Машинное обучение для прогнозирования качества воды

Исследование, опубликованное в International Journal of Sustainable Agricultural Management and Informatics, продемонстрировало применение машинного обучения для прогнозирования индекса качества воды (WQI). Эта работа может иметь значение для будущего управления водными ресурсами, используемыми для питья и в сельском хозяйстве.

Снижение качества воды вызывает растущую озабоченность из-за его влияния на здоровье человека и сельскохозяйственное производство. Загрязнение рек и прибрежных вод из-за сброса неочищенных сточных вод и проблемы водной безопасности в сельском хозяйстве остаются актуальными.

Для определения качества воды используются различные факторы: кислотность и щёлочность, уровень pH, мутность, содержание растворённого кислорода, нитратов, температура и наличие фекальных микробов. Поэтому критически важно разрабатывать эффективные методы прогнозирования качества воды для мониторинга и контроля загрязнения.

Ахмад Дебоу, Самаа Швейкани и Кадан Альджумма из Высшего института прикладных наук и технологий (HIAST) в Дамаске (Сирия) разработали 4-слойные стековые модели LSTM для прогнозирования WQI.

4-слойная стековая модель LSTM (Long Short-Term Memory) — это тип рекуррентной нейронной сети, способной находить долгосрочные закономерности в данных, изменяющихся во времени. Проанализировав данные, такие модели могут делать прогнозы об их будущих изменениях. Располагая четыре слоя LSTM друг над другом, модель лучше выявляет сложные паттерны в данных.

Для подготовки данных и отбора признаков для анализа команда использовала различные алгоритмы, включая K-NN (K ближайших соседей) и годовое среднее значение.

• K-NN — известный алгоритм машинного обучения для задач классификации и регрессии. Это непараметрический алгоритм, не делающий предположений о базовом распределении данных. Его основная идея — классифицировать новые точки данных на основе сходства с ближайшими соседями в обучающем наборе.

Успех команды в воспроизведении известных данных с помощью этих моделей обещает хорошие результаты для прогнозов в реальных условиях. Это может внести важный вклад в усилия по управлению водными ресурсами, позволяя принимать более активные меры для минимизации загрязнения водоснабжения для потребления человеком и сельскохозяйственного использования на основе прогнозов моделей.