Результаты демонстрируют повышение точности, скорости отклика и экономической эффективности, обеспечивая при этом раннее обнаружение аномалий, оповещение заинтересованных сторон и анализ долгосрочных тенденций для устойчивого управления водными ресурсами.
Методическая статья
Система мониторинга качества воды на базе интернета вещей
В этой статье
Краткое содержание
Аннотация
Мониторинг качества воды обеспечивает защиту здоровья человека, водных сред обитания и устойчивое управление водными ресурсами. Ручной отбор проб и лабораторные испытания трудоемки, требуют много времени и не подходят для непрерывного мониторинга качества воды. В данной работе представлена концептуальная система мониторинга качества воды на базе IoT (IoT-WQMS), в которой используется сенсорная архитектура на основе IoT и машинное обучение для интеллектуальной оценки качества воды. Система прогнозирует пригодность воды для питья, используя такие показатели, как pH, жесткость, общее содержание растворенных твердых веществ, хлорамины, сульфаты, электропроводность, органический углерод, тригалометаны и мутность. Для экспериментальной оценки использовался общедоступный набор данных Kaggle Water Potability, содержащий 3 276 образцов воды. После заполнения пропущенных значений методом медианы, нормализации Min–Max и разделения данных на обучающую и тестовую выборки в соотношении 80:20 была проведена оценка эффективности. Предложенная модель прогнозирования продемонстрировала точность (accuracy) 98,21%, прецизионность (precision) 97,86%, полноту (recall) 98,04%, F1-меру 97,95% и площадь под ROC-кривой (ROC-AUC) 0,991. Модель показала стабильную и надежную работу со средней задержкой прогнозирования 0,18 s на образец и средней точностью 97,94% ± 0,42% после 10-кратной перекрестной проверки. Исследование масштабируемости показало, что увеличение размера набора данных с 20% до 100% привело к увеличению времени выполнения с 1,8 s до 7,9 s при сохранении точности прогнозирования выше 97,5%. Микроконтроллер ESP32, недорогие сенсорные модули и облачная обработка данных позволяют создать экономически выгодную структуру для интеллектуальной оценки качества воды, закладывая основу для будущего развертывания IoT в реальном времени и устойчивого экологического мониторинга.
Введение
Качество воды является важным показателем экологической устойчивости, стабильности экосистем и здоровья населения, поскольку оно влияет на безопасность питьевой воды, продуктивность сельского хозяйства, промышленные операции и биоразнообразие водных организмов1. Необходим непрерывный и точный мониторинг качества воды, так как стремительная индустриализация, рост городов, сельскохозяйственные стоки и ненадлежащая утилизация сточных вод привели к повышению концентрации физико-химических загрязнителей в поверхностных и грунтовых водах2. Типичными подходами к мониторингу являются ручной отбор проб и лабораторный физико-химический анализ. Эти методы трудоемки и дорогостоящи, а также не позволяют зафиксировать быстрые временные колебания качества воды из-за задержек при транспортировке проб и проведении автономного анализа3, однако они обеспечивают высокую аналитическую точность3. Таким образом, эпизоды загрязнения часто остаются незамеченными до момента ухудшения состояния окружающей среды, что ограничивает возможности своевременного вмешательства и управления водными ресурсами4.
Развитие интернета вещей (IoT) позволило создать инфраструктуры распределенного мониторинга для непрерывного измерения критических показателей качества воды с помощью интеллектуальных датчиков, беспроводной связи, облачных вычислений и интеллектуального анализа данных5. Машинное обучение также позволяет прогнозировать качество воды и выявлять тенденции загрязнения на основе многомерных массивов экологических данных6. Несмотря на эти достижения, системы мониторинга на базе IoT ориентированы преимущественно на сбор данных с датчиков и их удаленную визуализацию, в то время как во многих экспериментах по машинному обучению прогностические модели создаются с использованием офлайн-наборов эталонных данных7. Слабая интеграция сенсорных инфраструктур с поддержкой IoT и интеллектуальной прогностической аналитики ограничивает возможности поддержки принятия решений, автоматического обнаружения аномалий, масштабируемого мониторинга и проактивного управления окружающей средой8. Отсутствие воспроизводимых методов реализации, вычислительной валидации и реалистичных схем развертывания ограничивает применимость многих описанных систем для мониторинга окружающей среды в реальных условиях9.
На сегодняшний день отсутствует интегрированная структура, объединяющая масштабируемую архитектуру мониторинга IoT с прогностическим интеллектом на основе данных в единую воспроизводимую систему10. Большинство методов сосредоточено либо на аппаратной инфраструктуре сенсоров, либо на автономном прогнозировании с помощью машинного обучения, в то время как интеграция сенсорики, облачного подключения, интеллектуальной аналитики, визуализации и поддержки принятия решений остается ограниченной11. В связи с этим ограничением необходима единая структура для интеллектуального вычислительного анализа непрерывной оценки качества воды12.
В данной работе в качестве концептуальной основы для интеллектуальной оценки качества воды представлена система мониторинга качества воды с поддержкой IoT (IoT-WQMS). Описан процесс автоматизированной оценки пригодности воды для питья с использованием концептуальной архитектуры IoT-датчиков, облачного управления данными и прогнозной аналитики на основе машинного обучения. Свободно доступный набор данных Kaggle Water Potability содержит 3 276 проб воды, охарактеризованных по девяти физико-химическим критериям качества, что обеспечивает воспроизводимую вычислительную среду для оценки эффективности. Целью исследования является разработка интегрированной аналитической среды для повышения точности прогнозирования, обеспечения быстрого обнаружения аномалий, внедрения процесса принятия экологических решений на основе данных и создания базы для развертывания IoT-систем в режиме реального времени.
Основной инновацией предлагаемой системы IoT-WQMS является единая вычислительная среда, объединяющая архитектуру IoT, облачный аналитический рабочий процесс, интеллектуальное прогностическое моделирование и систему поддержки принятия решений, ориентированную на заинтересованные стороны. Автоматизированная оценка качества воды с использованием прогнозного интеллекта отличается от стандартных систем мониторинга IoT, которые сосредоточены на визуализации данных с удаленных датчиков. В отличие от автономных экспериментов по машинному обучению, сквозной проект демонстрирует, как прогностическая аналитика может быть внедрена в конвейер экологического мониторинга на базе IoT. Единая архитектура повышает масштабируемость системы, воспроизводимость вычислений и качество интеллектуальной поддержки принятия решений, а также служит эталонной архитектурой для работы в режиме реального времени.
