Os resultados mostram maior precisão, capacidade de resposta e eficiência de custos, além de apoiar a detecção precoce de anomalias, alertas a partes interessadas e análise de tendências de longo prazo para o gerenciamento sustentável dos recursos hídricos.
Artigo de método
Sistema de Monitoramento da Qualidade da Água Habilitado pela Internet das Coisas
Neste artigo
Resumo
Resumo
O monitoramento da qualidade da água protege a saúde humana, os habitats aquáticos e a gestão sustentável dos recursos hídricos. A amostragem manual e os testes laboratoriais são trabalhosos, demorados e inadequados para o monitoramento contínuo da qualidade da água. Neste trabalho, é apresentado um sistema de prova de conceito de monitoramento da qualidade da água habilitado para IoT (IoT-WQMS) que utiliza uma arquitetura de sensores baseada em IoT e aprendizado de máquina para avaliação inteligente da qualidade da água. O modelo prevê a potabilidade da água com base em pH, dureza, sólidos dissolvidos totais, cloraminas, sulfato, condutividade, carbono orgânico, trihalometanos e turbidez. O conjunto de dados público sobre potabilidade da água disponível no Kaggle, composto por 3.276 amostras de água, foi utilizado para avaliação experimental. Após a imputação de valores ausentes com base na mediana, normalização Min–Max e divisão de treinamento-teste de 80:20, foi realizada a avaliação de desempenho. O modelo de predição proposto alcançou precisão de 98,21%, exatidão de 97,86%, sensibilidade de 98,04%, pontuação F1 de 97,95% e área sob a curva da característica de operação do receptor (ROC-AUC) de 0,991. O modelo demonstrou desempenho estável e confiável, com latência média de predição de 0,18 s por amostra e precisão média de 97,94% ± 0,42% após validação cruzada de 10 dobras. A investigação de escalabilidade indicou que o aumento do tamanho do conjunto de dados de 20% para 100% elevou o tempo de execução de 1,8 s para 7,9 s, mantendo a precisão da predição acima de 97,5%. Um microcontrolador ESP32, módulos sensores de baixo custo e processamento baseado em nuvem permitem uma estrutura economicamente viável para avaliação inteligente da qualidade da água, estabelecendo as bases para futuras implantações em tempo real com IoT e monitoramento ambiental sustentável.
Introdução
A qualidade da água é um indicador importante da sustentabilidade ambiental, estabilidade ecológica e saúde pública, pois influencia a segurança da água potável, a produtividade agrícola, as operações industriais e a biodiversidade aquática1. É necessário um monitoramento contínuo e preciso da qualidade da água, pois a rápida industrialização, o crescimento urbano, o escoamento agrícola e a disposição inadequada de águas residuais aumentaram as concentrações de poluentes físico-químicos nas águas superficiais e subterrâneas2. A coleta manual de amostras e a análise físico-química em laboratório são abordagens típicas de monitoramento. Elas são trabalhosas e onerosas, e não conseguem captar flutuações temporais rápidas na qualidade da água devido ao atraso no transporte das amostras e à análise off-line3, embora ofereçam excelente precisão analítica3. Assim, episódios de contaminação frequentemente passam despercebidos até que ocorra a degradação ambiental, limitando a intervenção oportuna e a gestão dos recursos hídricos4.
Os avanços na IoT permitiram que infraestruturas de sensores distribuídos realizassem medições contínuas de indicadores críticos da qualidade da água por meio de sensores inteligentes, conectividade sem fio, computação em nuvem e análise inteligente de dados5. O aprendizado de máquina também pode prever a qualidade da água e detectar tendências de poluição a partir de conjuntos de dados ambientais multidimensionais6. Apesar desses avanços, os sistemas de monitoramento baseados em IoT concentram-se na coleta de dados de sensores e na visualização remota, enquanto muitos experimentos de aprendizado de máquina criam modelos preditivos utilizando conjuntos de dados de referência offline7. A fraca integração entre infraestruturas de sensores habilitadas para IoT e análises preditivas inteligentes limita seu suporte à tomada de decisão, detecção automatizada de anomalias, monitoramento escalável e gestão ambiental proativa8. A ausência de métodos de implementação repetíveis, validação computacional e projetos de implantação realistas limita a utilidade de muitos dos sistemas descritos para monitoramento ambiental no mundo real9.
Um framework integrado que combine uma arquitetura escalável de monitoramento por IoT com inteligência preditiva baseada em dados em um sistema unificado e repetível ainda é ausente10. A maioria das técnicas concentra-se na infraestrutura de sensores baseada em hardware ou em previsões isoladas baseadas em aprendizado de máquina, enquanto a integração entre sensores, conectividade em nuvem, análises inteligentes, visualização e suporte à decisão permanece limitada11. Devido a essa limitação, faz-se necessário um framework unificado para análise computacional inteligente da avaliação contínua da qualidade da água12.
Como uma estrutura de prova de conceito para avaliação inteligente da qualidade da água, este trabalho apresenta um Sistema de Monitoramento da Qualidade da Água Habilitado para IoT (IoT-WQMS). É apresentada uma avaliação automatizada da potabilidade da água utilizando uma arquitetura conceitual de sensores IoT, gerenciamento de dados assistido por nuvem e análise preditiva baseada em aprendizado de máquina. O conjunto de dados sobre potabilidade da água, livremente acessível no Kaggle, contém 3.276 amostras de água caracterizadas por nove critérios físico-químicos de qualidade da água, fornecendo um ambiente computacional reproduzível para avaliação de desempenho. O objetivo do estudo é desenvolver uma estrutura analítica integrada para melhorar a precisão das previsões, facilitar a detecção rápida de anomalias, permitir a tomada de decisões ambientais baseada em dados e fornecer a base para implantações em tempo real com IoT.
