Sonuçlar; sürdürülebilir su kaynakları yönetimi için erken anomali tespitini, paydaş uyarılarını ve uzun vadeli trend analizlerini desteklerken, doğruluğun, yanıt verme süresinin ve maliyet verimliliğinin arttığını göstermektedir.
Yöntem makalesi
Nesnelerin İnterneti Destekli Su Kalitesi İzleme Sistemi
Bu makalede
Özet
Özet
Su kalitesi izleme; insan sağlığını, sucul habitatları ve sürdürülebilir su kaynakları yönetimini korur. Manuel örnekleme ve laboratuvar testleri zahmetli, zaman alıcıdır ve sürekli su kalitesi izleme için uygun değildir. Bu çalışmada, IoT tabanlı bir sensör mimarisi ve akıllı su kalitesi değerlendirmesi için makine öğrenimi kullanan, kavram kanıtlama amaçlı bir IoT Destekli Su Kalitesi İzleme Sistemi (IoT-WQMS) sunulmaktadır. Çerçeve; pH, sertlik, toplam çözünmüş katı madde, kloraminler, sülfat, iletkenlik, organik karbon, trihalometanlar ve bulanıklığı kullanarak suyun içilebilirliğini tahmin eder. Deneysel değerlendirme için 3.276 su örneğinden oluşan, halka açık Kaggle Su İçilebilirliği veri seti kullanılmıştır. Medyan tabanlı eksik değer tamamlama, Min-Max normalizasyonu ve 80:20 eğitim-test ayrımının ardından performans değerlendirmesi yapılmıştır. Önerilen tahmin modeli %98,21 doğruluk, %97,86 kesinlik, %98,04 duyarlılık, %97,95 F1-skoru ve 0,991 alıcı işletim karakteristik eğrisi altında kalan alan (ROC-AUC) değerine sahiptir. Model, 10 katlı çapraz doğrulama sonrasında örnek başına ortalama 0,18 s tahmin gecikmesi ve %97,94 ± %0,42 ortalama doğruluk ile istikrarlı ve güvenilir bir performans göstermiştir. Ölçeklenebilirlik incelemesi, veri seti boyutunun %20'den %100'e çıkarılmasının, tahmin doğruluğunu %97,5'in üzerinde tutarken yürütme süresini 1,8 s'den 7,9 s'ye çıkardığını göstermiştir. Bir ESP32 mikrodenetleyici, düşük maliyetli algılama modülleri ve bulut tabanlı işleme, akıllı su kalitesi değerlendirmesi için ekonomik olarak uygulanabilir bir çerçeve sağlayarak, gelecekteki gerçek zamanlı IoT dağıtımı ve sürdürülebilir çevresel izleme için temel oluşturmaktadır.
Giriş
Su kalitesi; içme suyu güvenliğini, tarımsal verimliliği, endüstriyel faaliyetleri ve sucul biyolojik çeşitliliği etkilediği için çevresel sürdürülebilirliğin, ekolojik istikrarın ve halk sağlığının önemli bir göstergesidir1. Hızlı endüstrileşme, kentsel büyüme, tarımsal akışlar ve uygunsuz atık su bertarafı, yüzey ve yer altı sularındaki fizikokimyasal kirletici konsantrasyonlarını artırdığından, sürekli ve doğru su kalitesi izlemesine ihtiyaç duyulmaktadır2. Manuel örnekleme ve laboratuvar tabanlı fizikokimyasal analizler tipik izleme yaklaşımlarıdır. Bu yöntemler zahmetli ve maliyetlidir; ayrıca örnek taşıma süreleri ve çevrimdışı analizler nedeniyle su kalitesindeki hızlı zamansal dalgalanmaları yakalayamazlar3, ancak mükemmel analitik hassasiyet sağlarlar3. Bu nedenle, kirlilik olayları genellikle çevresel bozulma meydana gelene kadar gözden kaçmakta, bu da zamanında müdahaleyi ve su kaynakları yönetimini kısıtlamaktadır4.
IoT gelişmeleri; akıllı sensörler, kablosuz bağlantı, bulut bilişim ve akıllı veri analitiği aracılığıyla kritik su kalitesi göstergelerinin sürekli olarak ölçülmesini sağlayan dağıtık algılama altyapılarını mümkün kılmıştır5. Makine öğrenimi de çok boyutlu çevresel veri setlerinden su kalitesini öngörebilir ve kirlilik eğilimlerini tespit edebilir6. Bu ilerlemelere rağmen, IoT tabanlı izleme sistemleri sensör veri toplama ve uzaktan görselleştirmeye odaklanırken, birçok makine öğrenimi deneyi çevrimdışı kıyaslama veri setlerini kullanarak tahmin modelleri oluşturmaktadır7. IoT destekli sensör altyapılarının akıllı tahmini analitiklerle olan zayıf entegrasyonu; karar desteklerini, otomatik anomali tespitini, ölçeklenebilir izlemeyi ve proaktif çevresel yönetimi kısıtlamaktadır8. Tekrarlanabilir uygulama yöntemlerinin, hesaplamalı doğrulamanın ve gerçekçi kurulum tasarımlarının eksikliği, gerçek dünya çevresel izleme için tanımlanan birçok sistemin kullanılabilirliğini sınırlamaktadır9.
Ölçeklenebilir IoT izleme mimarisini veri odaklı öngörücü zeka ile birleştirilmiş, tekil ve tekrarlanabilir bir sistem haline getiren entegre bir çerçeve eksiktir10. Çoğu teknik, donanım tabanlı algılama altyapısına veya bağımsız makine öğrenimi öngörülerine odaklanırken; algılama, bulut bağlantısı, akıllı analizler, görselleştirme ve karar desteğinin entegrasyonu sınırlı kalmaktadır11. Bu kısıtlama nedeniyle, sürekli su kalitesi değerlendirmesinin akıllı hesaplamalı analizi için birleştirilmiş bir çerçeveye ihtiyaç duyulmaktadır12.
Akıllı su kalitesi değerlendirmesi için bir kavram kanıtlama çerçevesi olarak bu çalışma, IoT Destekli bir Su Kalitesi İzleme Sistemi (IoT-WQMS) sunmaktadır. Kavramsal bir IoT sensör mimarisi, bulut destekli veri yönetimi ve makine öğrenimi tabanlı öngörücü analitikler kullanılarak otomatik bir su potabilitesi değerlendirmesi sunulmuştur. Ücretsiz olarak erişilebilen Kaggle Su Potabilitesi veri seti, dokuz fizikokimyasal su kalitesi kriteri ile karakterize edilen 3.276 su örneği içermekte ve performans değerlendirmesi için tekrarlanabilir bir hesaplama ortamı sağlamaktadır. Çalışmanın amacı; tahmin doğruluğunu artırmak, hızlı anomali tespitini kolaylaştırmak, veri odaklı çevresel karar verme sürecini mümkün kılmak ve gerçek zamanlı IoT uygulamaları için temel oluşturmak amacıyla entegre bir analitik çerçeve geliştirmektir.
IoT mimarisi, bulut tabanlı analitik iş akışı, akıllı öngörücü modelleme ve paydaş odaklı karar desteğini entegre eden birleşik bir hesaplama çerçevesi, önerilen IoT-WQMS'nin temel inovasyonudur. Öngörücü zeka kullanan otomatik su kalitesi değerlendirmesi, uzak sensör görselleştirmeye odaklanan standart IoT izleme sistemlerinden farklılık göstermektedir. Uçtan uca tasarım, çevrimdışı makine öğrenimi deneylerinin aksine, öngörücü analitiğin IoT destekli bir çevresel izleme hattına nasıl uygulanabileceğini göstermektedir. Birleşik tasarım; sistem ölçeklenebilirliğini, hesaplama tekrarlanabilirliğini ve akıllı karar desteğini geliştirmekte ve gerçek zamanlı bir referans mimarisi sunmaktadır.
