עתיד תקני איכות המים מוגדר מחדש על ידי ההתכנסות של האינטרנט של הדברים (IoT) ואנליטיקה Big Data. מאחר שאוכלוסיות גלובליות מתרחבות ופעילות תעשייתית מעצימות, משאבי מים עומדים בפני מתח חסר תקדים מזיהום, שינויי אקלים, ותשתיות מעקב מסורתיות - שיטות ניטור מסורתיות קיימות של סכיזופרניה ידנית וניתוח מעבדה - אינן מספיקות לגילוי אירועי זיהום בזמן כדי למנוע מחלות ציבוריות או נזק סביבתי.

הבנת מידע על IoT וBig Data בניהול מים

IoT מתייחס למערכת של מכשירים פיזיים מקושרים - רגישים, מתאמים, השערים ומודולים תקשורתיים - אשר אוספים וחילופי נתונים באינטרנט. בניהול מים, מכשירים אלה נעים מבדיקות התנהגות פשוטות לרחפנים חכמים ספקטרום מתוחכם של ספקטרום ספקטרום פרוס בנהרות, מאגרים, צינורות, ואגן טיפול. פרמטרים אופייניים כוללים pH, טמפרטורה, turbidity, חמצן, מתמוסס, הכולל פחמן אורגני, כלור, תחנות ניטור עצמיות, או תאים כבדים, מקיפים, מותאמים אישית, , מצעים ניידים.

ניתוח נתונים גדול מקיף את הכלים והטכניקות המשמשות כדי להפיק תובנות מן גדול, גבוה בשפע, ולעתים קרובות זרמי נתונים לא ממובנים. במגזר המים, פלטפורמות נתונים גדולות קריאות חיישן, נתונים מטאורולוגיים, תמונות לוויין, רישומים היסטוריים, וגלציות תפעוליות של IoT. אלגוריתמים למידת מכונות לזהות אלגוריתמים, לזהות אירועים מסווגים (למשל, שפכים, שפכים כימיים, algalgal), וחיזוי של שינויים עתידיים, יכולים לשנות את השינויים באיכות גבוהה, לשנות את השינויים המהירים של מחלות מים, או ניתוח מים, שינויים סביבתיים, כלומר, שינויים איכותיים, כלומר, שינויים איכותיים, שינויים איכותיים וחיזוי.

מערכת ניטור מים של IoT

  • (FLT:0)ensors and Samplers:FLT:1 In-situ Testing המדידה פרמטרים פיזיים, כימיים וביולוגיים בזמן אמת, דוגמאות כוללות חיישני חמצן מפורשים, אלקטרודות אלקטרודות אלקטרודות אלקטרודות אלקטרודות אלקטרודות אלקטרודות יון עבור אמוניה, ו-UV-254 קולטות חיידקנות לחומר אורגני.
  • (FLT:0) רשתות תקשורת: 1.10LT:1 תאים (4G/5G), LoRaWAN, NB-IoT, או קישורים לווייניים משדרים נתונים ממקומות מרוחקים לפלטפורמות המרכזיות.
  • (FLT:0)Edge מחשוב: 1FLT 1 , פילטר עיבוד מקומי, דחוס, ולבצע ניתוח ראשוני על נתוני חיישן לפני שליחתו לענן.זה מקטין את דרישות רוחב הפס ומאפשר התראות בזמן אמת גם אם קישוריות היא לסירוגין.
  • (FLT:0Cloud או On-Premises Data Platforms:FLT) 1:1 Scalable Storage and Computing Infrastructure that ingests, מטהר ומארגן נתונים.
  • (FLT:0) Analytics Engines:FLT:1lor for הסטטיסטית, למידת מכונה אימון מודל ודמיון. Open-source מסגרות (למשל, TensorFlow, R, Python Library) ופלטפורמות מסחריות (למשל, SAS, ווטסון) הם נפוצים.

מקורות נתונים מעבר לחיישנים

בעוד חיישנים IoT הם עמוד השדרה, גישה מקיפה נתונים גם משלבת ערכות נתונים חיצוניות.לוויין מרחוק חישה מספק רחב-שטח chlorophyll, זעזועים, מפות טמפרטורה. מסדי נתונים ממשלתיים מספקים רשומות איכות מים היסטוריים, נתוני תאימות רגולטורית, ומאפשר מידע. יוזמות מדע אזרחי ודיווחים חברתיים יכולים לתייג אירועים זיהום מקומי.