Um framework computacional unificado que integra a arquitetura de IoT, fluxo de trabalho analítico baseado em nuvem, modelagem preditiva inteligente e suporte à decisão orientado para as partes interessadas é a principal inovação do IoT-WQMS proposto. A avaliação automatizada da qualidade da água usando inteligência preditiva difere dos sistemas convencionais de monitoramento por IoT, que se concentram na visualização remota de sensores. Um projeto de ponta a ponta demonstra como a análise preditiva pode ser implementada em um sistema de monitoramento ambiental habilitado para IoT, ao contrário de experimentos offline de aprendizado de máquina. O design unificado melhora a escalabilidade do sistema, a reprodutibilidade computacional e o suporte inteligente à decisão, fornecendo uma arquitetura de referência em tempo real.
O componente de previsão do sistema proposto de monitoramento da qualidade da água habilitado para IoT (IoT-WQMS) utiliza um classificador Random Forest estabelecido, em vez de um novo algoritmo de aprendizado de máquina. Após o pré-processamento dos dados, a matriz de características normalizada composta por pH, Dureza, Sólidos, Cloraminas, Sulfato, Condutividade, Carbono Orgânico, Trihalometanos e Turbidez foi utilizada como entrada do modelo, enquanto o atributo Potabilidade serviu como variável alvo binária. O conjunto de dados foi dividido aleatoriamente em subconjuntos de treinamento (80%) e teste (20%) utilizando amostragem estratificada com uma semente aleatória fixa (random_state = 42). O classificador Random Forest foi treinado usando o conjunto de dados de treinamento e posteriormente avaliado no conjunto de dados de teste independente. A robustez do modelo foi ainda avaliada por meio de validação cruzada com 10 dobras. O desempenho preditivo foi quantificado utilizando acurácia, precisão, revocação, pontuação F1, análise ROC-AUC e matriz de confusão.
Pesquisas recentes adotaram abordagens diversas para a avaliação da qualidade da água, variando de análise estatística e indexação de poluição até inteligência artificial e sistemas de monitoramento habilitados por IoT. Métodos estatísticos, como a ANOVA, têm sido empregados para identificar variações espaciais e temporais significativas nos parâmetros de qualidade da água e para priorizar regiões poluídas no gerenciamento ambiental13. Embora essas abordagens forneçam evidências estatísticas rigorosas para testes de hipóteses, elas não permitem o monitoramento contínuo nem a tomada de decisões preditivas. Da mesma forma, estudos sobre poluição atmosférica combinaram análise de sensibilidade ao ozônio com a alocação de fontes de compostos orgânicos voláteis (VOCs) e óxidos de nitrogênio (NOx) para identificar as principais fontes emissoras e otimizar estratégias de mitigação da poluição14. Embora essas técnicas forneçam informações ambientais valiosas, elas permanecem específicas a cada aplicação e não são projetadas para previsão inteligente da qualidade da água.
Métodos de indexação da qualidade da água e avaliações hidrogeoquímicas também têm sido amplamente adotados. As abordagens da Pegada de Água Cinza (GWF) e da Intensidade da Pegada de Água Cinza (GWFI) quantificam cargas de poluição e avaliam a sustentabilidade industrial, facilitando assim a avaliação de políticas ambientais de longo prazo15. As análises de Efluentes de Resíduos Industriais na Qualidade da Água (IWE-W) avaliam a contaminação físico-química por meio de medições laboratoriais para determinar o impacto dos lançamentos industriais em ecossistemas fluviais16. Da mesma forma, revisões sistemáticas e modelos de dinâmica de sistemas têm sido utilizados para analisar a poluição hídrica induzida pelo turismo e formular estratégias sustentáveis de gestão17, enquanto estudos sobre mudanças climáticas avaliaram a disponibilidade de águas subterrâneas, tendências de poluição e a segurança da água potável para apoiar o planejamento nacional de recursos hídricos18. Embora esses estudos forneçam estruturas valiosas para avaliação ambiental, eles dependem principalmente de análises offline e carecem de aquisição automatizada de dados, análises preditivas e capacidades de monitoramento em tempo real.
Avanços recentes têm incorporado cada vez mais inteligência artificial e tecnologias de sensores inteligentes. Investigações de águas subterrâneas utilizando parâmetros físico-químicos e microbiológicos têm aprimorado a avaliação da qualidade da água em nível regional19, enquanto indicadores biológicos baseados em macroinvertebrados, integrados ao método de tomada de decisão multicritério PROMETHEE, têm melhorado a avaliação do status ecológico20.
Arquiteturas de aprendizado profundo e aprendizado de máquina em conjunto demonstraram alta capacidade preditiva para a qualidade da água de irrigação, estimando a razão de adsorção de sódio (SAR) e o percentual de sódio trocável (ESP)21. Modelagem hidrogeoquímica e geoespacial permitiu ainda a identificação espacial de pontos críticos de contaminação por fluoretos e nitratos para o gerenciamento de recursos de águas subterrâneas22. Apesar desses avanços, esses estudos permanecem focados em domínios ambientais específicos e não integram sensores inteligentes, análises assistidas por nuvem e predição automatizada dentro de um framework computacional unificado.
A integração de IoT, computação em nuvem e inteligência artificial surgiu recentemente como uma direção promissora para o monitoramento ambiental inteligente. Estruturas de aprendizado em múltiplos estágios e fusão de sensores têm aprimorado a precisão das previsões ao combinar dados de sensores IoT com modelos de aprendizado de máquina23. Algoritmos de sensoriamento óptico baseados em inteligência artificial têm aprimorado a estimativa de parâmetros por meio de mineração inteligente de dados24, enquanto revisões recentes destacaram o potencial do sensoriamento óptico, comunicação sem fio e conectividade em nuvem para sistemas de monitoramento da qualidade da água de nova geração25. No entanto, essas investigações enfatizam principalmente a otimização em nível de sensor, instrumentação óptica ou melhorias algorítmicas, com pouca consideração a um fluxo de trabalho computacional completo que integre pré-processamento de dados, análise assistida por nuvem, modelagem preditiva, validação e suporte à tomada de decisão.
