שימוש ב- Machine Learning חיזוי מגמות מתכת כבדות מקורות מים

הבנת האיום של זיהום מתכת כבד במקורות מים

זיהום מתכת כבד במקורות מים נשאר אתגר בריאות הציבור מתמשך וצומח ברחבי העולם. מתכת כגון להוביל, כספית, קדמיום, ארסן, כרום, ניקל להיכנס לתוך מערכות מימיות באמצעות פריקה תעשייתית, מפלט כרייה, חומרי הדברה חקלאית 48, ואפילו מזג אוויר טבעי לא מזיק, מתכות כבדות אינן מחוסמות; הן ממשיכות להיות קשורות לסביבה, מפולת חיים של סרטן כבד, אפילו לזיהומים פיזיים חמורים יותר, כולל מחלות כרוניים חמורים יותר, כולל מחלות כרוניות, כמו סרטן כרוניות, אפילו לקויות, כמו סרטן כרוניות, ופציעות קשות, כמו גם מחלות כרוניות, כמו גם מחלות כרוניות, כמו גם מחלות כרוניות, כמו גם לקויות, כמו סרטן כרוניות, כמו גם מחלות כרוניות, או הפרעות נפשיות חמורות יותר, או הפרעות נפשיות חמורות יותר, או לקויות, כמו גם כן, כמו גם כן, כמו גם מחלות כבדות, כמו גם מחלות כרוניות, הן מחלות כבדות, כמו סרטן כרוניות, כמו סרטן כרוניות, כמו גם לקויות, כמו גם מחלות כבדות, כמו גם מחלות כבדות, כמו גם לקויות, כמו סרטן כרוניות, כמו גם לקויות, כמו סרטן כרוניות, כמו סרטן כרוניות, 000 שנים רבות.

גישות ניטור מסורתיות מסתמכות על ניתוח קיסרי וניתוח מעבדה, אשר יקרים, איטיים, ולספק רק תמונה בזמן. על ידי זמן זיהום זמן אישור, קהילות כבר נחשפו.ההתפתחויות האחרונות בלמידה מכונה (ML) מציעים דרך להפוך את המודל הזה reactive לתוך מודל זה של בטיחות מנבאת.על ידי ניתוח נתונים איכות מים היסטוריים לצד משתנים סביבתיים, מודלים של ML יכולים לנבאד, לזהות את היתרונות של צריכת מתכות כבד, וטכניקות מכוונות, כדי להיות מעורבים.

בריאות וסביבה של מתכת כבדה

ראשי (Pb)

מוביל נכנס לשתות מים בעיקר באמצעות צינורות מקודדים ותיקוןים.אפילו ברמות מתחת ל-10 חלקים ל מיליארד, חשיפה מובילה יכולה להפחית את IQ בילדים ולגרום לבעיות התנהגותיות.במבוגרים, היא מעלה לחץ דם ותורמת לנזק בכליות.סוכנות הגנת הסביבה של ארה"ב (EPA) הציבה רמה של 15 ppb, אך לא הייתה רמת מובילת דם בטוחה.

ארסן (As)

באופן טבעי ארסן במי קרקעי משפיע על מיליוני אנשים ברחבי העולם, במיוחד בדרום אסיה. צ'רוניקה קשורה נגעים בעור, נוירופתיה היקפית, וסרטן של שלפוחית השתן, הריאות והעור.המדריך העולמי הוא 10 מיקרוגרם / L, אבל הרבה בארות כפריות עולה על זה.

מרקורי (Hg)

מרקורי מבעירה פחם וכריית זהב artisanal ממיר לmethylmercury במערכות אקולוגיות מימיות, ביוקמול דגים. נשים בהריון וילדים פגיעים ביותר לנזק נוירולוגי.עקב מגמות כספית הוא חיוני עבור הנפקת יועצי צריכת דגים.

קדימיום (Cd)

קדימיום מפרי פוספט ופסולת תעשייתית גורם נזק לכליות ולדהור העצם (מחלת טיטי-טי) היא מצטברת מעל עשרות שנים, מה שהופך את מוקדם זיהוי קריטי.