היתרונות של Integrating IoT ו Big Data

מעקב בזמן אמת ואזהרות מהירות

מעקב רציף מאפשר זיהוי מיידי של אירועי זיהום.לדוגמה, ירידה פתאומית בשעוני כלור בשילוב עם עלייה בעימות במפעל טיפול יכול לגרום לסגרות שסתום אוטומטי ולדווח למפעילים בתוך שניות. במערכות הפצה, לחץ בזמן אמת וזרימה נתונים הקשורים חיישנים איכותיים יכול להצביע על המיקום והיקף של אירוע חיבור בין הצדדים או צינור.

יעילות והחלטה

חיישנים מודרניים מציעים דיוק ואמינות כי הרבה יותר עולה לכידת ידני ניתוח מעבדה, אם כי מדויק, הם sampling-rate מוגבל - לעתים פעם ביום או שבוע. מכשירים IoT יכול לקחת מדי 5-15 דקות, לכידת מחזורים diurnal, הדופקים מונעים סערה, תופעות טרנספורמטיביות אחרות כי יהיה אחרת להחמיץ.

תחזוקה חיזוי ופעולה

ניתוח נתונים גדול יכול לחזות מכשולים לפני שהם תוצאה של הפרות איכות מים.על ידי מודל ההשפלה של קירות צינורות, משחתות משאבה, או מסנן מדיה נגד קוראי חיישן (למשל, רטט, לחץ שונה, קצב זרימה), שירותים יכולים לקבוע תחזוקה באופן פעיל יותר מאשר מזון מכוונן באופן פעיל, בעוד ששיעורי למידה מאומצמים על אירועים היסטוריים יכולים לחטא כשלים עם דיוק גבוה.

קבלת החלטות של נתונים עבור מדיניות ותפעול

קובעי מדיניות יכולים לבסס סטנדרטים ותקנות על תובנות נתונים מקיפים ולא על דגימות ידניות ספאריות.לדוגמה, מגמות ארוכות טווח מרשתות IoT עשויות לחשוף כי גוף מים מסוים חווה עומס תזונתי כרוני כי בעבר הצליח גילוי מוצלח.ראיות אלה יכולות להניע את יצירת עומסי מזג אוויר יומיים מקסימליים (TMDLs) עבור זרחן וחנקן ברמה התפעולית, מנהלי מים יכולים לייעל תהליכים על ידי תיקון של מזג אוויר מקסימלית בתהליכים הקשורים לסיכון איכות ותהליכי מים ושיקום, התאמה אישית.

ניכוי עלויות בטווח הארוך

הוצאות הון ראשוניות לתשתיות IoT מתחילות בחיסכון בעבודה (ביקורי שדה), שימוש כימי מופחת, פחות הפרות ומזלות קשורות, ולהימנע מנזק למוניטין. מחקר של קרן מחקר המים בארה"ב מצא כי שירותים באמצעות ניתוח חיזוי עבור ניהול איכות מים מופחת עלויות תפעוליות על ידי 10-20% בתוך שלוש שנים.

אתגרים ושיקולים

למרות הפוטנציאל הטרנספורמציי שלו, השילוב של IoT וBig Data בניהול מים אינו ללא מכשולים, יישום מוצלח דורש ניווט זהיר של גורמים טכניים, פיננסיים, רגולטוריים ואנושיים.

פרטיות נתונים ואבטחה

תשתיות מים הן חלק מהתשתית הקריטית של האומה.תקני IoT, אם לא מאובטח כראוי, יכול להיות נקודות כניסה להתקפות סייבר משבשות פעולות או פשרות שלמות נתונים. בשנת 2021, האקר ניסה להגדיל את המינון הhydroxide של נתרן במפעל טיפול במים בפלורידה על ידי גישה מרחוק למערכת, אירועים כאלה מדגישים את הצורך בהצפנת מידע, עדכוני אבטחה קבועים, פיזור רשת, בקרת גישה קפדנית, מערכות מידע על בסיס חיוני, או לחץ דם, או על בסיסים, אפילו על בסיסים צבאיים.

עלויות יישום ראשוניות

חלוקת רשת ניטור IoT מקיפה דורשת השקעה משמעותית בחיישנים, תשתיות תקשורת, אחסון נתונים, פלטפורמות ניתוח והדרכה. עבור כלי מים קטנים ובינוניים, עלויות אלה יכולות להיות בלתי מוגבלות.עם זאת, המחיר המידרדר של חיישנים, הזמינות של רשתות בעלות כוח נמוך רחב (LPWAN), ושירותי ניתוח מבוססי ענן הם מורידים את המחסום הציבורי-פרטיות וסיוע ממשלתי (EPA) .