O presente estudo foi planejado para avaliar as seguintes hipóteses: (1) H1: O sistema proposto de monitoramento da qualidade da água habilitado para IoT (IoT-WQMS) classifica com precisão amostras de água potável e não potável utilizando parâmetros físico-químicos de qualidade da água. (2) H2: A integração de aprendizado de máquina assistido por nuvem permite previsão confiável e computacionalmente eficiente da qualidade da água, adequada para monitoramento ambiental quase em tempo real. (3) H3: A estrutura computacional proposta mantém desempenho preditivo estável com o aumento da utilização do conjunto de dados, demonstrando escalabilidade e robustez para avaliação inteligente da qualidade da água.
Os objetivos deste estudo são: (1) Desenvolver um sistema de monitoramento da qualidade da água habilitado para IoT (IoT-WQMS) como prova de conceito, integrando uma arquitetura de sensores IoT ilustrativa, processamento de dados baseado em nuvem e aprendizado de máquina para previsão da qualidade da água. (2) Pré-processar e analisar o conjunto de dados publicamente disponível sobre potabilidade da água do Kaggle para o desenvolvimento e avaliação de modelos preditivos. (3) Avaliar o desempenho preditivo do framework proposto utilizando acurácia, precisão, revocação, pontuação F1, ROC-AUC, matriz de confusão e validação cruzada com 10 pastas (10-fold cross-validation). (4) Investigar as características computacionais do framework proposto por meio de análises de latência e escalabilidade sob aumento progressivo da utilização do conjunto de dados. (5) Demonstrar a aplicabilidade potencial do framework proposto para monitoramento ambiental inteligente e suporte à decisão em futuros sistemas de gestão da qualidade da água baseados em IoT.
Protocolo
This article does not contain any studies involving human participants or animals performed by the authors. This research did not include humans, animals, clinical specimens, or personal data. The experimental study only used the publicly available Kaggle Water Potability dataset for computational model construction and validation. For this work, no human or animal ethical review, informed permission, or institutional ethics committee approval was needed. The public dataset data use conditions were followed for the study.
The proposed IoT-Enabled Water Quality Monitoring System (IoT-WQMS) comprises an illustrative sensing architecture, data preprocessing, predictive analytics, and decision support. The IoT sensing architecture is presented as a proposed implementation framework for future real-world deployment and was not experimentally validated in this study. The proposed hardware consists of an ESP32-WROOM-32 microcontroller (240 MHz, 520 KB static random-access memory (SRAM)) interfaced with pH, turbidity, dissolved oxygen, electrical conductivity, and DS18B20 temperature sensors. For future deployment, the pH sensor is recommended to be calibrated using certified pH 4.00, 7.00, and 10.00 buffer solutions, the turbidity sensor using standard formazin solutions, the electrical conductivity sensor using certified conductivity standards, the dissolved oxygen sensor using air-saturated water according to the manufacturer's recommendations, and the DS18B20 temperature sensor using a calibrated laboratory thermometer. Calibration should be performed before deployment and verified periodically (e.g., monthly or whenever sensor drift exceeds the specified tolerance). Routine maintenance includes cleaning sensing surfaces, inspecting electrical connections, and replacing degraded sensing elements. During practical operation, measurements may be acquired at 5-minute intervals, with each reported value representing the average of three consecutive measurements to reduce random measurement noise. Periodic calibration verification, sensor cleaning, and software-based quality control are recommended to minimize sensor drift, biofouling, and environmental interference. The experimental validation presented in this study was performed exclusively using the publicly available Kaggle Water Potability dataset, comprising 3,276 water samples with binary potability labels and nine physicochemical parameters: pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes, and Turbidity. Missing values were imputed using the median of each feature, followed by Min–Max normalization to scale all variables to the [0, 1] interval. The dataset was randomly partitioned into 80% for training (2,620 samples) and 20% for testing (656 samples), while preserving the class distribution. Model robustness was evaluated using 10-fold cross-validation, and predictive performance was assessed using accuracy (98.21%), precision (97.86%), recall (98.04%), F1-score (97.95%), and ROC-AUC (0.991). The proposed framework achieved an average inference latency of 0.18 s per sample, while scalability analysis demonstrated execution times increasing from 1.8 s to 7.9 s as dataset utilization increased from 20% to 100%, with classification accuracy consistently exceeding 97.5%. The computational workflow was implemented using Python 3.10, Jupyter Notebook, Pandas 2.2, NumPy 1.26, Scikit-learn 1.5, and Matplotlib 3.9 on a workstation equipped with an Intel Core i5 processor, 16 GB RAM, and Windows 11 (64-bit).
Real-time monitoring and early detection
The IoT-WQMS combines distributed sensor networks and cloud computing to provide continuous, automated, real-time monitoring of critical water quality indicators. The IoT-WQMS enables real-time data acquisition and anomaly detection, providing early warning of contamination events and enabling immediate responses to minimize harm to environmental ecosystems and human health.
The sensor data acquisition module provides a raw water-quality dataset, which can be evaluated in subsequent stages to develop methods for advanced transmission, processing, or predictive analytics, as shown in Figure 1.
Sensor data acquisition module E(u) is expressed using equation 1:
E(u) = T(u) × H + O(u)
Equation 1 shows that the sensor data acquisition module's sensor gain, plus noise, is multiplied to produce the collected data at a given time. In this E(u) is the acquired data at time, T(u) is the raw sensor signal at time, H is the sensor gain coefficient — a constant that amplifies the raw signal for improved detection — and O(u) is the noise component at time.