הבנת נקודות קצה בריאות אלה מדגישה מדוע חיזוי מגמות זיהום הוא יישום גבוה של למידת מכונה.

כיצד למידת מכונות היא יישומית לחיזוי איכות המים

מודלים של למידת מכונות לומדים דפוסים מהנתונים ההיסטוריים ובאופן כללי כדי לבצע תחזיות על קלטות חדשות, בלתי נראות. בהקשר של זיהום מתכת כבד, המטרה יכולה להיות רגרסיה (הפחתת רמות ריכוז מדויקות) או סיווג (ההנחה אם סף הוא עודף) הצינור הטיפוסי כרוך איסוף נתונים, הנדסת תכונות, מודל, הכשרה, אימות, פריסה.

מקורות נתונים והכנת

איכות גבוהה, נתונים מתוייגים היא הבסיס של כל פרויקט ML.עבור תחזית מתכת כבדה, מקורות נתונים מרכזיים כוללים:

• (FLT:0) מדידות איכות המים ההטוריים:FLT:1 חודשי או מתמשך של קריאות חיישן של ריכוזי מתכת (למשל, תוצאות מעבדה ICP-MS, אלקטרודות אלקטרודות אלקטרודות יון בזמן אמת).
• (FLT:0) קוויריון קובארהיטים: אנדרפול 1 (גשם: ריצוף 1), טמפרטורה, pH, חמצן מומס, קדחתנות וקצב זרימה - כולם משפיעים על פלואופילות מתכת והובלת.
• נתוני פעילות תעשייתית: 1.FLT:1 היתרי תשלום, נפח ייצור ודיווחי תאונות ממתקנים סמוכים.
• (ב) שימוש באדמות ונתוני הקרקע: 1FLT:1 GIS שכבות המציגות אזורי כרייה, שטחים חקלאיים, ופריסה עירונית.
• (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

יש לנקות את הנתונים (הרשית ערכים מאולתרים, מחוץ לסקר), נורמטיביים (min-max או z-score), ולעתים קרובות מהדהדים למרווח זמן עקבי.

הנדסה לחיזוי מתכת כבד

ידע דומיין הוא קריטי כאשר תכונות הנדסה.לדוגמה:

• (ב) ⁇ :0) ריכוזים משונים: 1FLT:1 רמות מובילות (t-1, t-2 וכו ') מסייעות ללכוד את ההנעה.
• (ב) ⁇ :0) מאורעות הגשם עשויים לקחת שעות עד ימים כדי כך שיצילו מתכות מן הקרקע לתוך זרמים.
• (ב) סטטיסטיקות:0 (Rolling סטטיסטיקות: 1) העברת ממוצעים או סטיית תקן מתגלגלת של רעש חלק ומדגישה מגמות.
• (ב) ,0) דגלי צ'רצ'ה: 1FLT:1 תכונות בינאריות מצביעות על השאלה האם מכרה קרוב פעיל או סופה של מים.

בחירה תכונה קפדנית מונעת התאמה ושיפור הפרשות המודל.

טכניקות למידת מכונות לחיזוי זיהום

החוקרים הגישו מגוון רחב של אלגוריתמים של ML כדי לחזות ריכוזי מתכת כבדים.הבחירה תלויה בנפח הנתונים, במבנה זמני, והאם הבעיה היא רגרסציה או סיווג.

מודלים של Regression

(FLT:0)Linear RegressionionFLT:1 וגרסאות קבועות שלה (Ridge, Lasso) משמש כקווי בסיס פשוטים.הם מניחים מערכת יחסים ליניארית בין צופים וריכוזי מטרה.בעוד שהם ניתנים לפירוש, הם לעתים קרובות תחת מידע סביבתי מורכב ולא ליניארי.