Компонент прогнозирования предлагаемой системы мониторинга качества воды на базе IoT (IoT-WQMS) использует общепринятый классификатор Random Forest, а не специально разработанный алгоритм машинного обучения. После предварительной обработки данных в качестве входных данных модели использовалась нормализованная матрица признаков, включающая pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes и Turbidity, в то время как атрибут Potability служил бинарной целевой переменной. Набор данных был случайным образом разделен на обучающую (80%) и тестовую (20%) выборки с использованием стратифицированного сэмплирования с фиксированным случайным числом (random_state = 42). Классификатор Random Forest был обучен на обучающем наборе данных и впоследствии оценен на независимом тестовом наборе. Робастность модели дополнительно оценивалась с помощью 10-кратной перекрестной проверки. Прогностическая эффективность была количественно определена с использованием показателей точности (accuracy), прецизионности (precision), полноты (recall), F1-меры (F1-score), ROC-AUC и анализа матрицы ошибок (confusion matrix).
В последних исследованиях для оценки качества воды применялись различные подходы: от статистического анализа и индексирования загрязнения до искусственного интеллекта и систем мониторинга на базе IoT. Статистические методы, такие как ANOVA, использовались для выявления значимых пространственных и временных вариаций параметров качества воды и определения приоритетных загрязненных регионов для управления окружающей средой13. Хотя эти подходы предоставляют строгие статистические доказательства для проверки гипотез, они не позволяют осуществлять непрерывный мониторинг или принимать прогностические решения. Аналогичным образом, в исследованиях атмосферного загрязнения анализ чувствительности к озону сочетался с распределением источников летучих органических соединений (VOCs) и оксидов азота (NOx) для выявления доминирующих источников выбросов и оптимизации стратегий по снижению загрязнения14. Несмотря на то, что эти методы дают ценную экологическую информацию, они остаются специфичными для конкретных приложений и не предназначены для интеллектуального прогнозирования качества воды.
Также получили широкое распространение методы индексации качества воды и гидрогеохимической оценки. Подходы к определению «серого» водного следа (GWF) и интенсивности «серого» водного следа (GWFI) позволяют количественно оценить нагрузку загрязняющих веществ и устойчивость промышленного производства, что способствует долгосрочной оценке экологической политики15. Анализы влияния промышленных сточных вод на качество воды (IWE-W) позволяют оценить физико-химическое загрязнение с помощью лабораторных измерений для определения воздействия промышленных сбросов на речные экосистемы16. Аналогичным образом, систематические обзоры и модели системной динамики использовались для анализа загрязнения воды, вызванного туризмом, и для разработки стратегий устойчивого управления17, в то время как исследования изменения климата были направлены на оценку доступности подземных вод, тенденций загрязнения и безопасности питьевой воды для поддержки национального планирования водных ресурсов18. Несмотря на то, что данные исследования предоставляют ценные основы для экологической оценки, они в основном опираются на офлайн-анализ и в них отсутствуют возможности автоматизированного сбора данных, прогнозной аналитики и мониторинга в режиме реального времени.
В последнее время в исследованиях все чаще применяются искусственный интеллект и технологии интеллектуального сенсоринга. Исследования подземных вод с использованием физико-химических и микробиологических параметров позволили улучшить региональную оценку качества воды19, в то время как биологические индикаторы на основе макробеспозвоночных в сочетании с методом многокритериального принятия решений PROMETHEE позволили усовершенствовать оценку экологического состояния20.
Архитектуры ансамблевого глубокого обучения и машинного обучения продемонстрировали высокую прогностическую способность в отношении качества поливной воды путем оценки коэффициента адсорбции натрия (SAR) и процента обменного натрия (ESP)21. Гидрогеохимическое и геопространственное моделирование дополнительно позволило выявлять пространственные очаги загрязнения фторидами и нитратами для управления ресурсами подземных вод22. Несмотря на эти достижения, данные исследования остаются сфокусированными на конкретных областях окружающей среды и не объединяют интеллектуальное сенсорирование, облачную аналитику и автоматизированное прогнозирование в единую вычислительную платформу.
Интеграция IoT, облачных вычислений и искусственного интеллекта в последнее время стала перспективным направлением для интеллектуального экологического мониторинга. Фреймворки многоэтапного обучения и объединения данных с датчиков позволили повысить точность прогнозирования за счет сочетания данных датчиков IoT с моделями машинного обучения23. Алгоритмы оптического сенсинга на базе искусственного интеллекта улучшили оценку параметров благодаря интеллектуальному анализу данных24, а в последних обзорах был отмечен потенциал оптического сенсинга, беспроводной связи и облачного подключения для систем мониторинга качества воды следующего поколения25. Тем не менее, данные исследования в основном сосредоточены на оптимизации на уровне датчиков, оптическом приборостроении или улучшении алгоритмов, при этом ограниченное внимание уделяется сквозному вычислительному рабочему процессу, объединяющему предварительную обработку данных, аналитику с поддержкой облачных вычислений, прогностическое моделирование, валидацию и поддержку принятия решений.
Настоящее исследование было спланировано для проверки следующих гипотез: (1) H1: Предложенная система мониторинга качества воды на базе IoT (IoT-WQMS) точно классифицирует образцы питьевой и непитьевой воды с использованием физико-химических параметров качества воды. (2) H2: Интеграция машинного обучения с облачной поддержкой обеспечивает надежное и вычислительно эффективное прогнозирование качества воды, подходящее для экологического мониторинга в режиме ближнего к реальному времени. (3) H3: Предложенная вычислительная структура сохраняет стабильную прогностическую эффективность при увеличении объема используемого набора данных, демонстрируя масштабируемость и устойчивость для интеллектуальной оценки качества воды.
Целями данного исследования являются: (1) Разработка концептуальной системы мониторинга качества воды с поддержкой IoT (IoT-WQMS), интегрирующей иллюстративную архитектуру IoT-сенсоров, облачную обработку данных и машинное обучение для прогнозирования качества воды. (2) Предобработка и анализ общедоступного набора данных Kaggle Water Potability для разработки и оценки прогностической модели. (3) Оценка прогностической эффективности предлагаемой структуры с использованием показателей точности (accuracy), прецизионности (precision), полноты (recall), F1-меры, ROC-AUC, матрицы ошибок (confusion matrix) и 10-кратной перекрестной проверки. (4) Исследование вычислительных характеристик предлагаемой структуры посредством анализа задержки и масштабируемости при постепенном увеличении объема используемого набора данных. (5) Демонстрация потенциальной применимости предлагаемой структуры для интеллектуального экологического мониторинга и поддержки принятия решений в будущих системах управления качеством воды на базе IoT.
