پیش بینی لحظه ای شاخص کیفیت آب شرب (WQI) با استفاده از اینترنت اشیا و شبکه های یادگیری عمیق: رویکردی نوین برای پایش کیفیت آب در تهران

هدف و زمینه: کیفیت آب شرب یکی از چالش های اصلی بهداشت عمومی در کلان شهرهای ایران، به ویژه تهران، است. روش های سنتی پایش کیفیت آب، مبتنی بر نمونه برداری دوره ای و آنالیز آزمایشگاهی، قادر به تشخیص به موقع آلودگی های ناگهانی و ارائه هشدارهای زودهنگام نیستند. این پژوهش با هدف توسعه سیستمی برای پایش و پیش بینی لحظه ای شاخص کیفیت آب شرب (Water Quality Index, WQI) با استفاده از فناوری اینترنت اشیا (Internet of Things, IoT) و مدل های یادگیری عمیق (Deep Learning) در شهر تهران انجام شد. روش کار: معماری سیستم پیشنهادی شامل سه لایه است: لایه حسگرهای IoT برای جمع آوری داده های لحظه ای پارامترهای فیزیکوشیمیایی (pH، کدورت، هدایت الکتریکی، نیترات، کلر آزاد، دما)، لایه پردازش و انتقال داده ها از طریق پروتکل های بی سیم، و لایه هوش مصنوعی مبتنی بر شبکه های Long Short-Term Memory (LSTM) برای پیش بینی WQI. داده های واقعی از دو منبع استخراج شد: داده های تاریخی ۶۶ نمونه از شبکه توزیع آب جنوب غربی تهران و داده های پایش ماهانه ۳۶ ایستگاه در جنوب تهران (۲۰۲۰-۲۰۲۴). مدل LSTM با ۱۲۸ نورون در لایه اول و ۶۴ نورون در لایه دوم طراحی و با نسبت ۷۰% آموزش، ۱۵% اعتبارسنجی و ۱۵% آزمون آموزش داده شد. یافته ها: مدل LSTM پیشنهادی با ضریب تعیین ۰.۹۶۷(R²) و خطای جذر میانگین مربعات ۲.۸۴ (RMSE)، دقت بالایی نشان داد. این مدل نسبت به شبکه عصبی مصنوعی (ANN) و جنگل تصادفی (Random Forest) به ترتیب ۸.۳ و ۵.۷ درصد دقت بهتری داشت. سیستم پیشنهادی ۹۴.۲% از رویدادهای افت کیفیت آب (WQI <۵۰) را با تاخیر کمتر از ۱۵ دقیقه تشخیص داد. نیترات (۲۸%)، کدورت (۲۴%) و pH (۱۹%) بیشترین تاثیر را بر WQI داشتند. نتیجه گیری: ترکیب IoT و یادگیری عمیق، راهکاری کارآمد برای پایش لحظه ای و پیش بینی WQI فراهم می کند. این سیستم به مدیران شهری در کنترل آلودگی ها و حفظ سلامت عمومی کمک می کند و در سایر شهرهای ایران قابل پیاده سازی است.

کلیدواژه ها:

شاخص کیفیت آب ، اینترنت اشیا ، یادگیری عمیق ، LSTM ، پیش بینی لحظه ای