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

L'eau propre est le fondement de la santé humaine, une nécessité de base qui permet aux communautés de prospérer et aux économies de croître. Pourtant, les sources de cette eau — rivières, lacs et aquifères souterrains — sont de plus en plus vulnérables aux changements des modèles de notre climat changeant. À mesure que les températures augmentent et que la météo devient plus extrême, l'équilibre chimique de ces masses d'eau peut changer, introduisant des contaminants ou altérant les propriétés mêmes qui rendent l'eau propre à la consommation. Pendant des décades, les scientifiques se sont appuyés sur des tests physiques et des analyses chimiques pour surveiller ces changements, mais le volume considérable de données et la complexité des facteurs environnementaux ont rendu difficile la prédiction des risques futurs avec rapidité et précision. Ces dernières années, un nouvel outil est apparu pour aider : l'apprentissage automatique (machine learning). Cette approche utilise des algorithmes informatiques pour trouver des motifs cachés dans de grands ensembles de données, permettant aux chercheurs de faire des prédictions sur des systèmes complexes sans avoir besoin de comprendre chaque variable en temps réel. En apprenant aux ordinateurs à reconnaître les signes d'une eau sûre ou non sûre, les scientifiques espèrent créer des systèmes d'alerte précoce qui pourront protéger la santé publique avant qu'une crise ne survienne.

Dans une étude récente, des chercheurs ont entrepris de tester quelle méthode d'apprentissage informatique fonctionne le mieux pour prédire si l'eau est propre à la consommation. Ils se sont concentrés sur un ensemble spécifique de mesures chimiques et physiques qui définissent la qualité de l'eau, incluant les niveaux d'acidité, la teneur en minéraux et la présence de sous-produits spécifiques créés lors du traitement de l'eau. L'équipe a rassemblé une vaste collection d'échantillons d'eau réels, chacun étiqueté comme sûr ou non sûr selon des normes de santé établies. Ils ont ensuite injecté ces données dans sept types différents d'algorithmes de prise de décision, qui sont essentiellement des programmes informatiques conçus pour classer l'information en catégories. Ces programmes allaient de modèles à décision unique et simples à des systèmes complexes construisant des centaines de minuscules arbres de décision pour parvenir à une conclusion finale. Les chercheurs ont utilisé un outil logiciel spécialisé pour tester ces modèles par rapport aux données de l'eau, testant leur capacité à identifier correctement les échantillons sûrs et non sûrs.

Les résultats de cette comparaison étaient clairs. Bien que tous les modèles informatiques offraient un certain niveau de précision, une méthode s'est distinguée comme étant la plus fiable. L'algorithme connu sous le nom de Forêt Aléatoire (Random Forest), qui fonctionne en combinant les prédictions de nombreuses décisions plus petites, a obtenu le taux de réussite globale le plus élevé. Il a correctement classé près de 70 pour cent des échantillons d'eau, un chiffre supérieur à celui de n'importe quel autre modèle testé. Lorsque les chercheurs ont examiné plus en profondeur la performance de ce modèle de tête, ils ont découvert qu'il était particulièrement efficace pour distinguer l'eau sûre de l'eau présentant un risque pour la santé. Le modèle a montré une forte capacité à prédire la sécurité de l'eau, les mesures statistiques indiquant qu'il était plus constant et précis que les autres méthodes, lesquelles comprenaient des modèles basés sur des arbres plus simples et d'autres variations de logiciels de prise de décision.

L'étude a également mis en évidence les facteurs spécifiques que les modèles informatiques ont utilisés pour rendre leurs jugements. Les données comprenaient des mesures de pH, de dureté, de solides dissous et de divers composés chimiques tels que les chloramines et les trihalométhanes, qui peuvent se former lorsque les désinfectants réagissent avec la matière organique dans l'eau. Les modèles ont appris que lorsque certaines combinaisons de ces valeurs apparaissaient ensemble, l'eau était probablement non sûre. Par exemple, la présence de niveaux élevés de certains sous-produits de désinfection était un indicateur fort que la qualité de l'eau s'était dégradée. En identifiant ces motifs, le modèle de Forêt Aléatoire a démontré qu'il pouvait agir comme un filtre puissant, triant des données chimiques complexes pour fournir une réponse claire : sûre ou non sûre.

Cette recherche offre une voie pratique pour les gestionnaires de l'eau et les responsables de la santé publique. Dans les régions où les ressources en eau sont rares ou là où les méthodes de test traditionnelles sont trop lentes ou coûteuses, un modèle informatique comme celui-ci pourrait fournir des évaluations rapides de la sécurité de l'eau. L'étude suggère qu'en utilisant l'approche de la Forêt Aléatoire, les autorités pourraient mieux surveiller les réserves d'eau, en particulier dans les zones confrontées à des défis tels que l'eau stagnante ou l'accumulation de nutriments. Bien que le modèle ne soit pas parfait et laisse encore une marge d'erreur, il représente une étape significative vers l'utilisation de la technologie pour sauvegarder un droit humain fondamental. Les conclusions confirment que, parmi les divers outils disponibles, ce type spécifique d'apprentissage automatique offre la manière la plus fiable de prédire la qualité de l'eau, fournissant une base solide pour les efforts futurs visant à garantir l'accès à l'eau propre pour tous.