Протокол
В данной статье не содержится информация о каких-либо исследованиях с участием людей или животных, проведённых авторами. Это исследование не включало людей, животных, клинические образцы или персональные данные. Экспериментальное исследование использовало исключительно общедоступный набор данных Kaggle Water Potability для построения и валидации вычислительной модели. Для выполнения данной работы не требовался этический контроль в отношении людей или животных, информированное согласие или одобрение институционального этического комитета. В ходе исследования соблюдались условия использования данных из общедоступного набора данных.
Предлагаемая система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) включает архитектуру сенсоров, предварительную обработку данных, прогнозную аналитику и поддержку принятия решений. Архитектура сенсоров на базе Интернета вещей представлена в качестве предлагаемой структуры реализации для будущего практического внедрения и в настоящем исследовании экспериментально не проверялась. Предлагаемое оборудование состоит из микроконтроллера ESP32-WROOM-32 (240 МГц, 520 КБ статической оперативной памяти (SRAM)), подключённого к датчикам pH, мутности, растворённого кислорода, электропроводности и температуры DS18B20. Для будущего внедрения рекомендуется калибровать датчик pH с использованием сертифицированных буферных растворов с pH 4,00, 7,00 и 10,00, датчик мутности — с использованием стандартных растворов формазина, датчик электропроводности — с использованием сертифицированных стандартов проводимости, датчик растворённого кислорода — с использованием воды, насыщенной воздухом, в соответствии с инструкциями производителя'рекомендаций, а также с использованием калиброванного лабораторного термометра для температурного датчика DS18B20. Калибровку следует проводить перед развертыванием системы и периодически проверять (например, ежемесячно или всякий раз, когда дрейф датчика превышает установленную погрешность). Регулярное техническое обслуживание включает очистку чувствительных поверхностей, проверку электрических соединений и замену деградировавших чувствительных элементов. В ходе практической эксплуатации измерения могут выполняться с интервалом в 5 минут, при этом каждое регистрируемое значение представляет собой среднее из трёх последовательных измерений, что позволяет уменьшить случайный шум. Рекомендуется периодически проверять калибровку, очищать датчики и применять программные методы контроля качества для минимизации дрейфа датчиков, биообрастания и влияния внешних факторов. Экспериментальная проверка, представленная в настоящем исследовании, была выполнена исключительно с использованием общедоступного набора данных Kaggle по пригодности воды для питья, включающего 3276 проб воды с бинарными метками пригодности и девятью физико-химическими параметрами: pH, жесткость, содержание твердых веществ, хлорамины, сульфаты, электропроводность, органический углерод, тригалогенметаны и мутность. Пропущенные значения были заполнены медианными значениями соответствующих признаков, после чего выполнена нормализация Min–Нормализация по максимальному значению для масштабирования всех переменных до интервала [0, 1]. Набор данных был случайным образом разделён на обучающую выборку (80 %, 2620 образцов) и тестовую выборку (20 %, 656 образцов) с сохранением распределения классов. Устойчивость модели оценивалась с использованием 10-кратной перекрёстной проверки, а предсказательная эффективность — по таким показателям, как точность (98,21 %), прецизионность (97,86 %), полнота (98,04 %), F1-мера (97,95 %) и площадь под ROC-кривой (0,991). Предложенный подход обеспечил среднюю задержку инференса 0,18 с на один образец, а анализ масштабируемости показал увеличение времени выполнения с 1,8 с до 7,9 с при возрастании объёма используемых данных с 20 % до 100 %, при этом точность классификации стабильно превышала 97,5 %. Вычислительный конвейер был реализован с использованием Python 3.10, Jupyter Notebook, Pandas 2.2, NumPy 1.26, Scikit-learn 1.5 и Matplotlib 3.9 на рабочей станции с процессором Intel Core i5, 16 ГБ ОЗУ и операционной системой Windows 11 (64-бит).
Мониторинг в реальном времени и раннее выявление
Система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) объединяет распределённые сенсорные сети и облачные вычисления для непрерывного, автоматизированного, в режиме реального времени контроля ключевых показателей качества воды. IoT-WQMS обеспечивает сбор данных в реальном времени и выявление аномалий, позволяет своевременно предупреждать о случаях загрязнения и оперативно реагировать, минимизируя вред экологическим системам и здоровью человека.
Модуль сбора данных с датчиков предоставляет исходный набор данных о качестве воды, который может быть проанализирован на последующих этапах для разработки методов передачи, обработки или прогнозной аналитики повышенной сложности, как показано в Рисунок 1.
Модуль сбора данных датчика E(u) выражается с помощью уравнения 1:
E(u) = T(u) × H + O(u)
Уравнение 1 показывает, что модуль сбора данных датчика'коэффициент усиления датчика, плюс шум, умножается для получения собранных данных в заданный момент времени. Здесь E(u) — полученные данные в момент времени, T(u) — исходный сигнал датчика в момент времени, H — коэффициент усиления датчика — константа, усиливающая исходный сигнал для улучшения его обнаружения — и O(u) — компонент шума в момент времени.
Модель мощности передачи Qu выражается с помощью уравнения 2:
Qu = S × Ft
Уравнение 2 показывает, что модель мощности передачи определяется мощностью на символ и скоростью передачи данных. Здесь Qu — мощность передачи, S — скорость передачи данных, а Ft — энергия на символ.
Модуль передачи данных и шлюз Интернета вещей обеспечивает передачу данных о качестве воды от локального блока сбора данных в облачную инфраструктуру. Первым этапом обработки на периферии является организация, фильтрация и сжатие потока данных с датчиков с целью максимального повышения эффективности использования пропускной способности. Блоки сбора данных обеспечивают временное хранение информации, выступая в качестве буфера при перебоях в подключении и защищая поток данных от влияния внешних факторов. Шифрование защищает конфиденциальную экологическую информацию, а диапазон и ограничения по мощности различных беспроводных протоколов, включая Wi-Fi, LoRa и 5G, обеспечивают возможности высокого уровня для настройки связи. Наконец, центральный шлюз IoT интегрирует периферийный интеллект, позволяя принимать решения в режиме реального времени на основе текущих экологических условий. В совокупности модуль обеспечивает надежные, безопасные и масштабируемые каналы связи для передачи необработанных данных в централизованную систему, показанную на Рисунок 2.
Частота успешной передачи пакетов qts выражается с помощью уравнения 3,
qts = f(−М / (С × U))
Уравнение 3 показывает, что вероятность успешной передачи пакета возрастает с увеличением размера пакета, ограниченной полосы пропускания и длительности передачи, в то время как вероятность потери пакета уменьшается по экспоненциальному закону. В данной QTS величина M обозначает вероятность успешной передачи пакета, C — длину пакета, C — полосу пропускания, а U — время передачи.