Önerilen IoT Tabanlı Su Kalitesi İzleme Sisteminin (IoT-WQMS) tahmin bileşeni, yeni geliştirilmiş bir makine öğrenimi algoritması yerine yerleşik bir Random Forest sınıflandırıcısı kullanmaktadır. Veri ön işleme aşamasının ardından; pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes ve Turbidity değerlerini içeren normalize edilmiş öznitelik matrisi model girdisi olarak kullanılırken, Potability özniteliği ikili hedef değişken olarak belirlenmiştir. Veri seti, sabit bir rastgele tohum (random_state = 42) ile tabakalı örnekleme kullanılarak rastgele olarak %80 eğitim ve %20 test alt kümelerine ayrılmıştır. Random Forest sınıflandırıcısı, eğitim veri seti kullanılarak eğitilmiş ve ardından bağımsız test veri seti üzerinde değerlendirilmiştir. Modelin sağlamlığı, 10 katlı çapraz doğrulama ile daha ayrıntılı olarak analiz edilmiştir. Tahmin performansı; doğruluk, kesinlik, duyarlılık, F1-skoru, ROC-AUC ve hata matrisi analizi kullanılarak nicelleştirilmiştir.
Son araştırmalar, istatistiksel analizlerden ve kirlilik indekslemeden yapay zekaya ve IoT destekli izleme sistemlerine kadar su kalitesi değerlendirmesi için çeşitli yaklaşımlar benimsemiştir. ANOVA gibi istatistiksel yöntemler, su kalitesi parametrelerindeki anlamlı mekansal ve zamansal varyasyonları belirlemek ve çevresel yönetim için kirli bölgelere öncelik vermek amacıyla kullanılmıştır13. Bu yaklaşımlar, hipotez testi için titiz istatistiksel kanıtlar sağlasa da, sürekli izlemeyi veya öngörücü karar verme süreçlerini desteklemezler. Benzer şekilde, atmosferik kirlilik çalışmaları, baskın emisyon kaynaklarını belirlemek ve kirlilik azaltma stratejilerini optimize etmek için ozon duyarlılık analizini, uçucu organik bileşiklerin (VOC'ler) ve azot oksitlerin (NOx) kaynak dağılımıyla birleştirmiştir14. Bu teknikler değerli çevresel içgörüler sunsa da, uygulama odaklı kalmaktadırlar ve akıllı su kalitesi tahmini için tasarlanmamışlardır.
Su kalitesi indeksleme ve hidrojeokimyasal değerlendirme yöntemleri de yaygın olarak benimsenmiştir. Gri Su Ayak İzi (GWF) ve Gri Su Ayak İzi Yoğunluğu (GWFI) çerçeveleri, kirlilik yüklerini nicelleştirir ve endüstriyel sürdürülebilirliği değerlendirerek uzun vadeli çevresel politika değerlendirmelerini kolaylaştırır15. Su Kalitesi Üzerindeki Endüstriyel Atık Sular (IWE-W) analizleri, endüstriyel boşaltımların nehir ekosistemleri üzerindeki etkisini belirlemek için laboratuvar tabanlı ölçümleri kullanarak fizikokimyasal kontaminasyonu değerlendirir16. Benzer şekilde, turizm kaynaklı su kirliliğini analiz etmek ve sürdürülebilir yönetim stratejileri oluşturmak için sistematik incelemeler ve sistem dinamiği modelleri kullanılmış17, iklim değişikliği çalışmaları ise ulusal su kaynakları planlamasını desteklemek amacıyla yeraltı suyu mevcudiyetini, kirlilik eğilimlerini ve içme suyu güvenliğini değerlendirmiştir18. Bu çalışmalar değerli çevresel değerlendirme çerçeveleri sunsa da, öncelikle çevrimdışı analizlere dayanmakta olup otomatik veri toplama, öngörücü analitik ve gerçek zamanlı izleme yeteneklerinden yoksundurlar.
Son zamanlardaki gelişmeler, yapay zeka ve akıllı algılama teknolojilerini giderek daha fazla bünyesine katmıştır. Fizikokimyasal ve mikrobiyolojik parametreler kullanılarak yapılan yeraltı suyu incelemeleri, bölgesel su kalitesi değerlendirmesini geliştirmiş19, makrobentlere dayalı biyolojik belirteçlerin PROMETHEE çok kriterli karar verme yöntemiyle entegre edilmesi ise ekolojik durum değerlendirmesini iyileştirmiştir20.
Topluluk tabanlı derin öğrenme ve makine öğrenimi mimarileri, sodyum adsorpsiyon oranını (SAR) ve değiştirilebilir sodyum yüzdesini (ESP) tahmin ederek sulama suyu kalitesi için yüksek öngörü yeteneği sergilemiştir21. Hidrojeokimyasal ve jeo-uzamsal modelleme, yeraltı suyu kaynak yönetimi için florür ve nitrat kontaminasyonu sıcak noktalarının mekansal olarak belirlenmesine olanak sağlamıştır22. Bu ilerlemelere rağmen, söz konusu çalışmalar belirli çevresel alanlara odaklanmış durumdadır ve akıllı algılamayı, bulut destekli analizleri ve otomatik öngörüyü birleşik bir hesaplama çerçevesi içinde entegre etmemektedir.
IoT, bulut bilişim ve yapay zekanın entegrasyonu, son zamanlarda akıllı çevresel izleme için gelecek vadeden bir yön olarak ortaya çıkmıştır. Çok aşamalı öğrenme ve sensör füzyon çerçeveleri, IoT sensör verilerini makine öğrenimi modelleriyle birleştirerek tahmin doğruluğunu artırmıştır23. Yapay zeka tabanlı optik algılama algoritmaları, akıllı veri madenciliği yoluyla parametre kestirimini geliştirmiş24, güncel incelemeler ise yeni nesil su kalitesi izleme sistemleri için optik algılama, kablosuz iletişim ve bulut bağlantısının potansiyelini vurgulamıştır25. Buna rağmen, bu araştırmalar öncelikle sensör düzeyindeki optimizasyona, optik enstrümantasyona veya algoritmik iyileştirmelere odaklanmakta; veri ön işleme, bulut destekli analizler, öngörücü modelleme, doğrulama ve karar desteğini entegre eden uçtan uca bir hesaplama iş akışını sınırlı düzeyde dikkate almaktadır.
Bu çalışma, aşağıdaki hipotezleri değerlendirmek üzere tasarlanmıştır: (1) H1: Önerilen IoT Destekli Su Kalitesi İzleme Sistemi (IoT-WQMS), fizikokimyasal su kalitesi parametrelerini kullanarak içilebilir ve içilemez su örneklerini doğru bir şekilde sınıflandırır. (2) H2: Bulut destekli makine öğreniminin entegrasyonu, gerçek zamanlıya yakın çevresel izleme için uygun, güvenilir ve hesaplama açısından verimli su kalitesi tahminini mümkün kılar. (3) H3: Önerilen hesaplama çerçevesi, artan veri seti kullanımı altında istikrarlı tahmin performansı sergileyerek akıllı su kalitesi değerlendirmesi için ölçeklenebilirlik ve dayanıklılık gösterir.
Bu çalışmanın amaçları şunlardır: (1) Örnek bir IoT algılama mimarisi, bulut tabanlı veri işleme ve su kalitesi tahmini için makine öğrenimini entegre eden, kavram kanıtı niteliğinde bir IoT Destekli Su Kalitesi İzleme Sistemi (IoT-WQMS) geliştirmek. (2) Tahmin modelinin geliştirilmesi ve değerlendirilmesi için herkese açık olan Kaggle Su Potabilitesi veri setini ön işlemek ve analiz etmek. (3) Önerilen çerçevenin tahmin performansını doğruluk, kesinlik, duyarlılık, F1-skoru, ROC-AUC, konfüzyon matrisi ve 10 katlı çapraz doğrulama kullanarak değerlendirmek. (4) Kademeli olarak artan veri seti kullanımı altında gecikme ve ölçeklenebilirlik analizleri aracılığıyla önerilen çerçevenin hesaplama özelliklerini incelemek. (5) Önerilen çerçevenin, gelecekteki IoT tabanlı su kalitesi yönetim sistemlerinde akıllı çevresel izleme ve karar desteği için potansiyel uygulanabilirliğini göstermek.