דרושים for Skilled Personnel

טכנולוגיות IoT ו Big Data דורשות כוח עבודה עם מיומנויות בין-תחומיות - מדעי נתונים, הנדסה סביבתית, אבטחת סייבר וידע דומיין.כלי מים רבים נאבקים לגייס ולשמר כישרון כזה, במיוחד באזורים כפריים.השקעה בתוכניות הכשרה, שותפויות עם אוניברסיטאות, ופיתוח פלטפורמות אנליטיות ידידותיות למשתמש, קוד נמוך יכול להפחית את האתגר הזה.

איכות נתונים והתאמה

חיישנים יכולים לסחף, לגרוע או להיכשל, לייצר קריאה שגויה שמודלים אנליטיים מושחתים. לוח הזמנים של גילוח רדיגורי, אבחון עצמי אוטומטי, ואימות חוצה עם מדידות עצמאיות נדרשים לשמור על איכות נתונים. יתר על כן, מגזר המים חסר פורמטים נתונים סטנדרטיים ופרוטוקולים תקשורתיים של יצרנים שונים משתמשים לעתים קרובות ב- API קנייניים, מה שהופך את ההפרעות קשות על ידי ארגונים כגון ספקטרום גיאוגרפי (DOS) ו-DOSCOS (OpenCreditorative System for the Openopable) לקידום סטנדרטים אלה (DOS) ופרוטוקולים (DOS) תקנים אלה הם תקנים אלה הם תחליפיים של מערכות מחשוביים (DV).

התפטרות הרדלים וההסתגלות

תקני איכות המים הקיימים נועדו לדגימה תקופתית, מבוססת המעבדה. Regulators עשוי להיות מסרב לקבל נתונים רציפה של IoT כמקבילה משפטית לדיווח, תוך התייחסות לחששות לגבי אימות נתונים ושרשרת של משמורת.מכוונן מסגרות רגולטוריות כדי להתאים נתונים בזמן אמת - בעוד שמירה על אבטחת איכות קפדנית - היא תהליך איטי, תוכן ושלבי אימוץ יכולים לבנות אמון, כגון סינגפור, ומיזוג הנתונים כבר ממזגים לתוך זרימת הנתונים שלהם.

כוח אספקה וחיבוריות באזורים מרוחקים

מקורות מים רבים ממוקמים רחוק מחשמל רשת ואינטרנט אמין.חיישנים המופעלים על ידי השמש עם גיבוי סוללות, אנרגיה-הארכיטינג טכנולוגיות, לוויין או ל-LRAWAN הם פתרונות קיימא, אבל הם מוסיפים מורכבות. בסביבות קשות (למשל, אנרקטי, המדבר, מים עמוקים), עמידות חיישן ופעולה אוטונומית להפוך למגבלות תכנון קריטיות.

יישום אמיתי בעולם ו Case Studies

רשת המים החכמה של סינגפור

מועצת הפרטיות הציבורית של סינגפור (PUB) פרסמה רשת ארצית של חיישנים המנטרים איכות מים ממאגרי מים כדי לנצל את נתוני בזמן אמת על pH, זעזועים, כלור, וזרימה מוזן לתוך פלטפורמה ניתוח מרכזי המשתמשת בלמידה של מכונה כדי לזהות omalies וחיזוי צרכי תחזוקה.המערכת הפחיתה את אובדן המים ללא תגמול על ידי 10% ושיפור התגובה למקרים של פרוצדורה גבוהה יותר: 1.

ניהול המים הדיגיטלי של הולנד

הולנד, מדינה בעלת משקל נמוך, הסתמך רבות על תשתיות מים מורכבות, שילבה את IoT לאסטרטגיה הלאומית לניהול מים.Rijkswaterstaat מפעילה רשת של יותר מ-1,000 תחנות ניטור המדידות איכות מים, רמות מים וזרימה. Big Data Analytics מסייעות לחזות שיטפונות, מעקב אחר סליטיזציה, ואופטימיזציה של פעולות מנעול מים.