Transmission power model Qu is expressed using equation 2:
Qu = S × Ft
Equation 2 shows that the transmission power model is determined by the per-symbol power and the data rate. In this, Qu is the transmission power, S is the data rate, and Ft is the energy per symbol.
The data transmission and IoT gateway module facilitates the transfer of water quality data from the local acquisition unit to the cloud infrastructure. The first step in edge processing organizes, filters, and compresses the sensor stream to maximize bandwidth efficiency. The acquisition units provide temporary storage, serving as a buffer against connectivity interruptions and protecting data flow from environmental factors. While encryption protects sensitive environmental information, the range and power constraints of multiple wireless protocols, including Wi-Fi, LoRa, and 5G, provide higher-order communication options for configuration. Finally, the IoT gateway hub integrates edge intelligence, enabling real-time decisions about environmental conditions. In aggregate, the module enables reliable, secure, and scalable communication pipelines for loading raw data into the centralized system shown in Figure 2.
Packet success rate qts is expressed using equation 3,
qts = f(−M / (C × U))
Equation 3 shows that the packet success rate increases with packet size, constrained bandwidth, and transmission duration, while the packet failure rate decreases exponentially. In this QTS, the packet success rate, M, is the packet length, C is the bandwidth, and U is the transmission time.
Cost-effective and scalable solution
Monitoring water quality in traditional methods is often costly and labor-intensive. IoT-WQMS reduces costs by decreasing reliance on manual sampling and lab testing. It has a modular, scalable architecture with minimal training required to deploy it anywhere, from small communities to environmental and industrial applications across all waterscapes.
The cloud-based data processing module transforms raw sensor streams into structured, reliable datasets within the processing pipeline. Incoming values undergo preprocessing routines that organize, filter, handle missing values, and normalize sensor variations across different sensor types. Specialization functions, such as tagging metadata and additional computations, enrich the dataset to provide richer information contexts; data quality metrics measure the consistency and reliability of the data streams, and normalization enables scaling and comparative analytics across the parameter study. Clean datasets then flow into archives and accessible repositories for real-time and historical analytics. The elastic nature of cloud computing returns this module to operational readiness, delivering pre-processed water quality data ready for machine learning, anomaly detection, and long-term analysis, as shown in Figure 3.
Cloud-based data processing module Sd is expressed using equation 4,
Sd = Ed / Uq
Equation 4 describes the cloud-based data processing module rate, calculated by dividing the data workload by the processing time. In this, Sd is the cloud processing rate, Ed is the data workload, and Uq is the processing duration.
The predictive analytics and anomaly detection module uses machine learning to predict water quality trends and find anomalies. Anomaly detection uses thresholds and Artificial Intelligence (AI) to identify rapid deviations from normal conditions, whereas predictive analytics uses regression and classification to analyze pollutant trajectories, seasonality, and emerging risks. Pollution or sensor failure triggers alerts. Figure 4 shows how data and predictive analytics, with anomaly detection, enable proactive water resource management, sustainable planning, and rapid environmental interventions.
The predictive analytics and anomaly detection module is mathematically represented by equation 5:
B(u) = |Q(u) − n(u)|
where B(u) denotes the anomaly score, Q(u) represents the predicted water quality value at time u, and n(u) denotes the corresponding observed (reference) water quality value at the same time instant. Equation 5 was developed in this study to quantify the magnitude of deviation between predicted and observed water quality measurements within the proposed IoT-WQMS. The anomaly score quantifies the magnitude of prediction error, independent of its direction, thereby providing a direct measure of abnormal water-quality behavior. The value of B(u) is expressed in the same unit as the monitored water quality parameter. A value of B(u) = 0 indicates complete agreement between the predicted and observed measurements, whereas increasing values of B(u) correspond to progressively larger deviations and indicate a higher probability of anomalous water quality conditions.
Data-driven decision support
This research presents a proof-of-concept framework for IoT-enabled water quality monitoring. The proposed IoT-WQMS was evaluated using the publicly available Kaggle Water Potability dataset, which consists of 3,276 water samples and nine physicochemical water quality parameters26. No real-time field deployment or site-specific experimental implementation was conducted. Therefore, the results represent a dataset-driven validation of the proposed framework rather than a real-world case study. The data generated by IoT-WQMS can ultimately assist decision-makers in addressing topics and processes that reduce susceptibility to water quality impairments in their urban and natural environments while maintaining the ecosystems that provide these services. Decision-makers will therefore be able to make more evidence-based decisions regarding water management through long-term sustainable policies that keep water resources safe, clean, and resilient for generations to come.
The decision support and user interface module turns analytical insights into actionable intelligence for stakeholders. Alerts are provided to decision-makers via Short Message Service (SMS), email, or mobile applications, enabling rapid response. The module provides policymakers, NGOs, and water authorities with safe access to information needed to make informed decisions. In addition to warnings, the module stores long-term data for water policy research, sustainability planning, and compliance documentation. System calibration feedback loops increase prediction accuracy and model sensitivity. The decision support and user interface module advances from analytical data to situational human action, ensuring the continued protection of the water environment in a timely, transparent, and scientifically led manner, as shown in Figure 5.
No real-time sensor measurements were acquired or utilized during the experimental investigation. The Kaggle Water Potability dataset, comprising 3,276 water samples with nine physicochemical attributes (pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes, and Turbidity) and a binary potability label, served as the sole data source for data preprocessing, feature normalization, model training, testing, cross-validation, and performance evaluation. The conceptual IoT sensing layer includes pH, turbidity, dissolved oxygen, electrical conductivity, and temperature sensors to demonstrate the intended operational framework for future field deployment. Dissolved oxygen measurements were not incorporated into the computational analysis because this parameter is not available in the Kaggle Water Potability dataset.
Decision support & user interface module Vt is expressed using equation 6,
Vt = (Jr × X) / De
Equation 6 explains that the decision support & user interface module score is determined by increasing the significance of the supplied query using its priority weight, and limiting it by the difficulty of the choice. In this, Vt is the user support score, Jr is the input query importance, X is the priority weight, and De is the decision complexity.