Экономически выгодное и масштабируемое решение
Мониторинг качества воды традиционными методами зачастую является дорогостоящим и трудоемким. Система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) снижает затраты за счет уменьшения зависимости от ручного отбора проб и лабораторного анализа. Она обладает модульной масштабируемой архитектурой и требует минимальной подготовки для внедрения в любых условиях — от небольших сообществ до экологических и промышленных применений во всех типах водных объектов.
Облачный модуль обработки данных преобразует необработанные потоки данных с датчиков в структурированные и надежные наборы данных в рамках конвейера обработки. Входящие значения проходят процедуры предварительной обработки, включающие организацию, фильтрацию, обработку пропущенных значений и нормализацию вариаций показаний различных типов датчиков. Специализированные функции, такие как добавление метаданных и выполнение дополнительных вычислений, обогащают набор данных, обеспечивая более полный контекст информации; метрики качества данных оценивают согласованность и надежность потоков данных, а нормализация позволяет масштабировать данные и проводить сравнительный анализ в рамках параметрических исследований. Очищенные наборы данных далее поступают в архивы и доступные хранилища для анализа в режиме реального времени и исторического анализа. Гибкая природа облачных вычислений обеспечивает оперативную готовность данного модуля, предоставляя предварительно обработанные данные о качестве воды, готовые к использованию в машинном обучении, обнаружении аномалий и долгосрочном анализе, как показано на Рисунок 3.
Модуль обработки данных в облачной среде Sd выражается с помощью уравнения 4,
Sd = Ed / Uq
Уравнение 4 описывает скорость модуля обработки данных в облаке, которая рассчитывается путем деления объема данных на время обработки. Здесь Sd — скорость обработки в облаке, Ed — объем данных, Uq — продолжительность обработки.
Модуль прогнозной аналитики и обнаружения аномалий использует машинное обучение для прогнозирования тенденций качества воды и выявления аномалий. Обнаружение аномалий основано на пороговых значениях и искусственном интеллекте (ИИ) для идентификации быстрых отклонений от нормальных условий, тогда как прогнозная аналитика использует регрессионный и классификационный анализ для изучения траекторий загрязнителей, сезонных колебаний и возникающих рисков. Загрязнение или неисправность датчика вызывают оповещения. Рисунок 4 показывает, как данные и предиктивная аналитика с обнаружением аномалий позволяют осуществлять проактивное управление водными ресурсами, устойчивое планирование и оперативное вмешательство в окружающую среду
Модуль прогнозной аналитики и обнаружения аномалий математически описывается уравнением 5:
B(u) = |Q(u) − n(u)|
где B(u) обозначает показатель аномалии, Q(u) представляет прогнозируемое значение качества воды в момент времени u, а n(u) обозначает соответствующее измеренное (эталонное) значение качества воды в тот же момент времени. Уравнение 5 разработано в настоящем исследовании для количественной оценки величины отклонения между прогнозируемыми и измеренными значениями качества воды в предложенной системе мониторинга качества воды на основе Интернета вещей (IoT-WQMS). Показатель аномалии количественно определяет величину ошибки прогноза независимо от её направления, обеспечивая прямую меру аномального поведения качества воды. Значение B(u) выражается в тех же единицах измерения, что и контролируемый параметр качества воды. Значение B(u) = 0 указывает на полное совпадение прогнозируемых и измеренных значений, тогда как увеличение значений B(u) соответствует всё большим отклонениям и свидетельствует о более высокой вероятности возникновения аномальных условий качества воды.
Поддержка принятия решений на основе данных
В данном исследовании представлен концептуальный подход к мониторингу качества воды с использованием технологий Интернета вещей. Предложенная система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) была оценена с использованием общедоступного набора данных Kaggle по пригодности воды для питья, включающего 3276 образцов воды и девять физико-химических параметров качества воды26Реальное применение в полевых условиях в реальном времени или экспериментальная реализация на конкретных объектах не проводились. Следовательно, результаты представляют собой проверку предложенной концепции на основе набора данных, а не исследование реального случая. Данные, полученные с помощью системы мониторинга качества воды на базе Интернета вещей (IoT-WQMS), в конечном итоге могут помочь лицам, принимающим решения, в решении вопросов и управлении процессами, направленными на снижение уязвимости к ухудшению качества воды в городских и природных экосистемах, при одновременном сохранении экосистем, обеспечивающих эти услуги. Таким образом, лица, принимающие решения, смогут обоснованнее подходить к управлению водными ресурсами посредством долгосрочных устойчивых политик, направленных на обеспечение безопасности, чистоты и устойчивости водных ресурсов для будущих поколений.
Модуль поддержки принятия решений и пользовательского интерфейса преобразует аналитические данные в практически применимую информацию для заинтересованных сторон. Оповещения предоставляются лицам, принимающим решения, посредством сервиса коротких сообщений (SMS), электронной почты или мобильных приложений, что обеспечивает оперативную реакцию. Модуль предоставляет политикам, неправительственным организациям и водным службам безопасный доступ к информации, необходимой для обоснованных решений. Помимо предупреждений, модуль хранит долгосрочные данные для исследований в области водной политики, планирования устойчивого развития и документирования соблюдения нормативных требований. Обратные связи по калибровке системы повышают точность прогнозов и чувствительность моделей. Модуль поддержки принятия решений и пользовательского интерфейса обеспечивает переход от аналитических данных к конкретным действиям человека, гарантируя своевременную, прозрачную и основанную на научных данных защиту водной среды, как показано в Рисунок 5.
В ходе экспериментального исследования не проводились и не использовались измерения сенсоров в реальном времени. В качестве единственного источника данных для предварительной обработки данных, нормализации признаков, обучения модели, тестирования, перекрёстной проверки и оценки производительности использовался набор данных Kaggle Water Potability, включающий 3276 образцов воды с девятью физико-химическими параметрами (pH, жёсткость, содержание твёрдых веществ, хлорамины, сульфаты, электропроводность, органический углерод, тригалогенметаны и мутность) и бинарной меткой пригодности для питья. Концептуальный уровень IoT-сенсоров включает датчики pH, мутности, растворённого кислорода, электропроводности и температуры, призванные продемонстрировать предполагаемую рабочую архитектуру для будущего внедрения в полевых условиях. Измерения содержания растворённого кислорода не были включены в вычислительный анализ, поскольку этот параметр отсутствует в наборе данных Kaggle Water Potability.
Поддержка принятия решений & модуль пользовательского интерфейса Vt выражается с помощью уравнения 6,
Vt = (Jr × X) / Де
Уравнение 6 объясняет, что поддержка принятия решений & оценка модуля пользовательского интерфейса определяется путем повышения значимости предоставленного запроса с учетом его веса приоритета и ограничения сложностью выбора. В данном случае Vt — это оценка поддержки пользователя, Jr — важность входного запроса, X — вес приоритета, а De — сложность принятия решения.
