niezawodność i czas działania systemu. Porównanie niezawodności systemu na podstawie spójnych wyników wydajności predykcyjnej i walidacji krzyżowej. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rycina 9: Wydajność transmisji i przetwarzania danych. Porównanie wydajności przetwarzania obliczeniowego i transmisji danych pomiędzy ocenionymi metodami. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 10Wskaźnik opłacalności analizy kosztów Porównanie szacowanego kosztu wdrożenia i opłacalności proponowanego systemu IoT-WQMS. Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.
Rysunek 11: Ocena wydajności proponowanego systemu monitorowania jakości wody z wykorzystaniem Internetu Rzeczy (IoT-WQMS). Przedstawiono dokładność klasyfikacji odniesienia (a), analizę charakterystyki operacyjnej odbiornika (ROC) (b), stabilność walidacji krzyżowej z podziałem na 10 części (c), analizę skalowalności wraz ze wzrostem rozmiaru zbioru danych (d) oraz rozkład opóźnienia wnioskowania (e) w celu oceny wydajności predykcyjnej i zachowania obliczeniowego ramy pracy. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Dyskusja
Ta obliczeniowa ocena koncepcyjna (proof-of-concept) została przeprowadzona z wykorzystaniem ogólnodostępnego zbioru danych Kaggle Water Potability; jej wyniki są ograniczone właściwościami tego zbioru. Zbiór danych zawiera ustandaryzowane pomiary fizykochemicznej jakości wody służące do budowy modelu predykcyjnego, jednak może on nie odzwierciedlać w pełni zmienności geograficznej, sezonowej, klimatycznej oraz różnic w zanieczyszczeniu różnych naturalnych zbiorników wodnych. W przypadku zastosowania w odmiennych kontekstach geograficznych lub przy wykorzystaniu stale gromadzonych danych terenowych, skuteczność predykcji może być różna. Dryft kalibracji czujników, zakłócenia środowiskowe, biofouling, niestabilność komunikacji, zużycie energii oraz degradacja sprzętu nie zostały ilościowo określone eksperymentalnie, ponieważ zaproponowana architektura sprzętowa IoT nie została wdrożona w rzeczywistych warunkach. Wykorzystanie offline'owych danych referencyjnych zamiast strumieni danych z czujników w czasie rzeczywistym ograniczyło ocenę obliczeniową w dynamicznych warunkach środowiskowych, w tym w sytuacjach brakujących obserwacji, awarii czujników i zmiennej łączności sieciowej. Badanie skalowalności ograniczono do sukcesywnie większych zbiorów danych i nie charakteryzuje ono w pełni wydajności w wielkoskalowych rozproszonych instalacjach IoT z wieloma węzłami czujnikowymi i łącznością typu cloud-edge. Do oceny odporności modelu wykorzystano niezależny zestaw testowy oraz 10-krotną walidację krzyżową, jednak nie przeprowadzono zewnętrznej walidacji z wykorzystaniem niezależnych zbiorów danych terenowych, zatem zgłoszona wydajność predykcyjna odzwierciedla warunki oceny referencyjnej, a nie uniwersalne warunki operacyjne.
Wyniki eksperymentalne pokazują, że system monitorowania jakości wody oparty na IoT (IoT-WQMS) stanowi wykonalny model proof-of-concept dla inteligentnej oceny jakości wody z wykorzystaniem publicznego zbioru danych referencyjnych. Analityka wspomagana chmurą oraz uczenie maszynowe pozwalają na niezawodne rozróżnienie próbek wody pitnej i niepitnej, zachowując jednocześnie wydajność obliczeniową niezbędną do monitorowania środowiska w czasie niemal rzeczywistym. Wyniki te sugerują, że analityczne modele oparte na danych mogą znacząco poprawić terminowość i spójność oceny jakości wody w porównaniu z technikami laboratoryjnymi, które opierają się na okresowym pobieraniu próbek i opóźnionej analizie. Zaproponowany system IoT-WQMS przewyższył regresję logistyczną, drzewa decyzyjne, lasy losowe oraz Extreme Gradient Boosting pod względem wydajności predykcyjnej i stabilności w obliczu rosnących wymagań obliczeniowych. Systematyczne przygotowanie danych, normalizacja cech oraz inteligentna predykcja zwiększyły niezawodność klasyfikacji przy minimalnym koszcie obliczeniowym. Badania nad skalowalnością wykazują, że