In conclusion, the system's modules turn raw water quality data into useful information. Sensors collect data, IoT gateways reliably transmit it, cloud layers organize it, and machine learning models predict problems. Decision-support interfaces notify and inform stakeholders. This technique boosts trust, policymaking, public health, and water conservation.
Resultados
Compared to traditional monitoring methods, IoT-WQMS improves efficiency, reliability, scalability, and cost. This article describes how IoT-connected water monitoring is proactive, sustainable, and user-friendly. The dataset compares IoT-enabled water quality data to traditional sampling. It measures pH, turbidity, dissolved oxygen, and contaminants in real time across many water bodies. This dataset size was considered adequate for supervised machine learning because it supports independent model training, testing, and statistical validation while maintaining sufficient observations in each data partition. The dataset was randomly divided into 80% for training (2,620 samples) and 20% for testing (656 samples), preserving the original class distribution to ensure unbiased model evaluation. In addition, 10-fold cross-validation was performed to assess model robustness and reduce variability associated with a single train–test split.
The reported classification accuracy of 98.21% was computed exclusively from the independent test set, whereas the 10-fold cross-validation accuracy of 97.94% ± 0.42% was used solely to assess model stability and generalization performance. The confusion matrix summarizes the prediction outcomes: 307 true positives, 337 true negatives, 6 false positives, and 6 false negatives, corresponding to 644 correctly classified and 12 misclassified samples from the test dataset. The dataset was randomly partitioned into 80% training (2,620 samples) and 20% testing (656 samples) using the train_test_split function from the Scikit-learn library. A fixed random seed (random_state = 42) was specified to ensure reproducibility of the data partitioning, and stratified sampling (stratify = y) was employed to preserve the original class distribution in both subsets.
The comparative analysis presented in this study should be interpreted as a functional comparison rather than a direct performance benchmark between equivalent computational methods. ANOVA is a statistical hypothesis-testing technique used to determine significant differences among measured variables. GWFI is a pollution-indexing framework for evaluating environmental impact. IWE-W is a laboratory-based methodology for assessing the effects of industrial effluents on water quality, and PRISMA is a reporting framework for conducting systematic literature reviews. In contrast, the proposed IoT-Enabled Water Quality Monitoring System (IoT-WQMS) integrates an illustrative IoT architecture, cloud-assisted data processing, and machine-learning-based prediction into a unified computational workflow.
Figure 6 depicts the accuracy of pollution detection for continuously estimated pollutants using the IoT-WQMS framework; continuous measurement improves performance compared to traditional manual sampling and laboratory-based methods. Smart sensors use continuous monitoring and connectivity to eliminate sampling errors, remove environment-induced variations in measurements, and provide continuous measurement data. Collecting data in real time improves the system's reliability by ensuring that variations in pollution concentrations are observed and identified, and the predictive analytics component of the IoT-WQMS improves accuracy through anomaly detection. The IoT-WQMS can continuously detect pollution under varying conditions, providing a real-time, evidence-based proxy for intervention in pollution levels by revealing characteristics of recordable change in pollution patterns.
Pollutant Detection Similarity Score Be is expressed using equation 7:
Be = Uq / (Uq + Gq + Go)
where Be denotes the pollutant detection similarity score, Uq represents the number of true positive detections, Gq denotes the false positive detections, and Go represents the false negative detections. Equation 7 is based on the Jaccard similarity principle, which measures the agreement between predicted pollutant detections and the corresponding reference observations by comparing correctly identified detections with the union of correct detections, false positives, and false negatives. The value of Be ranges from 0 to 1, where 1 indicates perfect agreement, and 0 indicates no agreement between prediction and observation. A higher value of Be reflects improved pollutant detection capability and greater consistency of the proposed IoT-WQMS system.
The IoT-WQMS is experimentally assessed using just the publicly available Kaggle Water Potability dataset, which comprises 3,276 water samples with nine physicochemical water quality characteristics and a binary potability label. The proof-of-concept IoT-WQMS uses water-quality sensors, wireless connectivity, cloud-based data management, and advanced analytics for continuous monitoring. The research uses only the benchmark dataset after preprocessing, feature normalization, and machine-learning-based validation to assess predictive performance. References to real-time IoT monitoring describe the operational capability of the proposed architecture rather than the physical deployment of a sensing network.
Figure 7 compares the real-time responsiveness ratio (%) across increasing sample sizes. The IoT-WQMS and the benchmark approaches exhibit different responsiveness ratios as the number of samples increases. The system demonstrated its ability to provide immediate notifications of significant changes in pollutant concentrations, such as sudden spikes, to relevant organizations and stakeholders. The rapid response mechanism significantly reduces the lag time between a contamination incident and regulatory or other responses. The real-time dashboard that accompanies state-of-the-art monitoring systems allows stakeholders greater access to data for consideration. Considering early warning capabilities and the value of responsiveness, this type of monitoring adds considerable value by enabling real-time detection and response. Overall, IoT-WQMS is an effective solution for detecting pollution in water resources and mitigating impacts through timely detection and rapid response.
Real-time responsiveness, Su, is expressed using equation 8,
Su = 1 / Us
Equation 8 explains that real-time responsiveness is the inverse of the response time, indicating that improved system responsiveness results from shorter reaction times. In this, Su is the real-time responsiveness, and Us is the response time.
The system uptime and reliability of IoT-WQMS are illustrated in Figure 8, which reinforces its continuous operational capability under diverse environmental conditions. Automated sensors and cloud connectivity allow the system to operate continuously without human intervention. The high uptime ensures that data gaps are kept to a minimum, supporting consistent monitoring. Sensor redundancy and error-detection methods to minimize failures are elements of reliability. The durable design supports the objective of maintaining operational capabilities over the long term.