(FLT:0Random Forest RegressorFLT:1) היא שיטת הרכב פופולרית המטפלת באי-לינאריות, אינטראקציות, ו נעדרת נתונים היטב.זה שימש לחיזוי רמות ארסן במי בנגלדש עם דיוק סביר.

(FLT:0) ,Support Vector Regression (SVRIRFLT) 1:1 עם תפקוד בסיס רדיורי הקרנלים יכול ללכוד דפוסים מורכבים אבל דורש כוונון היפר-פרפרפרמטר זהיר.

המונחים: Algorithms

כאשר המטרה היא לסמן אם מתכת עולה על סף בטיחות (למשל, להוביל > 15 ppb), מודלים סיווג מתאימים:

• (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (FLT:0)Gradient Boosting Machines (למשל, XGBoost, LightGBM)FLT:1 לעתים קרובות להשיג תוצאות המדינה-of-the-art על נתונים באיכות המים הלשונית.הם מהירים, מטפלים במשתנים קטגוריאליים, וכוללים התאמות בנויות.

מודל סדרת זמן

תצוגות מתכת כבדות מציגות מגמות זמניות, עונות, ולעתים אוטומטיות.מודלים סטנדרטיים ML אשר מטפלים בכל נקודה באופן עצמאי יכולים להחמיץ את המהימנות הללו.

• (FLT:0)ARIMA (Autoregressive Integrated Moving ממוצע)FLT:1: גישה סטטיסטית קלאסית עבור סדרת זמן לא יעילה.It פועל היטב עבור תבניות זיהום יציבות, תקופתיות, אך מאבקים כאשר קונדוורסים חיצוניים משתנים במהירות.
• (FLT:0) ארוך זיכרון לטווח קצר (LSTM) רשתות השידור:1: סוג של רשת עצבית חוזרת שיכולה ללמוד תלות ארוכת טווח בנתונים ⁇ TMs הוחל בהצלחה על מנת לחזות ריכוזי מתכת מבוזרים בנהרות, תוך מיצוי הן ARIMA והן יערות אקראיים.
• (FLT:0) מודלים של Hybridib 1FLT: שילוב LSTMs עם מנגנוני תשומת לב או שילוב ML עם מודלים הידרולוגיים מבוססי תהליך (למשל SWAT) יכול לשפר דיוק וכדאיות פיזית.

מחקר 2023 בכתב העת של ניהול סביבתי השווה כמה אלגוריתמים של ML לחיזוי קדמיום באדמה חקלאית ליד smelters.מודל מבוסס LSTM השיג R2 של 0.91, הרבה מעל 0.68 מן יער אקראי.זה ממחיש את העוצמה של למידה עמוקה כאשר מספיק נתונים זמניים קיים.

הערכת ביצועי המודל

מגמות זיהום חיזוי הוא רק יקר אם המודלים נבדקים בקפידה.מדדים נפוצים כוללים:

• (ב) [15] ויקרא י"א) ו[[1924]]]] ו[[1924]]]]]] ו[[1924]]]]]]]]
• (ב) ויקרא י"ד:2 ויקרא י"ד:2 ויקרא י"ד:2 ,2 ,2 ויקרא יט:2 , ויקרא יט:5 , ו-"ד ויקרא יט" (בראשית כ"ד)
• (FLT:0) ,Receiver הפעלה Characteristic (ROC) AUCFLT:1 כדי להעריך את הסחר בין מחירים חיוביים חיוביים כוזבים חיוביים.
• (ב) ,0) סדרת לוח הזמנים (FLT: 1) (למשל, חלון מורחב) כדי להימנע מדליפה נתונים וכבוד סדר זמני.

הפרשנות מודל חשוב באותה מידה להשיג אמון ממנהלי מים.טכניקות כמו SHAP (ההתראות של LIME) או LIME יכולות להסביר תחזיות אישיות, מראה האם הגשם האחרון או השחרור התעשייתי הסמוך הובילו את התחזית.

