Evaluation of decision tree algorithms for predictive machine learning modelling of potable water quality

تُعد المياه النظيفة أساس الصحة البشرية، وهي ضرورة أساسية تسمح للمجتمعات بالازدهار والاقتصادات بالنمو. ومع ذلك، فإن مصادر هذه المياه — من الأنهار والبحيرات وخزانات المياه الجوفية — أصبحت معرضة للخطر بشكل متزايد بسبب الأنماط المتغيرة لمناخنا المتغير. ومع ارتفاع درجات الحرارة وتزايد حدة الظواهر الجوية، يمكن أن يتغير التوازن الكيميائي لهذه المسطحات المائية، مما يؤدي إلى إدخال ملوثات أو تغيير الخصائص التي تجعل المياه صالحة للشرب. لعقود من الزمن، اعتمد العلماء على الاختبارات الفيزيائية والتحليل الكيميائي لمراقبة هذه التغييرات، لكن الحجم الهائل للبيانات وتعقيد العوامل البيئية جعل من الصعب التنبؤ بالمخاطر المستقبلية بالسرعة والدقة المطلوبتين. وفي السنوات الأخيرة، ظهرت أداة جديدة للمساعدة في هذا الصدد: تعلم الآلة. يستخدم هذا النهج خوارزميات حاسوبية لإيجاد أنماط خفية في مجموعات كبيرة من البيانات، مما يسمح للباحثين بإجراء تنبؤات حول الأنظمة المعقدة دون الحاجة إلى فهم كل متغير بمفرده في الوقت الفعلي. ومن خلال تعليم الحواسيب التعرف على علامات المياه الآمنة مقابل غير الآمنة، يأمل العلماء في إنشاء أنظمة إنذار مبكر يمكنها حماية الصحة العامة قبل وقوع أزمة.

في دراسة حديثة، سعى الباحثون لاختبار أي من طرق تعلم الحاسوب هذه تعمل بشكل أفضل للتنبؤ بما إذا كانت المياه صالحة للشرب. وقد ركزوا على مجموعة محددة من القياسات الكيميائية والفيزيائية التي تحدد جودة المياه، بما في ذلك مستويات الحموضة، والمحتوى المعدني، ووجود نواتج ثانوية معينة تنتج أثناء معالجة المياه. جمع الفريق مجموعة كبيرة من عينات المياه من العالم الحقيقي، حيث تم تصنيف كل منها على أنها آمنة أو غير آمنة بناءً على المعايير الصحية المعمول بها. ثم قاموا بتغذية هذه البيانات في سبعة أنواع مختلفة من خوارزميات اتخاذ القرار، وهي في الأساس برامج حاسوبية مصممة لتصنيف المعلومات إلى فئات. تراوحت هذه البرامج من نماذج بسيطة ذات قرار واحد إلى أنظمة معقدة تبني مئات الأشجار القرارية الصغيرة للوصول إلى استنتاج نهائي. واستخدم الباحثون أداة برمجية متخصصة لتشغيل هذه النماذج مقابل بيانات المياه، واختبار قدرتها على تحديد عينات المياه الآلة وغير الآلة بشكل صحيح.

كانت نتائج هذه المقارنة واضحة. فبينما قدمت جميع النماذج الحاسوبية مستوى معينًا من الدقة، برزت طريقة واحدة كالأكثر موثوقية. فقد حققت الخوارزمية المعروفة باسم "الغابة العشوائية" (Random Forest)، والتي تعمل من خلال الجمع بين تنبؤات العديد من أشجار القرار الأصغر، أعلى معدل نجاح إجمالي. لقد صنفت ما يقرب من 70 في المائة من عينات المياه بشكل صحيح، وهو رقم كان أعلى من أي نموذج آخر تم اختباره. وعندما تعمق الباحثون في أداء هذا النموذج الأعلى، وجدوا أنه كان بارعًا بشكل خاص في التمييز بين المياه الآمنة والمياه التي تشكل خطرًا على الصحة. أظهر النموذج قدرة قوية على التنبؤ بسلامة المياه، حيث أشارت المقاييس الإحصائية إلى أنه كان أكثر اتساقًا ودقة من الطرق الأخرى، والتي تضمنت نماذج شجرية أبسط وبرمجيات أخرى لاتخاذ القرار.

كما سلطت الدراسة الضوء على العوامل المحددة التي استخدمتها النماذج الحاسوبية لاتخاذ أحكامها. تضمنت البيانات قياسات لدرجة الحموضة (pH)، والصلابة، والمواد الصلبة الذائبة، ومركبات كيميائية متنوعة مثل الكلورامينات والثلاثي هالوميثان، والتي يمكن أن تتكون عندما تتفاعل المطهرات مع المواد العضوية في الماء. تعلمت النماذج أنه عندما تظهر تركيبات معينة من هذه القيم معًا، فمن المرجح أن تكون المياه غير آمنة. على سبيل المثال، كان وجود مستويات عالية من نواتج تطهير ثانوية معينة مؤشرًا قويًا على تدهور جودة المياه. ومن خلال تحديد هذه الأنماط، أثبت نموذج "الغابة العشوائية" أنه يمكن أن يعمل كمرشح قوي، يقوم بفرز البيانات الكيميائية المعقدة لتقديم إجابة واضحة: آمنة أم غير آمنة.

يقدم هذا البحث مسارًا عمليًا لمديري المياه ومسؤولي الصحة العامة. ففي المناطق التي تشح فيها موارد المياه أو حيث تكون طرق الاختبار التقليدية بطيئة أو مكلفة للغاية، يمكن لنموذج حاسوبي مثل هذا أن يوفر تقييمات سريعة لسلامة المياه. وتشير الدراسة إلى أنه باستخدام نهج "الغابة العشوائية"، يمكن للسلطات مراقبة إمدادات المياه بشكل أفضل، خاصة في المناطق التي تواجه تحديات مثل المياه الراكدة أو تراكم المغذيات. ورغم أن النموذج ليس مثاليًا ولا يزال يترك بعض الهوامش للخطأ، إلا أنه يمثل خطوة مهمة نحو استخدام التكنولوجيا لحماية حق أساسي من حقوق الإنسان. وتؤكد النتائج أنه من بين مختلف الأدوات المتاحة، يوفر هذا النوع المحدد من تعلم الآلة الطريقة الأكثر موثوقية للتنبؤ بجودة المياه، مما يوفر أساسًا متينًا للجهود المستقبلية لضمان وصول المياه النظيفة للجميع.