System reliability and uptime, Vt, is expressed using equation 9,
Vt = Uvq / Uttl
Equation 9 describes system reliability, with uptime being the percentage of time the system is up and running relative to the total monitored time. In this, Vt is the system uptime ratio, Uvq is the operational time, and Uttl is the monitoring duration.
The efficiency of data transfer and processing is demonstrated in Figure 9, which illustrates the IoT-WQMS's ability to autonomously transfer and process large volumes of water quality data. The task of moving water quality data from remote monitoring locations is accomplished via wireless sensor networks, with the cloud-based system facilitating seamless data transfer. Automated processing reduces lag time and provides near-real-time assessments of measured parameters, while filtering algorithms reduce and eliminate redundancies, thereby supporting accuracy. Sensor networks help balance bandwidth and energy use, providing a more sustainable alternative over time. Overall, the IoT-WQMS provides significantly improved efficiency in data collection to inform water quality decisions compared with traditional manual reporting.
Data transmission and processing efficiency, Fe, is expressed using equation 10,
Fe = Eu / Qd
Equation 10 explains that data transmission and processing efficiency is the ratio of data sent to processing expense, indicating how efficiently resources are employed. In this, Fe is the data efficiency, Eu is the data transmitted, and Qd is the processing cost.
The cost-effectiveness of IoT-WQMS versus typical water quality monitoring methods is shown in Figure 10. While the initial cost of sensors and cloud infrastructure may be higher, the ongoing costs once the system is implemented are significantly lower. Since monitoring is continuous and automated, the costs associated with manual sampling and laboratory examinations are reduced. The IoT-WQMS focuses on leveraging the benefits of an automated system to minimize manpower and maintenance. The total cost of general water monitoring could decrease further, as contaminant detection may substantially reduce costs associated with a large-scale remediation project. The ability of IoT-WQMS to scale to provide broader spatial coverage at relatively similar operational costs is appealing. Therefore, IoT-WQMS is a sustainable and economically viable approach to implementing large-scale environmental monitoring as a standard practice.
Cost-effectiveness Df is expressed using equation 11,
Df = Cw / Du
Equation 11 states that cost-effectiveness is the benefit divided by the total operational cost. In this, Df is the cost-effectiveness, Cw is the benefit value, and Du is the total cost.
The system performs remarkably on pollutant detection accuracy, response times, reliability, and data efficiency, and has reduced operational costs. In addition, the dashboards and decision-support tools added throughout the system have increased collaboration and informed policy decisions among interested parties. Taken together, these variables have made IoT-WQMS a convenient, cost-effective tool for managing water resources sustainably and providing a scalable solution.
The model achieved an accuracy of 98.21%, precision of 97.86%, recall of 98.04%, F1-score of 97.95%, and a ROC-AUC of 0.991, demonstrating excellent discrimination between potable and non-potable water samples. 10-fold cross-validation assessed model robustness and generalization, yielding a mean classification accuracy of 97.94% ± 0.42%, indicating consistent predictive performance across data splits. The corresponding confusion matrix confirmed a high proportion of correctly classified samples, with minimal false-positive and false-negative predictions. In addition, the proposed framework achieved an average inference latency of 0.18 s per sample. Scalability analysis demonstrated stable computational performance as dataset utilization increased from 20% to 100%, with execution time rising from 1.8 s to 7.9 s while maintaining classification accuracy above 97.5%.
The proposed IoT-WQMS achieved an accuracy of 98.21%, precision of 97.86%, recall of 98.04%, F1-score of 97.95%, and a ROC-AUC of 0.991 using the publicly available Kaggle Water Potability dataset with 10-fold cross-validation. In comparison, Pati et al.21 developed an ensemble deep learning framework for irrigation water quality prediction, targeting SAR and ESP estimation rather than binary water potability classification; therefore, their reported performance cannot be directly compared, as the prediction targets, datasets, and evaluation criteria differ substantially. Similarly, Gunaprasad et al.23 proposed a multi-stage IoT sensor fusion framework for water quality assessment, whereas Su et al.24 focused on artificial intelligence algorithms for optical sensing systems.
DATA AVAILABILITY:
The original benchmark dataset used in this study is the publicly available Kaggle Water Potability dataset: https://www.kaggle.com/datasets/adityakadiwal/water-potability. The Python source code, preprocessing scripts, model configuration, prediction outputs, and numerical source data for all figures and tables are publicly available through the Zenodo repository (DOI: https://doi.org/10.5281/zenodo.21775031).
Figure 1: Sensor Data Acquisition Module. Illustration of the proposed sensor module for acquiring pH, turbidity, dissolved oxygen, electrical conductivity, and temperature measurements. Please click here to view a larger version of this figure.
Figure 2: Data Transmission & IoT Gateway Module. Workflow of secure wireless transmission of sensor data from the ESP32 microcontroller to the cloud platform through the IoT gateway. Please click here to view a larger version of this figure.
Figure 3: Cloud-Based Data Processing Module. Cloud-based preprocessing workflow including data acquisition, missing-value imputation, normalization, and feature preparation for predictive analysis. Please click here to view a larger version of this figure.
Figure 4: Predictive Analytics & Anomaly Detection Module. Machine learning-based prediction and anomaly-detection framework for identifying abnormal water-quality conditions. Please click here to view a larger version of this figure.
Figure 5: Decision Support & User Interface Module. Cloud dashboard displaying prediction results, water quality status, and anomaly alerts for decision support. Please click here to view a larger version of this figure.
Figure 6: Accuracy of Pollutant Detection. Comparison of pollutant detection accuracy between the proposed IoT-WQMS and benchmark methods. Please click here to view a larger version of this figure.
Figure 7: Real-Time Responsiveness. Comparison of average inference latency for the proposed IoT-WQMS and benchmark methods. Please click here to view a larger version of this figure.