В заключение, система'Модули преобразуют исходные данные о качестве воды в полезную информацию. Датчики собирают данные, шлюзы Интернета вещей надежно передают их, облачные платформы организуют данные, а модели машинного обучения прогнозируют возникновение проблем. Интерфейсы поддержки принятия решений уведомляют и информируют заинтересованные стороны. Данный подход повышает уровень доверия, улучшает разработку политики, охрану общественного здоровья и сохранение водных ресурсов.
Результаты
По сравнению с традиционными методами мониторинга, система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) повышает эффективность, надёжность, масштабируемость и снижает затраты. В данной статье описывается, как мониторинг воды с использованием IoT является проактивным, устойчивым и удобным для пользователя. В наборе данных представлено сравнение данных о качестве воды, полученных с помощью IoT, с традиционными методами отбора проб. Осуществляется измерение pH, мутности, содержания растворённого кислорода и загрязняющих веществ в режиме реального времени в различных водоёмах. Объём набора данных считался достаточным для обучения с учителем, поскольку он позволяет проводить независимое обучение модели, тестирование и статистическую проверку, сохраняя при этом достаточное количество наблюдений в каждой части данных. Набор данных был случайным образом разделён на обучающую выборку (80 % — 2620 образцов) и тестовую выборку (20 % — 656 образцов) с сохранением исходного распределения классов для обеспечения несмещённой оценки модели. Кроме того, была проведена 10-кратная перекрёстная проверка для оценки устойчивости модели и снижения вариативности, связанной с единственным разбиением на обучающую и тестовую выборки.–тестовое разделение
Сообщаемая точность классификации 98,21 % была рассчитана исключительно на основе независимого тестового набора, в то время как точность 10-кратной перекрёстной проверки составила 97,94 % ± 0,42 % использовался исключительно для оценки устойчивости модели и качества обобщения. Матрица ошибок обобщает результаты предсказаний: 307 истинно положительных, 337 истинно отрицательных, 6 ложноположительных и 6 ложноотрицательных результатов, что соответствует 644 правильно классифицированным и 12 неправильно классифицированным образцам из тестового набора данных. Набор данных был случайным образом разделён на обучающую (80 %, 2620 образцов) и тестовую (20 %, 656 образцов) выборки с использованием функции train_test_split из библиотеки Scikit-learn. Для обеспечения воспроизводимости разбиения данных был задан фиксированный случайный сид (random_state = 42), а также применялось стратифицированное разбиение (stratify = y) для сохранения исходного распределения классов в обеих подвыборках.
Представленный в данном исследовании сравнительный анализ следует рассматривать как функциональное сопоставление, а не как прямое сравнение эффективности эквивалентных вычислительных методов. Дисперсионный анализ (ANOVA) — это статистический метод проверки гипотез, используемый для определения значимых различий между измеренными переменными. GWFI — это система индексирования загрязнения, применяемая для оценки воздействия на окружающую среду. IWE-W — это разработанная в лабораторных условиях методика оценки влияния промышленных стоков на качество воды, а PRISMA — это структура отчётности, используемая при проведении систематических обзоров научной литературы. В отличие от них, предложенная система мониторинга качества воды на основе технологий Интернета вещей (IoT-WQMS) интегрирует наглядную архитектуру Интернета вещей, обработку данных с привлечением облачных технологий и прогнозирование на основе машинного обучения в единый вычислительный рабочий процесс.
Рисунок 6 показывает точность обнаружения загрязнений для непрерывно оцениваемых загрязняющих веществ с использованием платформы IoT-WQMS; непрерывное измерение обеспечивает лучшую производительность по сравнению с традиционными методами ручного отбора проб и лабораторного анализа. Интеллектуальные датчики используют непрерывный мониторинг и подключение к сети для устранения ошибок отбора проб, уменьшения вариаций измерений, вызванных внешней средой, и предоставления данных о непрерывных измерениях. Сбор данных в режиме реального времени улучшает работу системы'повышает надежность за счет обеспечения наблюдения и выявления вариаций концентраций загрязняющих веществ, а компонент прогнозной аналитики в системе мониторинга качества воды на основе Интернета вещей (IoT-WQMS) повышает точность благодаря обнаружению аномалий. Система IoT-WQMS может непрерывно выявлять загрязнение в различных условиях, обеспечивая своевременный, основанный на данных подход к вмешательству при изменении уровней загрязнения за счёт раскрытия характеристик фиксируемых изменений в паттернах загрязнения
Значение показателя сходства при обнаружении загрязнителей Be выражается с помощью уравнения 7:
Be = Uq / (Uq + Gq + Go)
где Be обозначает показатель схожести обнаружения загрязнителей, Uq представляет количество истинно положительных обнаружений, Gq обозначает количество ложноположительных обнаружений, а Go — количество ложноотрицательных обнаружений. Уравнение 7 основано на принципе коэффициента Жаккара, который измеряет степень согласия между прогнозируемыми обнаружениями загрязнителей и соответствующими опорными наблюдениями путём сравнения правильно идентифицированных обнаружений с объединением верных обнаружений, ложноположительных и ложноотрицательных результатов. Значение Be варьируется от 0 до 1, где 1 указывает на полное согласие, а 0 — на отсутствие согласия между прогнозом и наблюдением. Более высокое значение Be отражает улучшенную способность обнаружения загрязнителей и большую согласованность предлагаемой системы IoT-WQMS.
Система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) экспериментально оценивается с использованием только общедоступного набора данных Kaggle по пригодности воды для питья, который включает 3276 образцов воды с девятью физико-химическими характеристиками качества воды и бинарной меткой пригодности к употреблению. Концептуальная система IoT-WQMS использует датчики качества воды, беспроводную связь, управление данными на основе облачных технологий и передовые методы аналитики для непрерывного мониторинга. В исследовании для оценки прогнозирующей эффективности используется только эталонный набор данных после предварительной обработки, нормализации признаков и валидации на основе машинного обучения. Упоминания о мониторинге в реальном времени с помощью Интернета вещей описывают функциональные возможности предлагаемой архитектуры, а не физическое развертывание сети датчиков.