Protokol
Bu makalede, yazarlar tarafından gerçekleştirilen insan katılımcılarla ya da hayvanlarla yapılan hiçbir çalışma yer almamaktadır. Bu araştırma, insanları, hayvanları, klinik örnekleri ya da kişisel verileri içermemektedir. Deneysel çalışma, yalnızca hesaplamalı model inşası ve doğrulaması için halka açık Kaggle Water Potability veri setini kullanmıştır. Bu çalışma için insan ya da hayvan etik incelemesi, bilgilendirilmiş izin ya da kurumsal etik komite onayı gerekmemiştir. Çalışmada, halka açık veri setinin kullanım koşullarına uyulmuştur.
Önerilen Nesnelerin İnterneti ile Su Kalitesi İzleme Sistemi (IoT-WQMS), açıklayıcı bir algılama mimarisi, veri ön işleme, tahmine dayalı analitik ve karar destek sisteminden oluşmaktadır. IoT algılama mimarisi, gelecekteki gerçek dünya uygulamaları için önerilen bir uygulama çerçevesi olarak sunulmuş olup, bu çalışmada deneysel olarak doğrulanmamıştır. Önerilen donanım, pH, bulanıklık, çözünmüş oksijen, elektriksel iletkenlik ve DS18B20 sıcaklık sensörleriyle arayüzlenmiş bir ESP32-WROOM-32 mikrodenetleyicisinden (240 MHz, 520 KB statik rastgele erişimli bellek (SRAM)) oluşmaktadır. Gelecekteki uygulamalar için pH sensörünün sertifikalı pH 4,00, 7,00 ve 10,00 tampon çözeltileriyle, bulanıklık sensörünün standart formazin çözeltileriyle, elektriksel iletkenlik sensörünün sertifikalı iletkenlik standartlarıyla, çözünmüş oksijen sensörünün üreticinin talimatlarına göre hava ile doyurulmuş su kullanılarak kalibre edilmesi önerilir's önerilerine ve DS18B20 sıcaklık sensörüne bir kalibre edilmiş laboratuvar termometresi kullanılarak yapılan karşılaştırmaya dayanır. Kalibrasyon, sensörlerin sahaya yerleştirilmesinden önce yapılmalı ve periyodik olarak (örneğin aylık olarak veya sensör sapması belirtilen toleransı aştığında) doğrulanmalıdır. Rutin bakım, algılama yüzeylerinin temizlenmesini, elektriksel bağlantıların kontrol edilmesini ve bozulan algılama elemanlarının değiştirilmesini içerir. Pratik kullanım sırasında ölçümler 5 dakikalık aralıklarla alınabilir ve raporlanan her değer, rastgele ölçüm gürültüsünü azaltmak amacıyla üç ardışık ölçümün ortalamasını temsil eder. Sensör sapmasını, biyolojik birikimi ve çevresel etkileri en aza indirmek için periyodik kalibrasyon doğrulaması, sensör temizliği ve yazılım tabanlı kalite kontrolü önerilir. Bu çalışmada sunulan deneysel doğrulama, içilebilirlik açısından ikili etiketlere ve dokuz fizikokimyasal parametreye sahip 3.276 su örneğinden oluşan halka açık Kaggle Su İçilebilirliği veri seti kullanılarak gerçekleştirilmiştir: pH, Sertlik, Katılar, Kloraminler, Sülfat, İletkenlik, Organik Karbon, Trihalometanlar ve Bulanıklık. Eksik değerler her bir özellik için medyan değer kullanılarak dolduruldu, ardından Min–Maksimum normalizasyon, tüm değişkenleri [0, 1] aralığına ölçeklendirmek için kullanıldı. Veri seti, sınıf dağılımını koruyarak rastgele %80'lik eğitim (2.620 örnek) ve %20'lik test (656 örnek) olmak üzere iki alt kümeye ayrıldı. Modelin dayanıklılığı 10 katlı çapraz doğrulama ile değerlendirildi ve tahmin performansı doğruluk (98,21%), kesinlik (97,86%), duyarlılık (98,04%), F1-skoru (97,95%) ve ROC-AUC (0,991) metrikleriyle ölçüldü. Önerilen çerçeve, örnek başına ortalama 0,18 saniye çıkarım gecikmesi sağladı; ölçeklenebilirlik analizi, veri seti kullanımının %20'den %100'e artmasıyla işlem süresinin 1,8 saniyeden 7,9 saniyeye yükseldiğini gösterdi ve sınıflandırma doğruluğu sürekli olarak %97,5'in üzerinde kaldı. Hesaplamalı iş akışı, Intel Core i5 işlemci, 16 GB RAM ve Windows 11 (64-bit) ile donatılmış bir iş istasyonunda, Python 3.10, Jupyter Notebook, Pandas 2.2, NumPy 1.26, Scikit-learn 1.5 ve Matplotlib 3.9 kullanılarak gerçekleştirildi.
Gerçek zamanlı izleme ve erken tespit
IoT-YKYS, kritik su kalitesi göstergelerinin sürekli, otomatik ve gerçek zamanlı izlenmesini sağlamak için dağıtık sensör ağları ile bulut bilişimi birleştirir. IoT-YKYS, gerçek zamanlı veri edinimi ve anormallik tespitini mümkün kılarak kirlilik olaylarına ilişkin erken uyarı sağlar ve çevresel ekosistemlere ve insan sağlığına zararları en aza indirmek için anında müdahaleye olanak tanır.
Sensör veri toplama modülü, ileri iletim, işleme veya tahmine dayalı analizler için yöntemlerin geliştirilmesinde sonraki aşamalarda değerlendirilebilecek ham su kalitesi veri kümesini sağlar, Şekil'de gösterildiği gibi Şekil 1.
Sensör veri toplama modülü E(u), 1. denklem kullanılarak ifade edilir:
E(u) = T(u) × H + O(u)
Denklem 1, sensör veri toplama modülünü gösterir's sensör kazancı ve gürültü, belirli bir zamanda toplanan verileri üretmek için çarpılır. Burada E(u), u anında elde edilen veriyi; T(u), u anındaki ham sensör sinyalini; H ise sensör kazanç katsayısını ifade eder. — tespitin iyileştirilmesi için ham sinyali kuvvetlendiren bir sabit — ve O(u), zamandaki gürültü bileşenidir.
İletim gücü modeli Qu, denklem 2 kullanılarak ifade edilir:
Qu = S × Ft
Denklem 2, iletim gücü modelinin sembol başına düşen güç ve veri hızına bağlı olduğunu gösterir. Burada Qu, iletim gücü; S, veri hızı; Ft ise sembol başına düşen enerjidir.
Veri iletimi ve IoT geçidi modülü, su kalitesi verilerinin yerel edinim biriminden bulut altyapısına aktarılmasını kolaylaştırır. Kenar işlemede ilk adım, bant genişliği verimliliğini en üst düzeye çıkarmak için sensör akışını düzenlemek, filtrelemek ve sıkıştırmaktır. Edinim birimleri, bağlantı kesintilerine karşı bir tampon görevi görerek geçici depolama sağlar ve veri akışını çevresel faktörlere karşı korur. Şifreleme hassas çevresel bilgileri korurken, Wi-Fi, LoRa ve 5G dahil olmak üzere çoklu kablosuz protokollerin menzil ve güç sınırlamaları yapılandırma için üst düzey iletişim seçenekleri sunar. Son olarak, IoT geçidi merkezi kenar zekâsını entegre ederek çevresel koşullarla ilgili gerçek zamanlı kararlar alınmasını sağlar. Toplamda, bu modül ham verilerin gösterilen merkezileştirilmiş sisteme yüklenmesi için güvenilir, güvenli ve ölçeklenebilir iletişim hatları sağlar. Şekil 2.
Paket başarı oranı qts, 3. denklem kullanılarak ifade edilir,
qts = f(−M / (C × U))
Denklem 3, paket başarı oranının paket boyutu, sınırlı bant genişliği ve iletim süresi ile arttığını, buna karşılık paket hata oranının üstel olarak azaldığını göstermektedir. Bu QTS'de paket başarı oranı M, paket uzunluğu C, bant genişliği ise U'dur.