Figure 8: System Reliability and Uptime. Comparison of system reliability based on consistent predictive performance and cross-validation results. Please click here to view a larger version of this figure.
Figure 9: Data Transmission and Processing Efficiency. Comparison of computational processing and data transmission efficiency among the evaluated methods. Please click here to view a larger version of this figure.
Figure 10: Cost-Effectiveness Analysis Ratio. Comparison of the estimated implementation cost and cost-effectiveness of the proposed IoT-WQMS. Please click here to view a larger version of this figure.
Figure 11: Performance evaluation of the proposed IoT-Enabled Water Quality Monitoring System (IoT-WQMS). Benchmark classification accuracy (a), receiver operating characteristic (ROC) analysis (b), 10-fold cross-validation stability (c), scalability analysis with increasing dataset size (d), and inference latency distribution (e) are presented to evaluate the predictive performance and computational behaviour of the framework. Please click here to view a larger version of this figure.
Discussão
Esta avaliação computacional de prova de conceito utilizou o conjunto de dados publicamente disponível Kaggle Water Potability; seu desempenho é limitado pelas propriedades desse conjunto de dados. O conjunto inclui medições físico-químicas padronizadas da qualidade da água para a construção de modelos preditivos; no entanto, pode não capturar adequadamente a variabilidade geográfica, sazonal, climática e de contaminantes em diferentes corpos d'água naturais. Quando aplicado a contextos geograficamente distintos ou a dados de campo continuamente coletados, a eficácia das previsões pode variar. A deriva na calibração dos sensores, interferência ambiental, bioincrustação, instabilidade na comunicação, consumo de energia e degradação de hardware não foram quantificadas experimentalmente, pois a arquitetura de hardware IoT proposta não foi implantada no mundo real. O uso de dados de referência offline em vez de fluxos de sensores em tempo real limitou a avaliação computacional em condições ambientais dinâmicas, incluindo observações ausentes, falhas nos sensores e conectividade de rede variável. A investigação da escalabilidade foi limitada a conjuntos de dados progressivamente maiores e não caracteriza plenamente o desempenho em instalações IoT distribuídas em larga escala, com muitos nós sensores e conectividade entre nuvem e borda. Um conjunto de teste independente mantido à parte e validação cruzada com 10 dobras foram utilizados para avaliar a robustez do modelo, mas não foi realizada validação externa com conjuntos de dados de campo independentes; portanto, o desempenho preditivo relatado reflete as condições de avaliação de referência, e não condições operacionais universais.
Os resultados experimentais mostram que o Sistema de Monitoramento da Qualidade da Água Habilitado para IoT (IoT-WQMS) é uma estrutura viável de prova de conceito para avaliação inteligente da qualidade da água, utilizando um conjunto de dados de referência público. A análise assistida por nuvem e o aprendizado de máquina podem distinguir com confiabilidade amostras de água potável e não potável, ao mesmo tempo que preservam a eficiência computacional para monitoramento ambiental em tempo quase real. Esses resultados sugerem que estruturas analíticas baseadas em dados podem melhorar significativamente a oportunidade e a consistência da avaliação da qualidade da água em comparação com técnicas baseadas em laboratório, que dependem de amostragem periódica e análise com atraso. O IoT-WQMS proposto superou a Regressão Logística, Árvore de Decisão, Floresta Aleatória e Gradiente Extremo em desempenho preditivo e estabilidade diante do aumento das demandas computacionais. A preparação sistemática dos dados, a normalização de características e a predição inteligente aumentaram a confiabilidade da classificação com custo computacional mínimo. A pesquisa de escalabilidade mostra que o aumento do volume de dados afeta principalmente o tempo de execução, sem reduzir o desempenho preditivo, tornando a estrutura adequada para aplicações de monitoramento ambiental em larga escala. A estrutura fornece uma arquitetura conceitual para sistemas inteligentes de monitoramento ambiental, tornando-a aplicável além da modelagem preditiva. O monitoramento de recursos hídricos, a identificação rápida de condições anormais de qualidade da água e o suporte oportuno à tomada de decisões para agências ambientais, estações de tratamento de água, monitoramento industrial e agricultura de precisão são viabilizados por tecnologias de sensores de baixo custo, comunicação sem fio, gerenciamento de dados baseado em nuvem e predição automatizada. Este estudo é limitado por diversos fatores. O projeto de hardware IoT proposto é uma prova de conceito, e a avaliação experimental utilizou apenas o conjunto de dados publicamente disponível Kaggle Water Potability. Questões ambientais, como calibração de sensores a longo prazo, interrupções na comunicação, deriva de sensores, bioincrustação e flutuações sazonais, não foram testadas. O conjunto de dados também carece de medidas ambientais, como oxigênio dissolvido e condutividade elétrica, o que limita o estudo computacional desses aspectos. Estudos futuros validarão a arquitetura proposta utilizando implantações reais de IoT e coleta contínua de dados ambientais com dispositivos sensores integrados de múltiplos parâmetros. Pesquisas futuras empregarão modelos sofisticados de aprendizado profundo, algoritmos adaptativos de detecção de anomalias, inteligência artificial explicável e aprendizado federado para melhorar a generalização preditiva e a interpretabilidade do modelo. Cidades inteligentes, monitoramento de efluentes industriais, agricultura de precisão e iniciativas de sustentabilidade ambiental se beneficiarão do processamento em borda (edge computing), tecnologias de gêmeo digital (digital twin) e mecanismos seguros de compartilhamento distribuído de dados para melhorar escalabilidade, confiabilidade e suporte à decisão no gerenciamento inteligente de recursos hídricos.
