L’apprentissage machine permet de prévoir la dégradation de la qualité de l’eau
Selon une étude publiée dans l’International Journal of Sustainable Agricultural Management and Informatics, l’apprentissage automatique pourrait permettre de prévoir l’indice de qualité de l’eau, ce qui pourrait avoir des répercussions importantes sur la consommation d’eau potable et les applications agricoles.
La pollution de l’eau, une question d’actualité
La détérioration de la qualité de l’eau est devenue un sujet de préoccupation ces derniers temps, l’accent étant mis de plus en plus sur ses effets sur la santé publique et la production agricole. Aujourd’hui, le déversement inapproprié d’eaux usées non traitées, qui pollue les rivières et les eaux côtières, constitue un problème environnemental important. En contrepartie, la question de la sécurité de l’eau dans l’agriculture reste un sujet d’importance.
La définition de la qualité de l’eau repose sur plusieurs facteurs : l’acidité et l’alcalinité, le pH, la turbidité, l’oxygène dissous, la concentration en nitrates, la température et les bactéries fécales. Pour gérer et réguler la pollution, il est essentiel de créer des techniques efficaces de prévision de la qualité de l’eau.
L’apprentissage automatique au service de la qualité de l’eau
À l’Institut supérieur des sciences appliquées et de la technologie (HIAST) de Damas, en Syrie, Ahmad Debow, Samaah Shweikani et Kadan Aljoumaa ont conçu des modèles LSTM à quatre niveaux pour anticiper l’indice de qualité de l’eau.
Une LSTM (Long Short-Term Memory) à 4 niveaux est un réseau neuronal récurrent permettant d’identifier des modèles de données à long terme qui évoluent dans le temps. Après avoir analysé les données, ces modèles peuvent faire des projections sur les modifications futures de ces données. En plaçant quatre couches de LSTM de manière séquentielle, le modèle peut détecter plus efficacement des schémas subtils dans les données.
Pour organiser les données et sélectionner les caractéristiques pertinentes pour l’analyse, l’équipe a utilisé divers algorithmes, tels que K-NN (K plus proches voisins) et la moyenne annuelle. Le K-NN est un algorithme largement reconnu dans l’apprentissage automatique, utilisé à des fins de classement et de régression.
Il constitue un algorithme non paramétrique qui ne présuppose aucune caractéristique spécifique concernant la distribution des données sous-jacentes. Le concept fondamental du K-NN consiste à classer les nouveaux points de données en évaluant leur similarité avec les voisins les plus proches dans l’ensemble de données de formation.
Le succès de l’équipe dans la reproduction de données établies par ces modèles est encourageant pour les projections dans le monde réel et peut contribuer de manière significative aux initiatives de gestion de l’eau.
Les prévisions établies par ces modèles devraient permettre de mettre en œuvre des mesures plus préventives pour réduire la pollution de l’eau destinée à la consommation humaine et à l’agriculture.
En utilisant les prévisions faites par ces modèles, il devrait être ainsi possible de mettre en œuvre des mesures plus préventives pour réduire la pollution dans l’approvisionnement en eau pour la consommation humaine et à des fins agricoles.
Lire l’article original sur PHYS
Lire la suite : La recherche jette un nouvel éclairage sur les avantages de la fluoration de l’eau pour les enfants