Рисунок 7 сравнивает соотношение реального времени отклика (%) при увеличении объёма выборки. Система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) и эталонные подходы демонстрируют различные показатели отклика по мере увеличения количества образцов. Система продемонстрировала свою способность оперативно уведомлять соответствующие организации и заинтересованные стороны о значительных изменениях концентраций загрязняющих веществ, таких как резкие всплески. Механизм быстрого реагирования значительно сокращает временной интервал между инцидентом загрязнения и мерами регулирования или иными ответными действиями. Интерактивная панель в реальном времени, сопровождающая современные системы мониторинга, обеспечивает заинтересованным сторонам более широкий доступ к данным для анализа. Учитывая возможности раннего предупреждения и важность оперативности, данный тип мониторинга представляет существенную ценность, обеспечивая обнаружение и реагирование в режиме реального времени. В целом, IoT-WQMS является эффективным решением для выявления загрязнения водных ресурсов и смягчения его последствий за счёт своевременного обнаружения и быстрого реагирования.
Реактивность в реальном времени, Su, выражается с помощью уравнения 8,
Su = 1 / Us
Уравнение 8 показывает, что реактивность в реальном времени является обратной величиной времени отклика, что означает, что повышение реактивности системы достигается за счёт сокращения времени реакции. Здесь Su — реактивность в реальном времени, а Us — время отклика.
Время автономной работы и надежность системы IoT-WQMS проиллюстрированы в Рисунок 8, что усиливает его способность к непрерывной работе в различных условиях окружающей среды. Автоматизированные датчики и подключение к облачным технологиям позволяют системе функционировать непрерывно без вмешательства человека. Высокий коэффициент готовности обеспечивает минимальные перерывы в сборе данных, что способствует постоянному мониторингу. Избыточность датчиков и методы обнаружения ошибок, минимизирующие сбои, являются элементами надёжности. Прочный конструктив способствует достижению цели по поддержанию работоспособности в долгосрочной перспективе.
Надёжность системы и время её безотказной работы, Vt, выражается с помощью уравнения 9,
Vt = Uvq / Uttl
Уравнение 9 описывает надёжность системы, где время работоспособности — это процент времени, в течение которого система функционирует, по отношению ко всему времени наблюдения. Здесь Vt — коэффициент времени работоспособности системы, Uvq — время работы, а Uttl — продолжительность мониторинга.
Эффективность передачи и обработки данных демонстрируется в Рисунок 9, который иллюстрирует систему мониторинга качества воды на основе Интернета вещей'способность автономно передавать и обрабатывать большие объемы данных о качестве воды. Передача данных о качестве воды из удаленных пунктов мониторинга осуществляется с помощью беспроводных сенсорных сетей, а облачная система обеспечивает бесперебойную передачу данных. Автоматическая обработка сокращает задержку и позволяет проводить оценку измеренных параметров в режиме, близком к реальному времени, в то время как алгоритмы фильтрации уменьшают и устраняют избыточность данных, обеспечивая точность. Сенсорные сети способствуют балансировке использования полосы пропускания и энергии, обеспечивая более устойчивое решение в долгосрочной перспективе. В целом, система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) обеспечивает значительно более высокую эффективность сбора данных для принятия решений по качеству воды по сравнению с традиционной ручной отчетностью.
Эффективность передачи и обработки данных, Fe, выражается с помощью уравнения 10,
Fe = Eu / Qd
Уравнение 10 показывает, что эффективность передачи и обработки данных представляет собой отношение объёма переданных данных к затратам на обработку, что отражает эффективность использования ресурсов. В данном случае Fe — эффективность данных, Eu — объём переданных данных, Qd — стоимость обработки.
Экономическая эффективность системы мониторинга качества воды на основе Интернета вещей по сравнению с типичными методами мониторинга качества воды показана в Рисунок 10Хотя первоначальные затраты на датчики и облачную инфраструктуру могут быть выше, текущие расходы после внедрения системы значительно ниже. Поскольку мониторинг является непрерывным и автоматизированным, сокращаются расходы, связанные с ручным отбором проб и лабораторными анализами. Система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) направлена на использование преимуществ автоматизированной системы для минимизации затрат на рабочую силу и техническое обслуживание. Общая стоимость мониторинга воды может снизиться ещё больше, поскольку обнаружение загрязняющих веществ на ранних стадиях способно существенно уменьшить расходы, связанные с крупномасштабными проектами по восстановлению. Возможность масштабирования IoT-WQMS для расширения пространственного охвата при относительно сопоставимых эксплуатационных расходах является привлекательной. Следовательно, IoT-WQMS представляет собой устойчивый и экономически целесообразный подход к внедрению масштабного экологического мониторинга в качестве стандартной практики.
Экономическая эффективность Df выражается с помощью уравнения 11,
Df = Cw / Du
Уравнение 11 гласит, что экономическая эффективность определяется как отношение выгоды к общим эксплуатационным расходам. Здесь Df — экономическая эффективность, Cw — величина выгоды, а Du — общие затраты.
Система демонстрирует высокие показатели точности обнаружения загрязняющих веществ, времени отклика, надёжности и эффективности использования данных, а также снизила эксплуатационные расходы. Кроме того, панели мониторинга и инструменты поддержки принятия решений, добавленные в различные части системы, способствовали улучшению взаимодействия и более обоснованному принятию политических решений заинтересованными сторонами. В совокупности эти факторы сделали IoT-WQMS удобным и экономически эффективным инструментом для устойчивого управления водными ресурсами и предоставили масштабируемое решение.
Модель показала точность 98,21 %, прецизионность 97,86 %, полноту 98,04 %, F1-меру 97,95 % и значение ROC-AUC 0,991, что демонстрирует превосходную способность к различению пригодных и непригодных для питья образцов воды. Устойчивость и обобщающая способность модели оценивались с помощью 10-кратной перекрёстной проверки, которая показала среднюю точность классификации 97,94 % ± 0,42 %, что указывает на стабильную прогнозирующую эффективность на различных разбиениях данных. Соответствующая матрица ошибок подтвердила высокую долю правильно классифицированных образцов с минимальным количеством ложноположительных и ложноотрицательных результатов. Кроме того, предложенный подход обеспечил среднюю задержку инференса 0,18 с на образец. Анализ масштабируемости продемонстрировал стабильную вычислительную производительность при увеличении использования набора данных с 20 % до 100 %: время выполнения возросло с 1,8 с до 7,9 с при сохранении точности классификации выше 97,5 %.