Maliyet açısından verimli ve ölçeklenebilir çözüm
Geleneksel yöntemlerle su kalitesinin izlenmesi genellikle maliyetli ve işgücü yoğun olabilir. IoT-WQMS, manuel numune alma ve laboratuvar testlerine olan bağımlılığı azaltarak maliyetleri düşürür. Küçük topluluklardan tüm su ekosistemlerindeki çevresel ve endüstriyel uygulamalara kadar her yerde kurulabilmesi için modüler, ölçeklenebilir bir mimariye sahiptir ve kullanımı için en az düzeyde eğitim yeterlidir.
Bulut tabanlı veri işleme modülü, ham sensör akışlarını işlem hattı içinde yapılandırılmış, güvenilir veri kümelerine dönüştürür. Gelen değerler, farklı sensör türleri arasında sensör varyasyonlarını düzenlemek, filtrelemek, eksik değerleri işlemek ve normalleştirmek amacıyla ön işleme yordamlarından geçirilir. Meta verileri etiketleme ve ek hesaplamalar gibi özelleştirme işlevleri, veri kümesini zenginleştirerek daha kapsamlı bilgi bağlamları sunar; veri kalitesi metrikleri veri akışlarının tutarlılığını ve güvenilirliğini ölçer ve normalleştirme, parametre çalışması boyunca ölçeklendirme ve karşılaştırmalı analiz imkânı sağlar. Temizlenmiş veri kümeleri daha sonra gerçek zamanlı ve tarihsel analizler için arşivlere ve erişilebilir depolara aktarılır. Bulut bilişimin esnek yapısı, bu modülü işlevsel hâle getirerek makine öğrenimi, anomali tespiti ve uzun vadeli analizler için önceden işlenmiş su kalitesi verilerini sağlar, Şekil'de gösterildiği gibi Şekil 3.
Bulut tabanlı veri işleme modülü Sd, 4. denklem kullanılarak ifade edilir,
Sd = Ed / Uq
4. Denklem, veri iş yükünün işleme süresine bölünmesiyle hesaplanan bulut tabanlı veri işleme modülü hızını tanımlar. Burada Sd, bulut işleme hızı; Ed, veri iş yükü; ve Uq, işleme süresidir.
Tahmine dayalı analiz ve anomali tespit modülü, su kalitesi trendlerini tahmin etmek ve anormallikleri belirlemek için makine öğrenimini kullanır. Anomali tespiti, normal koşullardan hızlı sapmaları belirlemek amacıyla eşik değerler ve Yapay Zekâ (YZ) kullanır; buna karşılık tahmine dayalı analiz, kirleticilerin izlediği yolları, mevsimselliği ve ortaya çıkan riskleri analiz etmek için regresyon ve sınıflandırmayı kullanır. Kirlilik veya sensör arızası, uyarıları tetikler. Şekil 4 veri ve tahmine dayalı analitiklerin, anormallik tespitiyle birlikte, proaktif su kaynakları yönetimi, sürdürülebilir planlama ve hızlı çevresel müdahalelerin mümkün kılınmasını nasıl sağladığını gösterir.
Tahmine dayalı analiz ve anomali tespit modülü, matematiksel olarak 5. denklem ile ifade edilir:
B(u) = |Q(u) − n(u)|
B(u), anomali skorunu; Q(u), u anındaki tahmin edilen su kalitesi değerini; n(u) ise aynı zaman anında gözlemlenen (referans) su kalitesi değerini gösterir. Denklem 5, önerilen IoT-WKYS içinde tahmin edilen ve gözlemlenen su kalitesi ölçümleri arasındaki sapma büyüklüğünü nicelendirmek amacıyla bu çalışmada geliştirilmiştir. Anomali skoru, yönünden bağımsız olarak tahmin hatasının büyüklüğünü nicelendirir ve böylece anormal su kalitesi davranışının doğrudan bir ölçüsünü sağlar. B(u) değeri, izlenen su kalitesi parametresiyle aynı birimde ifade edilir. B(u) = 0 değeri, tahmin edilen ve gözlemlenen ölçümler arasında tam bir uyumu gösterirken, B(u)'nun artan değerleri giderek daha büyük sapmalara karşılık gelir ve anormal su kalitesi koşullarının olasılığının daha yüksek olduğunu gösterir.
Veriye dayalı karar verme desteği
Bu araştırma, IoT tabanlı su kalitesi izleme için kavram kanıtı sunan bir çerçeve sunmaktadır. Önerilen IoT-SKIMS, 3.276 su örneği ve dokuz fizikokimyasal su kalitesi parametresinden oluşan halka açık Kaggle Su İçilebilirliği veri seti kullanılarak değerlendirilmiştir.26. Gerçek zamanlı alan uygulaması veya sahaya özel deneysel uygulama yapılmadı. Bu nedenle, sonuçlar önerilen çerçevenin gerçek dünya vaka çalışması değil, veri kümesine dayalı bir doğrulamasını temsil etmektedir. IoT-WQMS tarafından üretilen veriler, karar vericilerin kentsel ve doğal ortamlarında su kalitesi bozulmalarına karşı yatkınlığı azaltan konular ve süreçlerle başa çıkmalarına ve bu hizmetleri sağlayan ekosistemlerin korunmasına nihayetinde yardımcı olabilir. Dolayısıyla karar vericiler, su kaynaklarını gelecek nesiller için güvenli, temiz ve dayanıklı tutan uzun vadeli sürdürülebilir politikalar aracılığıyla su yönetimiyle ilgili daha fazla kanıta dayalı kararlar alabileceklerdir.
Karar destek ve kullanıcı arayüzü modülü, analitik içgörülerini paydaşlar için harekete geçirilebilir bilgiye dönüştürür. Uyarılar, kısa mesaj servisi (SMS), e-posta veya mobil uygulamalar aracılığıyla karar vericilere iletilir ve hızlı müdahaleye olanak tanır. Bu modül, politika yapıcılarına, sivil toplum kuruluşlarına ve su yetkililerine bilinçli kararlar almak için gereken bilgilere güvenli erişim imkânı sunar. Uyarıların yanı sıra, modül su politikası araştırmaları, sürdürülebilirlik planlaması ve uyum belgelendirme için uzun vadeli verileri depolar. Sistem kalibrasyonu geri bildirim döngüleri, tahmin doğruluğunu ve model duyarlılığını artırır. Karar destek ve kullanıcı arayüzü modülü, analitik verilerden durumsal insan eylemine geçişi sağlayarak su çevresinin korunmasını, zamanında, şeffaf ve bilimsel olarak yönlendirilmiş bir şekilde sürdürür, Şekil'de gösterildiği gibi Şekil 5.
Deneysel araştırma sırasında herhangi bir gerçek zamanlı sensör ölçümü elde edilmedi veya kullanılmadı. Veri ön işleme, özellik normalleştirme, model eğitimi, test etme, çapraz doğrulama ve performans değerlendirmesi için tek veri kaynağı, dokuz fizikokimyasal öznitelik (pH, Sertlik, Katılar, Kloraminler, Sülfat, İletkenlik, Organik Karbon, Trihalometanlar ve Bulanıklık) ile ikili içilebilirlik etiketi içeren 3.276 su örneğinden oluşan Kaggle Su İçilebilirliği veri seti oldu. Kavramsal IoT algılama katmanı, gelecekteki saha uygulamaları için tasarlanan işlevsel çerçeveyi göstermek amacıyla pH, bulanıklık, çözünmüş oksijen, elektrik iletkenliği ve sıcaklık sensörlerini içerir. Ancak çözünmüş oksijen ölçümleri, bu parametre Kaggle Su İçilebilirliği veri setinde yer almadığı için hesaplamalı analize dahil edilmedi.
Karar verme desteği & kullanıcı arayüzü modülü Vt, 6. denklem kullanılarak ifade edilir,
Vt = (Jr × X) / De
Denklem 6, karar destek sistemini açıklamaktadır & Kullanıcı arayüzü modülü skoru, sağlanan sorgunun öncelik ağırlığı kullanılarak önemini artırarak ve seçimin zorluğu ile sınırlayarak belirlenir. Burada Vt kullanıcı destek skorunu, Jr girdi sorgusunun önemini, X öncelik ağırlığını ve De karar karmaşıklığını temsil eder.