היתרונות של Machine Learning for Water Quality Management

כאשר הם מסודרים ביעילות, מערכות חיזוי מונעות על ידי ML מציעות יתרונות טרנספורמטיביים:

• (FLT:0) מערכות התראה מוקדמות: מודלי אזהרות מוקדמות: מודלי ההרחבה 1 (FLT:1) יכולים לזהות קוראים חד-משמעיים בזמן אמת ולזהיר לרשויות לפני זיהום מגיע לרמות קריטיות.לדוגמה, מודל המוכשר על pH, זעזועים, ונתוני חיישן מובילים יכולים לצפות עלייה של 12 שעות מראש, מתן זמן להנפיק יועצים או להתאים כימיקלים לטיפול.
• (FLT:0) אופטימיזציה של קוד מקור: במקום לבדוק מאות בארות חודשיות על לוח זמנים קבוע, שירותים יכולים לאשר מראש את הדגימה בהתבסס על סיכון צפוי, חיסכון בעלויות מעבדה וזמן כוח אדם.
• (FLT:0) ניתוח מגמה לטווח ארוך: מודלים של ML 1 מובנים יכולים להפריד מחזורים עונתיים טבעיים ממגמות אנתרוגניות, עוזר הרגולטורים להעריך את יעילות מדיניות בקרת זיהום.
• (FLT:0) נציין: טכניקות מתקדמות של משוואה מתקדמות כגון יערות סיבתיים או מודלים של משוואות מבניות יכולות לזהות את מקורות הזיהום המשפיעים ביותר, להנחות פעולות אכיפה.
• (FLT:0) אינטגרציה עם IoT:FLT:1 , פלטפורמות רב-רגישות בעלות נמוכה פרוסות על פני שפיכות מים מזרמים נתונים למנועי ML מבוססי ענן, המאפשר ניטור רציף, קרוב-מציאותי ללא התערבות ידנית.

אתגרים ומגבלות

למרות ההבטחה, החלת ML לחיזוי מתכת כבד אינה ללא מכשולים משמעותיים.

מחסור בנתונים ואיכות

אזורים רבים עם נטל המתכת הכבד הגדול ביותר חסרים רשתות ניטור מקיף.רשומות היסטוריות עשויים להיות דליקים, לא סדירים, או נמדדים עם שיטות מיושנות. Missing נתונים - במיוחד עבור קורובות סביבתיות - יכול להיות מודל ביצועים מודל מתפתלים של נתונים ממקורות מרובים, כל אחד עם מגבלות זיהוי שונות וטיות, מציג אי ודאות.עבר למידה, שבו מודל preventated על אגן עשיר נתונים הוא בסדר על נתונים מקומי, הוא תחום פעיל, הוא כמה מגבלות מחקר יכול להקל על נתונים פעיל.

מודל Interpretability לעומת מורכבות

מודלים מעמיקים של למידה כמו LSTMs לעתים קרובות לפעול כמו תיבות שחורות, מה שהופך את זה קשה להבין (FLT:0reas למהר LT:1 מגמת זיהום נצפתה.מנהלי מים ופקידי בריאות הציבור עלול להיות לא מעוניין לפעול על עצה של מודל ללא הסברה. Balancing דיוק עם הפרשיות נשאר מתח מפתח.

חוסר תמימות ומושג ד"ר

שינויי אקלים, שינויי הקרקע ותקנות חדשות משנים את היחסים הסטטיסטיים בין צופים לבין זיהום לאורך זמן. מודל שהוכשר על נתונים מ-2010–2020 עשוי להופיע בצורה גרועה ב-2025 אם דפוסי שינוי, או מפעל חדש נפתח.

בעיות סודיות ומוסריות

מודלים חיזוייים עשויים לשמש כדי להצדיק ניטור מופחת באזורים הצפויים להיות "סיכון נמוך", יצירת כתמים עיוורים אם המודל טועה.יש גם חששות הון: אם מודלים מפותחים בעיקר באזורים עשירים יותר עם נתונים עשירים יותר, קהילות פחות מומיות עלולות להישאר מאחור.