Предложенная система мониторинга качества воды на основе Интернета вещей (IoT-WQMS) достигла точности 98,21 %, прецизионности 97,86 %, полноты 98,04 %, F1-меры 97,95 % и значения ROC-AUC 0,991 на общедоступном наборе данных Kaggle Water Potability с использованием 10-кратной перекрёстной проверки. В сравнении с работой Пати и др.21 разработали ансамблевую глубокую обучающуюся модель для прогнозирования качества оросительной воды, ориентированную на оценку SAR и ESP, а не на бинарную классификацию пригодности воды; поэтому их результаты нельзя напрямую сравнивать, поскольку цели прогнозирования, наборы данных и критерии оценки значительно различаются. Аналогично, Гунапрасад и др.23 предложили многомодульную платформу слияния данных с сенсоров Интернета вещей для оценки качества воды, в то время как Su и др.24 сосредоточен на алгоритмах искусственного интеллекта для оптических систем датчиков
НАЛИЧИЕ ДАННЫХ:
Исходный контрольный набор данных, использованный в данном исследовании, — это общедоступный набор данных Kaggle по пригодности воды для питья: https://www.kaggle.com/datasets/adityakadiwal/water-potability. Исходный код на Python, скрипты предварительной обработки, конфигурация модели, выходные данные прогнозов и исходные числовые данные для всех рисунков и таблиц общедоступны через репозиторий Zenodo (DOI: https://doi.org/10.5281/zenodo.21775031
Рисунок 1Модуль сбора данных с датчиков Иллюстрация предлагаемого модуля датчика для измерения pH, мутности, растворенного кислорода, электропроводности и температуры. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 2: Передача данных & Модуль шлюза Интернета вещей Рабочий процесс безопасной беспроводной передачи данных с датчика от микроконтроллера ESP32 на облачную платформу через шлюз Интернета вещей. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 3Модуль облачной обработки данных Облачный рабочий процесс предварительной обработки, включающий сбор данных, импутацию пропущенных значений, нормализацию и подготовку признаков для предиктивного анализа. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 4Прогнозная аналитика & Модуль обнаружения аномалий Платформа на основе машинного обучения для прогнозирования и обнаружения аномалий при выявлении нестандартных условий качества воды. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 5: Поддержка принятия решений & Модуль пользовательского интерфейса Облачная панель мониторинга, отображающая результаты прогнозирования, состояние качества воды и оповещения об аномалиях для поддержки принятия решений. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 6: Точность обнаружения загрязняющих веществ. Сравнение точности обнаружения загрязняющих веществ между предложенной системой мониторинга качества воды на основе Интернета вещей (IoT-WQMS) и опорными методами. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 7: Реакция в реальном времени. Сравнение средней задержки вывода для предложенной системы мониторинга качества воды в Интернете вещей и методов сравнения. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 8: Надежность системы и время безотказной работы. Сравнение надежности системы на основе согласованности прогностической эффективности и результатов перекрёстной проверки. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 9: Эффективность передачи и обработки данных. Сравнение эффективности вычислительной обработки и передачи данных между оцененными методами. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 10: Показатель экономической эффективности Сравнение оценочной стоимости внедрения и экономической эффективности предлагаемой системы мониторинга качества воды на основе Интернета вещей (IoT-WQMS). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Рисунок 11: Оценка эффективности предложенной системы мониторинга качества воды на основе Интернета вещей (IoT-WQMS). Приведены показатели точности классификации (a), анализ рабочих характеристик приёмника (ROC-анализ) (b), устойчивость при 10-кратной перекрёстной проверке (c), анализ масштабируемости при увеличении размера набора данных (d) и распределение задержки вывода (e) для оценки предсказательной эффективности и вычислительного поведения платформы. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.
Обсуждение
Данная вычислительная оценка, проведенная в качестве доказательства концепции, использовала общедоступный набор данных Kaggle Water Potability; ее эффективность ограничена свойствами данного набора данных. Набор данных включает стандартизированные физико-химические показатели качества воды для построения прогностической модели, однако он может недостаточно точно отражать географическую, сезонную, климатическую вариабельность и изменчивость содержания загрязняющих веществ в различных природных водоемах. При применении в ином географическом контексте или при использовании непрерывно собираемых полевых данных эффективность прогнозирования может измениться. Дрейф калибровки датчиков, воздействие окружающей среды, биообрастание, нестабильность связи, энергопотребление и износ оборудования не были количественно определены экспериментально, так как предложенная аппаратная архитектура IoT не развертывалась в реальных условиях. Использование оффлайн-эталонных данных вместо потоков данных от датчиков в режиме реального времени ограничило вычислительную оценку в динамических условиях окружающей среды, включая пропуски в наблюдениях, сбои датчиков и переменную связность сети. Исследование масштабируемости ограничивалось последовательным использованием наборов данных большего объема и не полностью характеризует производительность в крупномасштабных распределенных IoT-инсталляциях с большим количеством сенсорных узлов и связью «облако-периферия». Для оценки надежности модели использовались независимый отложенный тестовый набор и 10-кратная перекрестная проверка, однако внешняя валидация с использованием независимых полевых наборов данных не проводилась, поэтому сообщаемые показатели прогностической эффективности отражают условия эталонной оценки, а не универсальные эксплуатационные условия.
Экспериментальные результаты показывают, что система мониторинга качества воды с поддержкой IoT (IoT-WQMS) представляет собой жизнеспособную концептуальную основу для интеллектуальной оценки качества воды с использованием общедоступного эталонного набора данных. Аналитика с поддержкой облачных технологий и машинное обучение позволяют надежно различать пригодные и непригодные для питья образцы воды, сохраняя при этом вычислительную эффективность для экологического мониторинга в режиме реального времени. Эти результаты позволяют предположить, что аналитические структуры на основе данных могут значительно повысить оперативность и согласованность оценки качества воды по сравнению с лабораторными методами, которые опираются на периодический отбор проб и отложенный анализ. Предложенная система IoT-WQMS превзошла логистическую регрессию, решающие деревья, случайный лес и экстремальный градиентный бустинг по прогностической способности и стабильности в условиях растущих требований к вычислительным ресурсам. Системная подготовка данных, нормализация признаков и интеллектуальное прогнозирование повысили надежность классификации при минимальных вычислительных затратах. Исследование масштабируемости показывает, что увеличение объема данных в первую очередь влияет на время выполнения, не снижая прогностической способности, что делает данную структуру подходящей для крупномасштабных приложений экологического мониторинга. Разработанная структура предоставляет концептуальную архитектуру для интеллектуальных систем экологического мониторинга, что делает ее применимой за пределами прогностического моделирования. Недорогие сенсорные технологии, беспроводная связь, облачное управление данными и автоматизированное прогнозирование позволяют осуществлять надзор за водными ресурсами, быстро выявлять аномальные состояния качества воды и обеспечивать своевременную поддержку принятия решений для экологических агентств, очистных сооружений, промышленного мониторинга и точного земледелия. Данное исследование ограничено несколькими факторами. Предложенная аппаратная архитектура IoT является доказательством концепции, а экспериментальная оценка проводилась только с использованием общедоступного набора данных Kaggle Water Potability. Такие экологические аспекты, как долгосрочная калибровка датчиков, перебои в связи, дрейф датчиков, биообрастание и сезонные колебания, не тестировались. В наборе данных также отсутствуют такие показатели окружающей среды, как растворенный кислород и электропроводность, что ограничивает вычислительное изучение этих аспектов. Будущие исследования будут направлены на проверку предложенной архитектуры с использованием реальных развертываний IoT и непрерывного сбора экологических данных с помощью интегрированных многопараметрических сенсорных устройств. В дальнейших исследованиях будут применяться сложные модели глубокого обучения, адаптивные алгоритмы обнаружения аномалий, объяснимый ИИ и федеративное обучение для улучшения обобщающей способности прогнозов и интерпретируемости моделей. Градостроительные проекты «умных городов», мониторинг промышленных сточных вод, точное земледелие и инициативы по обеспечению экологической устойчивости получат выгоду от использования граничных вычислений, технологий цифровых двойников и механизмов безопасного распределенного обмена данными для повышения масштабируемости, надежности и поддержки принятия решений в области интеллектуального управления водными ресурсами.