Sonuç olarak, sistem's modülleri, ham su kalitesi verilerini kullanışlı bilgiye dönüştürür. Sensörler veri toplar, IoT geçitleri bu verileri güvenilir şekilde iletir, bulut katmanları verileri düzenler ve makine öğrenimi modelleri sorunları öngörür. Karar destek arayüzleri, paydaşları bilgilendirir ve uyarır. Bu teknik, güveni, politika oluşturma sürecini, halk sağlığını ve su korumasını artırır.
Sonuçlar
Geleneksel izleme yöntemlerine kıyasla IoT-SKYS, verimliliği, güvenilirliği, ölçeklenebilirliği ve maliyet etkinliği açısından iyileştirme sağlar. Bu makale, IoT ile bağlantılı su izlemenin nasıl proaktif, sürdürülebilir ve kullanıcı dostu olduğunu açıklamaktadır. Veri seti, IoT destekli su kalitesi verilerini geleneksel örnekleme yöntemleriyle karşılaştırır. pH, bulanıklık, çözünmüş oksijen ve kirleticileri birçok su kütlesinde gerçek zamanlı olarak ölçer. Bu veri seti boyutu, bağımsız model eğitimi, testi ve istatistiksel doğrulama yapılmasına olanak tanıyarak her bir veri bölümlemesinde yeterli gözlem sayısını koruduğu için denetimli makine öğrenimi için yeterli kabul edilmiştir. Veri seti, orijinal sınıf dağılımının korunarak önyargısız model değerlendirmenin sağlanması amacıyla rastgele %80 eğitim (2.620 örnek) ve %20 test (656 örnek) olmak üzere iki gruba ayrılmıştır. Ayrıca, modelin dayanıklılığının değerlendirilmesi ve tek bir eğitim-test–test bölmesi
Bildirilen %98,21'lik sınıflandırma doğruluğu yalnızca bağımsız test setinden hesaplanmıştır, buna karşılık 10 katlı çapraz doğrulama doğruluğu %97,94'tür ± %0,42 yalnızca modelin kararlılığını ve genelleme performansını değerlendirmek için kullanıldı. Karışıklık matrisi, tahmin sonuçlarını özetlemektedir: 307 doğru pozitif, 337 doğru negatif, 6 yanlış pozitif ve 6 yanlış negatif, test veri kümesinden 644 doğru sınıflandırılmış ve 12 yanlış sınıflandırılmış örneğe karşılık gelmektedir. Veri kümesi, Scikit-learn kütüphanesinin train_test_split fonksiyonu kullanılarak rastgele %80 eğitim (2.620 örnek) ve %20 test (656 örnek) olacak şekilde bölümlendirildi. Veri bölümlendirmesinin tekrarlanabilirliğini sağlamak için sabit bir rastgele tohum değeri (random_state = 42) belirlendi ve her iki alt kümede orijinal sınıf dağılımının korunması amacıyla stratifiye örnekleme (stratify = y) uygulandı.
Bu çalışmada sunulan karşılaştırmalı analiz, eşdeğer hesaplamalı yöntemler arasında doğrudan bir performans kıyaslama olarak değil, işlevsel bir karşılaştırma olarak yorumlanmalıdır. ANOVA, ölçülen değişkenler arasındaki anlamlı farklılıkları belirlemek için kullanılan bir istatistiksel hipotez testi tekniğidir. GWFI, çevresel etkiyi değerlendirmek için bir kirlilik endeksleme çerçevesidir. IWE-W, endüstriyel atıkların su kalitesi üzerindeki etkilerini değerlendirmek için laboratuvar temelli bir yöntemdir ve PRISMA, sistematik literatür incelemeleri yapmak için bir raporlama çerçevesidir. Buna karşılık, önerilen IoT Tabanlı Su Kalitesi İzleme Sistemi (IoT-WQMS), örnekleyici bir IoT mimarisini, buluta dayalı veri işleme ve makine öğrenmesine dayalı tahmini, birleştirilmiş bir hesaplamalı iş akışında entegre eder.
Şekil 6 İnternet tabanlı Su Kalitesi İzleme Sistemi (IoT-WQMS) çerçevesi kullanılarak sürekli olarak tahmin edilen kirlilik maddeleri için kirliliğin tespit edilme doğruluğunu gösterir; geleneksel elle örnekleme ve laboratuvar temelli yöntemlere kıyasla sürekli ölçüm, sistemin performansını artırır. Akıllı sensörler, sürekli izleme ve bağlantılılık sayesinde örneklemeden kaynaklanan hataları ortadan kaldırır, ölçüm sonuçlarındaki çevresel etkilerden kaynaklanan değişkenlikleri giderir ve sürekli ölçüm verileri sağlar. Gerçek zamanlı veri toplama, sistemin performansını iyileştirir.'Kirlilik konsantrasyonlarındaki değişikliklerin gözlemlenmesi ve tanımlanmasını sağlayarak güvenilirliği artırır ve IoT-WQMS'nin tahmine dayalı analitik bileşeni, anormallik tespiti yoluyla doğruluk sağlar. IoT-WQMS, değişen koşullar altında kirliliği sürekli olarak tespit edebilir ve kirlilik desenlerinde kaydedilebilir değişikliklerin özelliklerini ortaya çıkararak, kirlilik seviyelerine müdahale için gerçek zamanlı, kanıta dayalı bir gösterge sağlar.
Kirlilik Tespiti Benzerlik Skoru Be, 7. denklem kullanılarak ifade edilir:
Be = Uq / (Uq + Gq + Go)
Be, kirletici tespit benzerlik skorunu; Uq, doğru pozitif tespitlerin sayısını; Gq, yanlış pozitif tespitleri; Go ise yanlış negatif tespitleri temsil eder. Denklem 7, Jaccard benzerlik ilkesine dayanır ve doğru şekilde belirlenen tespitlerin, doğru tespitlerin, yanlış pozitiflerin ve yanlış negatiflerin birleşimiyle karşılaştırılarak tahmin edilen kirletici tespitleri ile ilgili referans gözlemler arasındaki uyumun ölçülmesini sağlar. Be değeri 0 ile 1 arasında değişir; 1, mükemmel uyum; 0 ise tahmin ile gözlem arasında hiçbir uyum olmadığını gösterir. Be'nin daha yüksek bir değeri, kirletici tespit kabiliyetindeki iyileşmeyi ve önerilen IoT-WQMS sisteminin daha yüksek tutarlılığını yansıtır.
IoT-SKYM, fizikokimyasal su kalitesi özelliklerinden oluşan dokuz parametreye ve ikili içilebilirlik etiketine sahip 3.276 su örneğinden oluşan halka açık Kaggle Su İçilebilirliği veri seti kullanılarak deneysel olarak değerlendirilmiştir. Kavram kanıtı niteliğindeki IoT-SKYM, sürekli izleme amacıyla su kalitesi sensörlerini, kablosuz bağlantıyı, bulut tabanlı veri yönetimini ve gelişmiş analitik yöntemleri kullanmaktadır. Araştırma, yalnızca önişleme, özellik normalizasyonu ve makine öğrenmesine dayalı doğrulama işlemlerinin ardından elde edilen kıyaslama veri setini kullanarak tahmine dayalı performansı değerlendirmiştir. Gerçek zamanlı IoT izleme ile ilgili ifadeler, bir algılama ağınn fiziksel kurulumundan ziyade önerilen mimarinin işlevsel kapasitesini tanımlamaktadır.
Şekil 7 örnek büyüklüklerinin artmasıyla birlikte gerçek zamanlı tepki verme oranını (%) karşılaştırır. IoT-WQMS ve kıyaslama yöntemleri, örnek sayısının artmasıyla birlikte farklı tepki verme oranları gösterir. Sistem, ani artışlar gibi kirletici konsantrasyonlarında önemli değişikliklerin ilgili kuruluşlara ve paydaşlara anında bildirilmesini sağlama yeteneğini göstermiştir. Hızlı tepki mekanizması, kirlilik olayı ile düzenleyici veya diğer müdahaleler arasındaki gecikmeyi önemli ölçüde azaltmaktadır. Son teknoloji izleme sistemlerine eşlik eden gerçek zamanlı gösterge paneli, paydaşların verilere daha kolay erişim sağlamasına olanak tanır. Erken uyarı kapasitesi ve tepki verme değerini göz önünde bulundurarak, bu tür izleme, gerçek zamanlı tespit ve müdahaleyi mümkün kılmasından dolayı önemli bir değer ekler. Genel olarak, IoT-WQMS, su kaynaklarındaki kirliliği tespit etmek ve zamanında tespit ve hızlı müdahale yoluyla etkileri azaltmak için etkili bir çözümdür.