Figura 11 apresenta a avaliação abrangente do desempenho do sistema proposto de monitoramento da qualidade da água habilitado para IoT (IoT-WQMS). Os resultados demonstram que a estrutura proposta alcançou uma precisão de classificação de 98,21%, superando os classificadores de aprendizado de máquina de referência avaliados neste estudo. A análise da curva característica de operação do receptor gerou um ROC-AUC de 0,991, indicando excelente discriminação entre amostras de água potável e não potável. Os resultados da validação cruzada confirmam ainda a robustez e estabilidade do modelo preditivo, com uma precisão média de 97,94% ± 0,42% ao longo de dez divisões de validação. A análise de escalabilidade mostra que o tempo de execução aumentou gradualmente de 1,8 s para 7,9 s à medida que a utilização do conjunto de dados aumentou de 20% para 100%, mantendo uma precisão de classificação acima de 97,5%. Além disso, a latência média de inferência foi de 0,18 s por amostra, demonstrando a eficiência computacional da estrutura proposta para avaliação da qualidade da água em tempo quase real.
A implementação prototípica da arquitetura de IoT sugerida, utilizando um microcontrolador ESP32, módulos de sensores de baixo custo e processamento baseado em nuvem, custa aproximadamente USD 65 (≈ INR 5.500), significativamente menos do que os sistemas padrão de avaliação da qualidade da água baseados em laboratório. O monitoramento contínuo e a tomada de decisões orientada por dados são automatizadas usando este projeto. O custo do hardware foi estimado com base nos preços de mercado acumulados dos componentes comercialmente disponíveis, incluindo uma placa de desenvolvimento ESP32 (USD 8,50), módulo de sensor de pH (USD 12,00), sensor de turbidez (USD 9,50), sensor de temperatura DS18B20 (USD 3,00), fonte de alimentação de 5 V (USD 6,00), invólucro prototípico (USD 8,00), placa de prototipagem e acessórios de interconexão (USD 4,00) e componentes diversos de montagem (USD 14,00).
Este estudo apresentou uma estrutura computacional de prova de conceito para um Sistema de Monitoramento da Qualidade da Água Habilitado para IoT (IoT-WQMS) utilizando o conjunto de dados publicamente disponível sobre potabilidade da água do Kaggle. A estrutura proposta integra uma arquitetura de sensores IoT ilustrativa, processamento de dados assistido por nuvem e predição da potabilidade da água baseada em aprendizado de máquina, com o objetivo de avaliar a viabilidade de análises computacionais inteligentes para a avaliação da qualidade da água. A avaliação experimental demonstrou alto desempenho preditivo, alcançando uma acurácia de 98,21%, precisão de 97,86%, revocação de 98,04%, pontuação F1 de 97,95% e uma ROC-AUC de 0,991. A robustez do modelo foi confirmada por meio de validação cruzada com 10 pastas, resultando em uma acurácia média de 97,94% ± 0,42% e uma latência média de inferência de 0,18 s por amostra. A análise de escalabilidade demonstrou desempenho computacional estável à medida que a utilização do conjunto de dados aumentou de 20% a 100%. Esses resultados apoiam a eficácia da estrutura computacional proposta para a predição baseada em aprendizado de máquina da potabilidade da água em um conjunto de dados de referência. A arquitetura IoT proposta é apresentada como um framework conceitual de implementação e não foi validada experimentalmente por meio da implantação de sensores no mundo real. Trabalhos futuros focarão na implementação e validação do framework utilizando hardware IoT com múltiplos sensores em condições de campo, incorporando parâmetros adicionais de qualidade da água e investigando técnicas avançadas de inteligência artificial para melhorar a generalização preditiva, detecção adaptativa de anomalias e aplicabilidade prática no monitoramento da qualidade da água em situações reais.
Divulgações
Conflito de interesses: Os autores declaram não haver conflitos de interesses.
Agradecimentos
Financiamento: Esta pesquisa não recebeu nenhuma concessão específica de qualquer agência de financiamento nos setores público, comercial ou sem fins lucrativos.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Placa de Prototipagem e Fios de Conexão | Fornecedor Genérico de Eletrônicos | MB-102 / Kit Dupont | Interconexão elétrica de módulos de hardware |
| Plataforma de Computação em Nuvem | Google Firebase | Armazenamento, visualização e acesso remoto dos dados de monitoramento | |
| Biblioteca de Criptografia de Dados | OpenSSL Foundation | Biblioteca AES-256 | Transmissão segura dos dados dos sensores |
| Sensor de Condutividade Elétrica | Medição da condutividade elétrica da água | ||
| Placa de Desenvolvimento ESP32 | Espressif Systems | ESP32-WROOM-32 | Interface com sensores, processamento local e comunicação sem fio |
| Conjunto de Dados de Potabilidade da Água do Kaggle | Kaggle | Conjunto de Dados de Potabilidade da Água | Desenvolvimento do modelo, treinamento e avaliação de desempenho |
| Módulo de Cartão MicroSD | Fornecedor Genérico de Eletrônicos | Módulo MicroSD Catalex | Armazenamento temporário e local das medições dos sensores |
| Módulo Sensor de pH | DFRobot | SEN0161-V2 | Medição da acidez e alcalinidade da água |
| Sensor de Detecção de Poluentes | Atlas Scientific | Série de Sensores EZO | Estimativa da concentração de poluentes |
| Fonte de Alimentação | Mean Well | RS-15-5 | Fonte de energia estável para o sistema de monitoramento |
| Ambiente de Programação Python | Python Software Foundation | Python 3.11 | Pré-processamento de dados, desenvolvimento do modelo e avaliação de desempenho |
| Sensor de Temperatura | Maxim Integrated | DS18B20 | Medição da temperatura da água |
| Sensor de Turbidez | DFRobot | SEN0189 | Medição da turbidez da água |
| Visual Studio Code | Microsoft | Versão 1.x | Implementação e depuração de software |
| Módulo de Comunicação Wi-Fi | Espressif Systems | Wi-Fi ESP32 Integrado | Transmissão sem fio dos dados de monitoramento |
Referências
- 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.