יישומים אמיתיים ומקריות

פרויקטים אחדים הוכיחו את האפשרות של חיזוי מתכת כבד מבוסס ML בהגדרות בעולם האמיתי.

החוקרים השתמשו ביער אקראי ו- ⁇ במפות סיכון ארסן במערב בנגל, הודו: ⁇ FLT:1 ; חוקרים השתמשו ביער אקראי ו- ⁇ שיפור מודלים למפות סיכון ארסן פני המדינה. Inputs כללו פרמטרים הידרוגולוגיים, תכונות אדמה ותוצאות בדיקה היסטוריות.המודל זיהה אזורי סיכון גבוהים עם > 8 דיוק, המאפשר בדיקות ממוקדות ושיקום.

(FLT:0Lead ב-Stinel, מישיגן (פוסט-crisis): FLT:1 לאחר משבר המים 2014–2015, מודלים של למידת מכונה היו מוחלים על מנת לחזות רמות מובילות בהתבסס על גיל צינורות, כימיה מים וחומרי קו שירות.מודלים אלה עזרו לאשר החלפת קווי השירות המובילים המסוכנים ביותר, אם כי הם גם הדגישו פערים בהשלמת נתונים.

(FLT:0) מברק באגן האמזונס:FreaLT:1 , כריית זהב משחררת כספית לנהרות, מאגדת מלאי דגים. אינדיקטורים של פעילות כרייה (דהפורסטציה, זעזוע) הוזן לתוך מודלים LSTM כי צופה ריכוזי כספית ברקמות דגים עם 3 חודשים מוביל זמן.

כיוונים עתידיים

התחום מתפתח במהירות.כמה מגמות יעצבו את הדור הבא של תחזית זיהום מונעת ML:

• (FLT:0) הטמעה של מידע לווייני ובהחלפתו: Figry: Respectral Imagery יכול כעת לזהות את יעילות הכרייה ישירות; שילוב זה עם נתוני חיישן הקרקע ישפר כיסוי מודל באזורים מרוחקים.
• (FLT:0) למידה מוגברת: 1FLT) מספר כלי מים יכול להכשיר מודלים בשיתוף פעולה ללא שיתוף נתונים גולמיים, שמירה על פרטיות ומאפשרת שירותים קטנים ליהנות ממאגרי נתונים גדולים יותר.
• רשתות עצביות בעלות מידע על Physics:FIRLT:1 , Embedding הידראולי וגיאכימי לתוך ארכיטקטורות רשת עצבית מבטיח כי תחזיות לציית למגבלות פיזיות (למשל, איזון המוני), שיפור התוספת לתנאים הבלתי נראים.
• (FLT:0) תאומים של שפיכות מים: ראט' 1 (מודלים אינטראקטיביים שדמיינו תרחישים "מה אם" (למשל, שחרור תעשייתי חדש, שחרור סכר) יסייעו למקבלי המדיניות לקבל החלטות יזום.
• (FLT:0) AI for רגולטורי קבלה: FIRLT:1, כמו דגמים הופכים שקוף יותר, גופי רגולציה כמו EPA ו- WHO עשויים לשלב תפוקה של ML למסגרות בטיחות מים רשמיות.

מסקנה

למידת מכונה מציעה השלמה רבת עוצמה לניטור איכות המים המסורתי, המאפשר לקהילות לנוע מדגימה תגובתית לניהול חיזוי של זיהום מתכת כבד.על ידי מינוף נתונים היסטוריים, קורוביטים סביבתיים, ואלגוריתמים מתקדמים, מודלים ML יכולים לצפות מגמות, אופטימיזציה משאבים, ובסופו של דבר להפחית את החשיפה האנושית למתכות רעילות.

כשרשתות החיישן מתרחבות ומחשוב ענן הופכות לנגישות יותר, החזון של אספקת מים מאולתרת באופן מתמשך, אספקת מים מאוגדת בינה מלאכותית נמצאת בהישג יד.בריאותם של מיליונים תלויה במימוש החזון הזה למציאות.