Gerçek zamanlı yanıt verme, Su, 8. denklem kullanılarak ifade edilir,
Su = 1 / Us
Denklem 8, gerçek zamanlı yanıt vermenin yanıt süresinin tersi olduğunu açıklar ve daha kısa tepki sürelerinin sistemdeki yanıt verme kabiliyetini artırdığını gösterir. Burada Su, gerçek zamanlı yanıt verme; Us ise yanıt süresidir.
IoT-SKYM'nin sistem çalışma süresi ve güvenilirliği şu şekilde gösterilmiştir: Şekil 8, bu da farklı çevresel koşullar altında sürekli çalışma kabiliyetini güçlendirir. Otomatik sensörler ve bulut bağlantısı sayesinde sistem insan müdahalesi olmadan sürekli olarak çalışabilir. Yüksek çalışma süresi, veri kayıplarının en aza indirilmesini sağlayarak tutarlı izlemeyi destekler. Güvenilirliğin unsurları arasında sensör yedekliliği ve hata tespiti yöntemleriyle olası arızaların en aza indirilmesi yer alır. Dayanıklı tasarım ise uzun vadede çalışma kabiliyetinin korunması amacını destekler.
Sistem güvenilirliği ve çalışma süresi, Vt, 9. denklem kullanılarak ifade edilir,
Vt = Uvq / Uttl
Denklem 9, sistemin toplam izleme süresine kıyasla ne kadar süreyle çalışır durumda olduğunu gösteren yüzde olarak ifade edilen çalışma süresiyle sistemin güvenilirliğini tanımlar. Burada Vt sistemin çalışma süresi oranıdır, Uvq çalışma süresi ve Uttl izleme süresidir.
Veri transferi ve işleme verimliliği gösterilmiştir. Şekil 9, IoT-WQMS'yi gösteren'suyun kalite verilerini büyük hacimlerde otomatik olarak aktarma ve işleme yeteneği. Uzak izleme konumlarından su kalitesi verilerini taşımak, kablosuz algılayıcı ağlar aracılığıyla gerçekleştirilir ve bulut tabanlı sistem sayesinde sorunsuz veri aktarımı sağlanır. Otomatik işleme, gecikmeyi azaltır ve ölçülen parametrelerin neredeyse gerçek zamanlı değerlendirmesini sunar; aynı zamanda filtreleme algoritmaları gereksiz verileri azaltır ve ortadan kaldırarak doğruluğu destekler. Algılayıcı ağlar, bant genişliği ve enerji kullanımını dengeler ve zaman içinde daha sürdürülebilir bir alternatif sunar. Genel olarak, IoT-TKYS (Nesnelerin İnterneti ile Su Kalitesi İzleme Sistemi), geleneksel elle raporlamaya kıyasla su kalitesi kararlarını bilgilendirme açısından veri toplamada önemli ölçüde artmış verimlilik sağlar.
Veri iletimi ve işleme verimliliği, Fe, 10. denklem kullanılarak ifade edilir,
Fe = Eu / Qd
Denklem 10, veri iletimi ve işleme verimliliğinin, gönderilen verinin işleme maliyetine oranı olduğunu açıklar ve bu durum kaynakların ne kadar verimli kullanıldığını gösterir. Burada Fe, veri verimliliğini; Eu, iletilen veriyi; Qd ise işleme maliyetini ifade eder.
IoT-WQMS'nin tipik su kalitesi izleme yöntemlerine kıyasla maliyet etkinliği, şu şekilde gösterilmiştir: Şekil 10İlk başta sensörlerin ve bulut altyapısının maliyeti yüksek olsa da, sistem bir kez kurulduktan sonra devam eden maliyetler önemli ölçüde daha düşüktür. İzleme sürekli ve otomatik olduğundan, elle örnek alma ve laboratuvar incelemeleriyle ilgili maliyetler azalır. IoT-SKYS, insana ve bakıma olan gereksinimi en aza indirmek amacıyla otomatik bir sistemin avantajlarından yararlanmaya odaklanır. Kirlilik tespiti büyük çaplı arıtım projeleriyle ilgili maliyetleri önemli ölçüde düşürebileceğinden, genel su izleme maliyeti daha da azalabilir. IoT-SKYS'nin benzer işletme maliyetleriyle daha geniş alanlara yayılabilme yeteneği cazip bir özelliktir. Bu nedenle, IoT-SKYS büyük ölçekte çevresel izleme uygulamalarını standart bir uygulama olarak gerçekleştirmek için sürdürülebilir ve ekonomik olarak uygun bir yaklaşımdır.
Maliyet etkinliği Df, 11. denklem kullanılarak ifade edilir,
Df = Cw / Du
Denklem 11, maliyet etkinliğinin faydanın toplam işletme maliyetine bölünmesiyle elde edildiğini belirtir. Burada Df, maliyet etkinliğini; Cw, fayda değerini; Du ise toplam maliyeti ifade eder.
Sistem, kirletici tespit doğruluğu, yanıt süreleri, güvenilirlik ve veri verimliliği açısından dikkat çekici bir performans sergilemekte ve işletme maliyetlerini azaltmaktadır. Ayrıca, sisteme entegre edilen panolar ve karar destek araçları, ilgili taraflar arasında iş birliğini artırmış ve politika kararlarının bilinçli verilmesini sağlamıştır. Bir araya getirildiğinde, bu değişkenler IoT-WQMS'yi su kaynaklarını sürdürülebilir şekilde yönetmek ve ölçeklenebilir bir çözüm sunmak için kullanışlı ve maliyet açısından etkili bir araç haline getirmiştir.
Model, içilebilir ve içilemez su örnekleri arasında mükemmel bir ayrım yaparak %98,21 doğruluk, %97,86 kesinlik, %98,04 duyarlılık, %97,95 F1 skoru ve 0,991 ROC-AUC değeri elde etti. Modelin dayanıklılığı ve genelleme yeteneği 10 katlı çapraz doğrulama ile değerlendirildi ve ortalama sınıflandırma doğruluğu %97,94 olarak belirlendi. ± %0,42, veri bölünmeleri boyunca tutarlı bir tahmin performansını göstermektedir. Buna karşılık gelen karışıklık matrisi, yanlış pozitif ve yanlış negatif tahminlerin az olmasıyla birlikte doğru sınıflandırılmış örneklerin yüksek oranını doğrulamıştır. Ayrıca önerilen çerçeve, örnek başına ortalama 0,18 saniye olan çıkarım gecikmesi başarısı elde etmiştir. Ölçeklenebilirlik analizi, veri kümesi kullanımının %20'den %100'e kadar artmasıyla birlikte, sınıflandırma doğruluğu %97,5'in üzerinde korunurken, işlem süresinin 1,8 saniyeden 7,9 saniyeye çıkmasına rağmen hesaplama performansının kararlı olduğunu göstermiştir.
Önerilen IoT-SKYM, halka açık Kaggle Su İçilebilirliği veri setiyle 10 katlı çapraz doğrulama kullanarak %98,21 doğruluk, %97,86 kesinlik, %98,04 duyarlılık, %97,95 F1-skoru ve 0,991 ROC-AUC değeri elde etti. Karşılaştırma açısından Pati ve ark.21 SAR ve ESP tahmini gibi sulama suyu kalitesinin tahmini için ikili içme suyu sınıflandırmasından ziyade bir topluluk derin öğrenme çerçevesi geliştirdiler; bu nedenle, tahmin hedeflerinin, veri kümelerinin ve değerlendirme kriterlerinin önemli ölçüde farklı olması nedeniyle bildirilen performans doğrudan karşılaştırılamaz. Benzer şekilde, Gunaprasad ve ark.23 Su ve ark., su kalitesi değerlendirmesi için çok aşamalı bir IoT sensör füzyonu çerçevesi önerdi, buna karşılık24 optik sensör sistemleri için yapay zeka algoritmalarına odaklandı.