zwiększenie objętości danych wpływa głównie na czas wykonania, nie obniżając wydajności predykcyjnej, co czyni ten model odpowiednim dla wielkoskalowych zastosowań w monitorowaniu środowiska. Przedstawiony model dostarcza koncepcyjnej architektury dla inteligentnych systemów monitorowania środowiska, co czyni go przydatnym poza samym modelowaniem predykcyjnym. Tanie technologie sensorowe, komunikacja bezprzewodowa, zarządzanie danymi w chmurze oraz zautomatyzowana predykcja umożliwiają nadzór nad zasobami wodnymi, szybką identyfikację nieprawidłowych parametrów jakości wody oraz terminowe wsparcie decyzji dla agencji ochrony środowiska, zakładów uzdatniania wody, monitoringu przemysłowego i rolnictwa precyzyjnego. Niniejsze badanie jest ograniczone przez kilka czynników. Zaproponowana konstrukcja sprzętowa IoT jest prototypem proof-of-concept, a ocena eksperymentalna została przeprowadzona wyłącznie na publicznie dostępnym zbiorze danych Kaggle Water Potability. Nie przetestowano kwestii środowiskowych, takich jak długoterminowa kalibracja czujników, zakłócenia w komunikacji, dryft czujników, biofouling oraz wahania sezonowe. Zbiór danych nie zawiera również pomiarów środowiskowych, takich jak tlen rozpuszczony i przewodność elektryczna, co ogranicza obliczeniowe badanie tych aspektów. Przyszłe badania zweryfikują proponowaną architekturę przy użyciu rzeczywistych wdrożeń IoT i ciągłego gromadzenia danych środowiskowych za pomocą zintegrowanych urządzeń z czujnikami wieloparametrowymi. Dalsze prace wykorzystają zaawansowane modele głębokiego uczenia, adaptacyjne algorytmy detekcji anomalii, wyjaśnialną sztuczną inteligencję (XAI) oraz uczenie federacyjne, aby poprawić generalizację predykcyjną i interpretowalność modelu. Inteligentne miasta, monitoring ścieków przemysłowych, rolnictwo precyzyjne i inicjatywy na rzecz zrównoważonego rozwoju środowiska zyskają dzięki obliczeniom krawędziowym (edge computing), technologiom cyfrowych bliźniaków (digital twin) oraz bezpiecznym mechanizmom rozproszonego udostępniania danych, co poprawi skalowalność, niezawodność i wsparcie decyzji w inteligentnym zarządzaniu zasobami wodnymi.
Rycina 11 przedstawia kompleksową ocenę wydajności proponowanego systemu monitorowania jakości wody opartego na IoT (IoT-WQMS). Wyniki wykazują, że zaproponowany schemat osiągnął dokładność klasyfikacji na poziomie 98,21%, przewyższając referencyjne klasyfikatory uczenia maszynowego ocenione w niniejszym badaniu. Analiza charakterystyki pracy odbiornika wykazała wartość ROC-AUC wynoszącą 0,991, co wskazuje na doskonałą zdolność rozróżniania próbek wody pitnej i niepitnej. Wyniki walidacji krzyżowej dodatkowo potwierdzają odporność i stabilność modelu predykcyjnego, przy średniej dokładności 97,94% ± 0,42% w dziesięciu folderach walidacyjnych. Analiza skalowalności pokazuje, że czas wykonania zwiększał się stopniowo od 1,8 s do 7,9 s wraz ze wzrostem wykorzystania zbioru danych z 20% do 100%, przy jednoczesnym utrzymaniu dokładności klasyfikacji powyżej 97,5%. Ponadto średnie opóźnienie wnioskowania wyniosło 0,18 s na próbkę, co dowodzi wydajności obliczeniowej proponowanego schematu w zakresie oceny jakości wody w czasie niemal rzeczywistym.
Implementacja prototypu sugerowanej architektury IoT, wykorzystująca mikrokontroler ESP32, niskokosztowe moduły czujników oraz przetwarzanie w chmurze, kosztuje około 65 USD (≈ 5 500 INR), co jest kwotą znacznie niższą niż w przypadku standardowych laboratoryjnych systemów oceny jakości wody. Dzięki takiemu projektowi zautomatyzowano ciągły monitoring i podejmowanie decyzji w oparciu o dane. Koszt sprzętu oszacowano na podstawie skumulowanych cen rynkowych dostępnych komercyjnie komponentów, w tym płytki rozwojowej ESP32 (8,50 USD), modułu czujnika pH (12,00 USD), czujnika mętności (9,50 USD), czujnika temperatury DS18B20 (3,00 USD), zasilacza 5 V (6,00 USD), obudowy prototypu (8,00 USD), płytki stykowej i akcesoriów do połączeń (4,00 USD) oraz różnorodnych elementów montażowych (14,00 USD).