Great Lakes Environmental Monitoring (ארה"ב)

(conortium ofאוניברסיטאות וסוכנויות פדרליות - כולל NOAA ו-EPA - deployed IoT buoys ו- gliders תת-ימיים אוטונומיים ברחבי האגמים הגדולים כדי לפקח על אלרגיה מזיקה (HAB), hypoxia, ומינים פולשניים על גבי כדור הארץ על כלורופיל, phycocyanin, מתמוסס חמצן, וטמפרטורה הם זרמו לפלטפורמת ענן.

הדרך קדימה: בניית עתיד מים המופעל על ידי נתונים

כדי לממש באופן מלא את היתרונות של IoT ו-Big Data לסטנדרטים איכותיים של איכות המים, נדרש פעולה מתואמת על פני חזיתות מרובות. ממשלות, מוסדות מחקר, ארגונים פרטיים וגופים בינלאומיים כדי להתגבר על המכשולים הטכניים, הפיננסיים וה הרגולטוריים המפורטים לעיל.

השקעות בתשתית וסטנדרטים פתוחים

מדיניות המים הלאומית צריכה לכלול זרמי מימון עבור רשתות חיישן חכמות, פלטפורמות נתונים וקישוריות - במיוחד בקהילות מוחלשות. במקביל, התעשייה חייבת להתחייב לאמץ סטנדרטים פתוחים (למשל, OGC Sensorings API, WaterML) כדי להבטיח בין-מנת למנוע מנעול-in Open data יוזמות, שבו נתונים איכותיים אנונימיים נעשים זמינים לציבור, יכולים להמריץ מחדשנות ותכניות אבטחה אקדמיות בעת בניית אמון ציבורי.

אבולוציה

הרגולטורים צריכים ליזום תוכניות פיילוט שמקבלות נתונים בזמן אמת עבור תאימות, בכפוף לפרוטוקולים של אימות קפדני.התוכנית "ניהול איכות המים ואינטגרציה" של הסוכנות האירופית לפלטפורמת הדרכים הדיגיטליות של האיחוד האירופי הן צעדים בכיוון הנכון.פיתוח הנחיות ברורות על איכות נתונים, שרשרת של משמורת נתונים ודיווח ייתן שירותים ביטחוניים להשקיע בטכנולוגיות אלה.

פיתוח וכושר העבודה

אוניברסיטאות ומכללות טכניות צריכות לעדכן תוכניות לימודים כדי לכלול מדעי נתונים, הנדסה של IoT ומערכות Cyber-פיזיות בתוך תוכניות הנדסיות סביבתיות. הסמכה בניתוח נתונים מים ואבטחת סייבר יכולה לעזור לאנשי מקצוע בתחום הידע. Utilities יכול לשתף פעולה עם חברות ניתוח כדי להציע חניכות והכשרה על עבודה, להבטיח כי צוות יכול לפעול ולשמור על מערכות מים חכמות.

שיתוף פעולה בינלאומי ושיתוף ידע

שיתוף בין גבולות של שיטות הטובות ביותר, שיטות של חיישן, ומודלים של למידת מכונה מאיצים את הלמידה ומפחיתים את השכפול של מאמץ. ארגונים כגון איגוד המים הבינלאומי (IWA) ו- Global Practice של הבנק העולמי השיקה קבוצות עבודה על מים דיגיטליים.פורומים, Webinars, ו- Opensource תוכנות repositories יכולים להפיץ פתרונות טכניים לשימושים ברחבי העולם.

התפקיד של אינטליגנציה מלאכותית ו- Advanced Analytics

במבט קדימה, AI נגן תפקיד מרכזי יותר ויותר.מודלים למידה עמוקה יכולים לשלב זרמי נתונים heterogeneous (תמונות, spectra, סדרת זמן) כדי לזהות contaminants לא ממוקד על ידי חיישנים קונבנציונליים. Reinforcement למידה יכול לייעל את מינון ומשאב לוחות זמנים אוטונומיים. כמו מחשוב הופך זול יותר ואלגוריתמים יותר חזקים יותר, הקו בין ניטור ובקרה יאפשר איכות אוטונומית מלאה ביישומים של שליטה אנושית, במיוחד.

מסקנה

השילוב של IoT וניתוח נתונים גדולים לניהול איכות המים אינו מהווה הזדמנות עתידנית – זהו הכרחי כיום.הטכנולוגיה לפקח על משאבי מים באופן קבוע, לחזות איומים ולהגיב עם דיוק כבר קיים.מה נשאר הקולקטיבי להשקיע בתשתיות הדרושות, לעדכן תקנות, ולטפח את הכישרון לרתום את הכלים האלה.