VERİ ERİŞİLEBİLİRLİĞİ:
Bu çalışmada kullanılan orijinal kıyaslama veri kümesi, kamuya açık Kaggle Su İçilebilirliği veri kümesidir: https://www.kaggle.com/datasets/adityakadiwal/water-potability. Python kaynak kodu, ön işleme betikleri, model yapılandırması, tahmin çıktıları ve tüm şekillerin ve tabloların sayısal kaynak verileri Zenodo deposu aracılığıyla kamuya açıktır (DOI: https://doi.org/10.5281/zenodo.21775031).
Şekil 1Sensör Veri Edinim Modülü pH, bulanıklık, çözünmüş oksijen, elektriksel iletkenlik ve sıcaklık ölçümlerini almak için önerilen sensör modülünün şematik gösterimi. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 2: Veri Aktarımı & IoT Ağ Geçidi Modülü ESP32 mikrodenetleyiciden IoT geçidi aracılığıyla bulut platformuna sensör verilerinin güvenli kablosuz iletiminin iş akışı. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 3Bulut Tabanlı Veri İşleme Modülü Bulut tabanlı ön işleme iş akışı, veri edinimi, eksik değer ataması, normalizasyon ve tahmine dayalı analiz için özellik hazırlamayı içerir. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 4: Tahmine Dayalı Analitik & Anomali Tespit Modülü Makine öğrenmesine dayalı, anormal su kalitesi koşullarını belirlemek için tahmin ve anomali tespit çerçevesi. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 5: Karar Destek Sistemi & Kullanıcı Arayüzü Modülü Tahmin sonuçlarını, su kalitesi durumunu ve anormallik uyarılarını karar destek amacıyla gösteren bulut tabanlı kontrol paneli. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 6: Kirletici Tespitinin Doğruluğu. Önerilen IoT-SKZS ile kıyaslama yöntemleri arasında kirletici tespit doğruluğunun karşılaştırılması. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 7: Gerçek Zamanlı Tepki Verme Önerilen IoT-WKMS ve kıyaslama yöntemlerinin ortalama çıkarım gecikmesinin karşılaştırılması. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 8: Sistem Güvenilirliği ve Kullanılabilirlik Süresi Tutarlı tahmine dayalı performans ve çapraz doğrulama sonuçlarına göre sistem güvenilirliğinin karşılaştırılması. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 9: Veri İletimi ve İşleme Verimliliği. Değerlendirilen yöntemler arasında hesaplamalı işlem ve veri iletim verimliliğinin karşılaştırılması Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 10: Maliyet Etkinlik Analiz Oranı. Önerilen IoT-SKYM'nin tahmini uygulama maliyeti ve maliyet etkinliğinin karşılaştırılması. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Şekil 11: Önerilen Nesnelerin İnterneti ile Destekli Su Kalitesi İzleme Sistemi'nin (IoT-WQMS) performans değerlendirmesi. Çerçeveyi değerlendirmek için tahmine dayalı performans ve hesaplama davranışı kapsamında sınıflandırma doğruluğunun kıyaslama analizi (a), alıcı işletim karakteristiği (ROC) analizi (b), 10 katlı çapraz doğrulama kararlılığı (c), artan veri kümesi boyutu ile ölçeklenebilirlik analizi (d) ve çıkarım gecikmesi dağılımı (e) sunulmuştur. Lütfen bu şeklin daha büyük halini görüntülemek için buraya tıklayınız.
Tartışma
Bu kavram kanıtlama hesaplamalı değerlendirmesinde, halka açık Kaggle Su Potabilitesi veri seti kullanılmıştır; çalışma performansı bu veri setinin özellikleriyle sınırlıdır. Veri seti, öngörücü model oluşturma için standartlaştırılmış fizikokimyasal su kalitesi ölçümlerini içermektedir; ancak, çeşitli doğal su kütlelerindeki coğrafi, mevsimsel, iklimsel ve kirletici değişkenlikleri yeterince yansıtmayabilir. Coğrafi olarak farklı bağlamlara veya sürekli toplanan saha verilerine uygulandığında, tahmin etkinliği değişkenlik gösterebilir. Önerilen IoT donanım mimarisi gerçek dünyada konuşlandırılmadığı için sensör kalibrasyon kayması, çevresel girişim, biyofilm oluşumu, iletişim kararsızlığı, güç tüketimi ve donanım aşınması deneysel olarak nicelendirilmemiştir. Gerçek zamanlı sensör akışları yerine çevrimdışı kıyaslama verilerinin kullanılması; eksik gözlemler, sensör arızaları ve değişken ağ bağlantılarını içeren dinamik çevresel koşullardaki hesaplamalı değerlendirmeyi kısıtlamıştır. Ölçeklenebilirlik incelemesi, kademeli olarak büyüyen veri setleriyle sınırlı tutulmuştur ve çok sayıda sensör düğümü ile bulut-uç bağlantısına sahip büyük ölçekli dağıtık IoT kurulumlarındaki performansı tam olarak karakterize etmemektedir. Model sağlamlığını değerlendirmek için bağımsız bir ayrılmış test seti ve 10 katlı çapraz doğrulama kullanılmıştır, ancak bağımsız saha veri setleri kullanılarak harici doğrulama yapılmamıştır; bu nedenle bildirilen öngörücü performans, evrensel operasyonel koşullardan ziyade kıyaslama değerlendirme koşullarını yansıtmaktadır.
Deneysel sonuçlar, IoT Destekli Su Kalitesi İzleme Sisteminin (IoT-WQMS), kamuya açık bir karşılaştırma veri seti kullanan akıllı su kalitesi değerlendirmesi için uygulanabilir bir kavram kanıtlama çerçevesi olduğunu göstermektedir. Bulut destekli analitikler ve makine öğrenimi, gerçek zamanlıya yakın çevresel izleme için hesaplama verimliliğini korurken, içilebilir ve içilemez su örneklerini güvenilir bir şekilde ayırt edebilmektedir. Bu sonuçlar, veri odaklı analitik çerçevelerin, periyodik örneklemeye ve gecikmeli analize dayanan laboratuvar tabanlı tekniklere kıyasla, su kalitesi değerlendirmesinin zamanlılığını ve tutarlılığını önemli ölçüde artırabileceğini göstermektedir. Önerilen IoT-WQMS; tahmin performansı ve artan hesaplama talepleri altındaki kararlılık açısından Lojistik Regresyon, Karar Ağacı, Rastgele Orman ve Extreme Gradient Boosting yöntemlerinden daha iyi performans göstermiştir. Sistematik veri hazırlama, öznitelik normalizasyonu ve akıllı tahmin, minimum hesaplama maliyetiyle sınıflandırma güvenilirliğini artırmıştır. Ölçeklenebilirlik araştırmaları, artan veri hacminin tahmin performansını düşürmeden öncelikle yürütme süresini etkilediğini göstermekte, bu da çerçeveyi büyük ölçekli çevresel izleme uygulamaları için uygun hale getirmektedir. Bu çerçeve, akıllı çevresel izleme sistemleri için kavramsal bir mimari sağlayarak tahminleyici modellemenin ötesinde uygulanabilir kılmaktadır. Düşük maliyetli algılama teknolojileri, kablosuz iletişim, bulut tabanlı veri yönetimi ve otomatik tahmin; su kaynaklarının gözetimini, anormal su kalitesi koşullarının hızlı tespitini ve çevre kurumları, su arıtma tesisleri, endüstriyel izleme ve hassas tarım için zamanında karar desteğini mümkün kılmaktadır. Bu çalışma birkaç faktörle sınırlıdır. Önerilen IoT donanım tasarımı bir kavram kanıtlamadır ve deneysel değerlendirmede yalnızca kamuya açık Kaggle Water Potability veri seti kullanılmıştır. Uzun vadeli sensör kalibrasyonu, iletişim kesintileri, sensör kayması, biyolojik kirlenme ve mevsimsel dalgalanmalar gibi çevresel sorunlar test edilmemiştir. Veri seti ayrıca, çözünmüş oksijen ve elektriksel iletkenlik gibi çevresel ölçümlerden yoksundur ve bu durum söz konusu yönlerin hesaplamalı çalışmasını sınırlandırmaktadır. Gelecek çalışmalar, önerilen mimariyi gerçek dünya IoT kurulumları ve entegre çok parametreli sensör cihazlarıyla sürekli çevresel veri toplama yoluyla doğrulayacaktır. İleri araştırmalar; tahminleyici genelleştirmeyi ve model yorumlanabilirliğini artırmak için gelişmiş derin öğrenme modelleri, adaptif anomali tespit algoritmaları, açıklanabilir yapay zeka ve federatif öğrenme yöntemlerini kullanacaktır. Akıllı şehirler, endüstriyel atık su izleme, hassas tarım ve çevresel sürdürülebilirlik girişimleri; akıllı su kaynakları yönetimi için ölçeklenebilirliği, güvenilirliği ve karar desteğini artırmak amacıyla uç hesaplama, dijital ikiz teknolojileri ve güvenli dağıtık veri paylaşım mekanizmalarından faydalanacaktır.