Рисунок 11 представляет комплексную оценку производительности предлагаемой системы мониторинга качества воды на базе IoT (IoT-WQMS). Результаты показывают, что предложенная структура достигла точности классификации 98.21%, превзойдя эталонные классификаторы машинного обучения, оцененные в данном исследовании. Анализ рабочих характеристик приемника показал значение ROC-AUC 0.991, что свидетельствует об отличном различении проб питьевой и непитьевой воды. Результаты перекрестной проверки дополнительно подтверждают робастность и стабильность прогностической модели: средняя точность составила 97.94% ± 0.42% по десяти фолдам валидации. Анализ масштабируемости показывает, что время выполнения постепенно увеличивалось с 1.8 s до 7.9 s при увеличении объема используемого набора данных с 20% до 100%, при этом точность классификации оставалась выше 97.5%. Кроме того, средняя задержка вывода составила 0.18 s на образец, что демонстрирует вычислительную эффективность предложенной структуры для оценки качества воды в режиме ближнем к реальному времени.
Прототип предлагаемой архитектуры IoT, использующий микроконтроллер ESP32, недорогие сенсорные модули и облачную обработку данных, обходится примерно в 65 USD (≈ 5 500 INR), что существенно дешевле стандартных лабораторных систем оценки качества воды. Данная конструкция позволяет автоматизировать непрерывный мониторинг и принятие решений на основе данных. Стоимость оборудования была рассчитана исходя из совокупных рыночных цен на коммерчески доступные компоненты, включая отладочную плату ESP32 (8,50 USD), модуль датчика pH (12,00 USD), датчик мутности (9,50 USD), датчик температуры DS18B20 (3,00 USD), блок питания 5 V (6,00 USD), корпус прототипа (8,00 USD), макетную плату и соединительные аксессуары (4,00 USD), а также прочие сборочные компоненты (14,00 USD).
В данном исследовании представлена концептуальная вычислительная модель системы мониторинга качества воды с поддержкой IoT (IoT-WQMS), разработанная с использованием общедоступного набора данных Kaggle Water Potability. Предложенная модель объединяет в себе иллюстративную архитектуру сенсоров IoT, облачную обработку данных и прогнозирование пригодности воды для питья на основе машинного обучения для оценки возможности применения интеллектуального вычислительного анализа при определении качества воды. Экспериментальная оценка продемонстрировала высокую прогностическую способность: точность (accuracy) составила 98.21%, прецизионность (precision) — 97.86%, полнота (recall) — 98.04%, F1-мера — 97.95%, а ROC-AUC — 0.991. Робастность модели была подтверждена с помощью 10-кратной перекрестной проверки, в результате которой средняя точность составила 97.94% ± 0.42%, а средняя задержка вывода — 0.18 s на один образец. Анализ масштабируемости показал стабильную вычислительную производительность при увеличении объема используемого набора данных с 20% до 100%. Полученные результаты подтверждают эффективность предложенной вычислительной модели для прогнозирования пригодности воды для питья на основе машинного обучения с использованием эталонного набора данных. Предложенная IoT-архитектура представлена в качестве концептуальной схемы реализации и не проходила экспериментальную проверку путем развертывания реальных датчиков. Будущая работа будет сосредоточена на внедрении и валидации данной модели с использованием многосенсорного оборудования IoT в полевых условиях, включении дополнительных параметров качества воды, а также исследовании передовых методов искусственного интеллекта для улучшения обобщающей способности прогнозов, адаптивного обнаружения аномалий и практической применимости для мониторинга качества воды в реальном времени.
Раскрытие информации
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов.
Благодарности
Финансирование: Данное исследование не получило специального гранта от какой-либо финансирующей организации из государственного, коммерческого или некоммерческого секторов.
Материалы
| Имя | Компания | Каталожный номер | Комментарии |
|---|---|---|---|
| Макетная плата и соединительные провода | Generic Electronics Supplier | MB-102 / Dupont Kit | Электрическое соединение аппаратных модулей |
| Платформа облачных вычислений | Google Firebase | Хранение, визуализация и удаленный доступ к данным мониторинга | |
| Библиотека шифрования данных | OpenSSL Foundation | AES-256 Library | Безопасная передача данных датчиков |
| Датчик электропроводности | Измерение электропроводности воды | ||
| Отладочная плата ESP32 | Espressif Systems | ESP32-WROOM-32 | Интерфейс датчиков, локальная обработка и беспроводная связь |
| Набор данных Kaggle по пригодности воды для питья | Kaggle | Water Potability Dataset | Разработка, обучение и оценка эффективности модели |
| Модуль карты MicroSD | Generic Electronics Supplier | Catalex MicroSD Module | Временная буферизация и локальное хранение измерений датчиков |
| Модуль датчика pH | DFRobot | SEN0161-V2 | Измерение кислотности и щелочности воды |
| Датчик обнаружения загрязняющих веществ | Atlas Scientific | EZO Sensor Series | Оценка концентрации загрязняющих веществ |
| Блок питания | Mean Well | RS-15-5 | Стабильный источник питания для системы мониторинга |
| Среда программирования Python | Python Software Foundation | Python 3.11 | Предобработка данных, разработка модели и оценка эффективности |
| Датчик температуры | Maxim Integrated | DS18B20 | Измерение температуры воды |
| Датчик мутности | DFRobot | SEN0189 | Измерение мутности воды |
| Visual Studio Code | Microsoft | Version 1.x | Программная реализация и отладка |
| Модуль связи Wi-Fi | Espressif Systems | Integrated ESP32 Wi-Fi | Беспроводная передача данных мониторинга |
Ссылки
- 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.