Machine Learning-Based Water Quality Prediction

Al-Ataby, Ali

doi:10.13044/j.sdewes.d13.0634

Machine Learning-Based Water Quality Prediction

2026-01-01

0

PRE

AI

DOI：10.13044/j.sdewes.d13.0634

原文链接

原文求助

摘要

En 中文

水是所有生命形式不可或缺的资源，在支持人类健康、农业和工业发展方面发挥着尤为关键的作用。鉴于全球预测的水资源短缺，准确且实时分析并预测水的可饮用性至关重要。本研究采用机器学习模型，基于质量特征（如氢离子浓度指数[pH]值、硬度、固体含量、氯胺、硫酸盐和电导率）预测水的可饮用性。可饮用性根据这些特征在水中的浓度确定。使用四种机器学习算法，即随机森林（RF）、逻辑回归、极限梯度提升（XGBoost）和深度学习神经网络，在训练水质量数据集后分析水的可饮用性。初步实验显示中等性能，RF（F1分数=0.47，接收者操作特征曲线下面积[ROC-AUC]为0.68）和XGBoost（F1分数=0.49，ROC-AUC为0.66）优于其他两种模型。在解决类别不平衡并引入更多特征进行特征工程后，四种模型的性能显著提升，RF达到F1分数0.85和曲线下面积0.90，XGBoost达到F1分数0.86和曲线下面积0.91。结果明确表明，随机森林和XGBoost在预测准确性和鲁棒性方面始终优于逻辑回归模型和深度学习模型。这些结果证实了特征工程和超参数优化在提升模型有效性方面的关键重要性。开发了一个实时应用来预测水的可饮用性，以将水分类为安全饮用或不安全饮用。其功能得到成功验证，输出结果展示在用户友好的图形用户界面中。

Keyword:

Water

Potability

Machine Learning

Random Forest

XGBoost

Deep Learning

Feature Engineering

AUC

Machine Learning-Based Water Quality Prediction

摘要

期刊

机构

引用论文