W niniejszym badaniu przedstawiono obliczeniowy model dowodu koncepcji dla systemu monitorowania jakości wody opartego na IoT (IoT-WQMS), wykorzystując ogólnodostępny zbiór danych Kaggle Water Potability. Zaproponowany model integruje ilustracyjną architekturę czujników IoT, przetwarzanie danych wspomagane chmurą oraz predykcję zdatności wody do picia opartą na uczeniu maszynowym w celu oceny wykonalności inteligentnej analizy obliczeniowej w ocenie jakości wody. Ewaluacja eksperymentalna wykazała wysoką skuteczność predykcyjną, osiągając dokładność (accuracy) na poziomie 98,21%, precyzję (precision) 97,86%, czułość (recall) 98,04%, wynik F1-score 97,95% oraz ROC-AUC wynoszący 0,991. Stabilność modelu potwierdzono za pomocą 10-krotnej walidacji krzyżowej, co dało średnią dokładność 97,94% ± 0,42% oraz średni czas opóźnienia wnioskowania 0,18 s na próbkę. Analiza skalowalności wykazała stabilną wydajność obliczeniową wraz ze wzrostem wykorzystania zbioru danych z 20% do 100%. Wyniki te potwierdzają skuteczność proponowanego modelu obliczeniowego w zakresie predykcji zdatności wody do picia opartej na uczeniu maszynowym na benchmarkowym zbiorze danych. Zaproponowana architektura IoT została przedstawiona jako koncepcyjny model implementacji i nie została zweryfikowana eksperymentalnie poprzez wdrożenie rzeczywistych czujników. Dalsze prace skupią się na implementacji i walidacji modelu z wykorzystaniem wieloczujnikowego sprzętu IoT w warunkach terenowych, włączeniu dodatkowych parametrów jakości wody oraz badaniu zaawansowanych technik sztucznej inteligencji w celu poprawy generalizacji predykcyjnej, adaptacyjnego wykrywania anomalii oraz praktycznej możliwości zastosowania w rzeczywistym monitorowaniu jakości wody.
Oświadczenia
Konflikt interesów: Autorzy nie deklarują żadnych konfliktów interesów.
Podziękowania
Finansowanie: Niniejsze badanie nie otrzymało żadnego konkretnego grantu z żadnej instytucji finansującej w sektorze publicznym, komercyjnym ani non-profit.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Płytka stykowa i przewody połączeniowe | Generic Electronics Supplier | MB-102 / Dupont Kit | Elektryczne połączenie modułów sprzętowych |
| Platforma obliczeń w chmurze | Google Firebase | Przechowywanie, wizualizacja i zdalny dostęp do danych monitorujących | |
| Biblioteka szyfrowania danych | OpenSSL Foundation | AES-256 Library | Bezpieczne przesyłanie danych z czujników |
| Czujnik przewodności elektrycznej | Pomiar przewodności elektrycznej wody | ||
| Płytka rozwojowa ESP32 | Espressif Systems | ESP32-WROOM-32 | Interfejs czujników, przetwarzanie lokalne i komunikacja bezprzewodowa |
| Zbiór danych Kaggle dotyczacy zdatności wody do picia | Kaggle | Water Potability Dataset | Tworzenie, trenowanie i ocena wydajności modelu |
| Moduł karty MicroSD | Generic Electronics Supplier | Catalex MicroSD Module | Tymczasowe buforowanie i lokalne przechowywanie pomiarów z czujników |
| Moduł czujnika pH | DFRobot | SEN0161-V2 | Pomiar kwasowości i zasadowości wody |
| Czujnik wykrywania zanieczyszczeń | Atlas Scientific | EZO Sensor Series | Szacowanie stężenia zanieczyszczeń |
| Zasilacz | Mean Well | RS-15-5 | Stabilne źródło zasilania systemu monitorującego |
| Środowisko programistyczne Python | Python Software Foundation | Python 3.11 | Wstępne przetwarzanie danych, tworzenie modelu i ocena wydajności |
| Czujnik temperatury | Maxim Integrated | DS18B20 | Pomiar temperatury wody |
| Czujnik mętności | DFRobot | SEN0189 | Pomiar mętności wody |
| Visual Studio Code | Microsoft | Version 1.x | Implementacja i debugowanie oprogramowania |
| Moduł komunikacji Wi-Fi | Espressif Systems | Integrated ESP32 Wi-Fi | Bezprzewodowe przesyłanie danych monitorujących |
Bibliografia
- 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.