Şekil 11, önerilen IoT Tabanlı Su Kalitesi İzleme Sistemi'nin (IoT-WQMS) kapsamlı performans değerlendirmesini sunmaktadır. Sonuçlar, önerilen çerçevenin %98,21'lik bir sınıflandırma doğruluğuna ulaştığını ve bu çalışmada değerlendirilen kıyaslama makine öğrenmesi sınıflandırıcılarından daha iyi performans gösterdiğini kanıtlamaktadır. Alıcı işletim karakteristik analizi 0,991'lik bir ROC-AUC değeri vermiş olup, bu durum içilebilir ve içilemez su örnekleri arasında mükemmel bir ayrım yapıldığını göstermektedir. Çapraz doğrulama sonuçları, on doğrulama katlaması boyunca %97,94 ± %0,42'lik bir ortalama doğruluk ile öngörücü modelin sağlamlığını ve kararlılığını daha da doğrulamaktadır. Ölçeklenebilirlik analizi, veri seti kullanımı %20'den %100'e çıktıkça yürütme süresinin 1,8 s'den 7,9 s'ye kademeli olarak arttığını, ancak sınıflandırma doğruluğunun %97,5'in üzerinde kaldığını göstermektedir. Ayrıca, örnek başına ortalama çıkarım gecikmesinin 0,18 s olması, önerilen çerçevenin gerçek zamanlıya yakın su kalitesi değerlendirmesi için hesaplama verimliliğini kanıtlamaktadır.
ESP32 mikrodenetleyici, düşük maliyetli sensör modülleri ve bulut tabanlı işlemeyi kullanan önerilen IoT mimarisinin prototip uygulaması, yaklaşık 65 USD (≈ 5.500 INR) maliyete sahiptir ve bu tutar, standart laboratuvar tabanlı su kalitesi değerlendirme sistemlerinden önemli ölçüde daha düşüktür. Bu tasarım kullanılarak sürekli izleme ve veri odaklı karar verme süreçleri otomatikleştirilmiştir. Donanım maliyeti; bir ESP32 geliştirme kartı (8,50 USD), pH sensör modülü (12,00 USD), türbidite sensörü (9,50 USD), DS18B20 sıcaklık sensörü (3,00 USD), 5 V güç kaynağı (6,00 USD), prototip kasası (8,00 USD), breadboard ve bağlantı aksesuarları (4,00 USD) ve çeşitli montaj bileşenleri (14,00 USD) dahil olmak üzere ticari olarak mevcut bileşenlerin toplam piyasa fiyatları kullanılarak tahmin edilmiştir.
Bu çalışma, halka açık Kaggle Su Potabilite veri kümesini kullanarak IoT Tabanlı bir Su Kalitesi İzleme Sistemi (IoT-WQMS) için kavram kanıtlama niteliğinde hesaplamalı bir çerçeve sunmuştur. Önerilen çerçeve, su kalitesi değerlendirmesi için akıllı hesaplamalı analizin fizibilitesini değerlendirmek amacıyla açıklayıcı bir IoT algılama mimarisini, bulut destekli veri işlemeyi ve makine öğrenimi tabanlı su potabilite tahminini entegre etmektedir. Deneysel değerlendirme; %98,21 doğruluk, %97,86 kesinlik, %98,04 duyarlılık, %97,95 F1-skoru ve 0,991 ROC-AUC ile güçlü bir tahmin performansı göstermiştir. Model dayanıklılığı, %97,94 ± 0,42% ortalama doğruluk ve örnek başına 0,18 s ortalama çıkarım gecikmesi sağlayan 10 katlı çapraz doğrulama ile onaylanmıştır. Ölçeklenebilirlik analizi, veri kümesi kullanımı %20'den %100'e çıktığında kararlı bir hesaplama performansı sergilemiştir. Bu bulgular, standart bir veri kümesi üzerinde su potabilitesinin makine öğrenimi tabanlı tahmini için önerilen hesaplamalı çerçevenin etkinliğini desteklemektedir. Önerilen IoT mimarisi kavramsal bir uygulama çerçevesi olarak sunulmuştur ve gerçek dünya sensör yerleşimi ile deneysel olarak doğrulanmamıştır. Gelecekteki çalışmalar; çerçevenin saha koşulları altında çok sensörlü IoT donanımları kullanılarak uygulanması ve doğrulanmasına, ek su kalitesi parametrelerinin dahil edilmesine ve tahmin genellemesini, adaptif anomali tespitini ve gerçek dünya su kalitesi izlemesi için pratik uygulanabilirliği artırmak adına gelişmiş yapay zeka tekniklerinin araştırılmasına odaklanacaktır.
Açıklamalar
Çıkar çatışması: Yazarlar herhangi bir çıkar çatışması olmadığını beyan etmektedir.
Teşekkürler
Finansman: Bu araştırma; kamu, ticari veya kâr amacı gütmeyen sektörlerdeki herhangi bir finansman kuruluşundan özel bir hibe almamıştır.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Breadboard ve Jumper Kablolar | Generic Electronics Supplier | MB-102 / Dupont Kit | Donanım modüllerinin elektriksel bağlantısı |
| Bulut Bilişim Platformu | Google Firebase | İzleme verilerinin depolanması, görselleştirilmesi ve uzaktan erişimi | |
| Veri Şifreleme Kütüphanesi | OpenSSL Foundation | AES-256 Library | Sensör verilerinin güvenli iletimi |
| Elektriksel İletkenlik Sensörü | Suyun elektriksel iletkenliğinin ölçümü | ||
| ESP32 Geliştirme Kartı | Espressif Systems | ESP32-WROOM-32 | Sensör arayüzü, yerel işlemleme ve kablosuz iletişim |
| Kaggle Su Potabilitesi Veri Seti | Kaggle | Water Potability Dataset | Model geliştirme, eğitim ve performans değerlendirmesi |
| MicroSD Kart Modülü | Generic Electronics Supplier | Catalex MicroSD Module | Sensör ölçümlerinin geçici tamponlanması ve yerel depolanması |
| pH Sensör Modülü | DFRobot | SEN0161-V2 | Suyun asidite ve alkalinite ölçümü |
| Kirletici Tespit Sensörü | Atlas Scientific | EZO Sensor Series | Kirletici konsantrasyonunun tahmini |
| Güç Kaynağı | Mean Well | RS-15-5 | İzleme sistemi için kararlı güç kaynağı |
| Python Programlama Ortamı | Python Software Foundation | Python 3.11 | Veri ön işleme, model geliştirme ve performans değerlendirmesi |
| Sıcaklık Sensörü | Maxim Integrated | DS18B20 | Su sıcaklığı ölçümü |
| Bulanıklık Sensörü | DFRobot | SEN0189 | Su bulanıklığı ölçümü |
| Visual Studio Code | Microsoft | Version 1.x | Yazılım uygulaması ve hata ayıklama |
| Wi-Fi İletişim Modülü | Espressif Systems | Integrated ESP32 Wi-Fi | İzleme verilerinin kablosuz iletimi |
Kaynaklar
- 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.