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

L'acqua pulita è la base della salute umana, una necessità fondamentale che permette alle comunità di prosperare e alle economie di crescere. Eppure, le fonti di quest'acqua — fiumi, laghi e falde acquifere sotterranee — sono sempre più vulnerabili ai modelli mutevoli del nostro clima in cambiamento. Mentre le temperature aumentano e il clima diventa più estremo, l'equilibrio chimico di questi corpi idrici può cambiare, introducendo contaminanti o alterando le proprietà stesse che rendono l'acqua sicura da bere. Per decenni, gli scienziati si sono affidati a test fisici e analisi chimiche per monitorare questi cambiamenti, ma l'enorme volume di dati e la complessità dei fattori ambientali hanno reso difficile prevedere i rischi futuri con velocità e precisione. Negli ultimi anni, è emerso un nuovo strumento per aiutare: l'apprendimento automatico (machine learning). Questo approccio utilizza algoritmi informatici per trovare schemi nascosti in grandi set di dati, consentendo ai ricercatori di fare previsioni su sistemi complessi senza la necessità di comprendere ogni singola variabile in tempo reale. Insegnando ai computer a riconoscere i segni di acqua sicura rispetto a quella non sicura, gli scienziati sperano di creare sistemi di allerta precoce che possano proteggere la salute pubblica prima che si verifichi una crisi.

In uno studio recente, i ricercatori si sono posti l'obiettivo di testare quale di questi metodi di apprendimento informatico funzioni meglio per prevedere se l'acqua sia sicura da bere. Si sono concentrati su un set specifico di misurazioni chimiche e fisiche che definiscono la qualità dell'acqua, inclusi i livelli di acidità, il contenuto minerale e la presenza di sottoprodotti specifici creati durante il trattamento dell'acqua. Il team ha raccolto una vasta collezione di campioni d'acqua reali, ciascuno etichettato come sicuro o non sicuro in base agli standard sanitari stabiliti. Hanno poi inserito questi dati in sette diversi tipi di algoritmi decisionali, che sono essenzialmente programmi informatici progettati per classificare le informazioni in categorie. Questi programmi variavano da modelli a decisione singola semplici a sistemi complessi che costruiscono centinaia di piccoli alberi decisionali per raggiungere una conclusione finale. I ricercatori hanno utilizzato un software specializzato per eseguire questi modelli sui dati dell'acqua, testando la loro capacità di identificare correttamente i campioni sicuri e non sicuri.

I risultati di questo confronto sono stati chiari. Sebbene tutti i modelli informatici offrissero un certo livello di accuratezza, un metodo si è distinto come il più affidabile. L'algoritmo noto come Random Forest, che funziona combinando le previsioni di molti piccoli alberi decisionali, ha raggiunto il tasso di successo complessivo più elevato. Ha classificato correttamente quasi il 70 percento dei campioni d'acqua, una cifra superiore a quella di qualsiasi altro modello testato. Quando i ricercatori hanno esaminato più approfonditamente le prestazioni di questo modello di punta, hanno scoperto che era particolarmente bravo a distinguere tra acqua sicura e acqua che rappresentava un rischio per la salute. Il modello ha mostrato una forte capacità di prevedere la sicurezza dell'acqua, con misure statistiche che indicavano che era più coerente e accurato rispetto agli altri metodi, che includevano modelli basati su alberi più semplici e altre variazioni di software decisionali.

Lo studio ha anche evidenziato i fattori specifici che i modelli informatici hanno utilizzato per prendere le loro decisioni. I dati includevano misurazioni per pH, durezza, solidi disciolti e vari composti chimici come clorammine e trialometani, che possono formarsi quando i disinfettanti reagiscono con la materia organica nell'acqua. I modelli hanno appreso che quando determinate combinazioni di questi valori apparivano insieme, l'acqua era probabilmente non sicura. Ad esempio, la presenza di alti livelli di specifici sottoprodotti della disinfezione era un forte indicatore che la qualità dell'acqua si era degradata. Identificando questi schemi, il modello Random Forest ha dimostrato di poter agire come un potente filtro, setacciando dati chimici complessi per fornire una risposta chiara: sicura o non sicura.

Questa ricerca offre una via pratica per i gestori delle risorse idriche e le autorità di sanità pubblica. In regioni in cui le risorse idriche sono scarse o dove i metodi di test tradizionali sono troppo lenti o costosi, un modello informatico come questo potrebbe fornire valutazioni rapide della sicurezza dell'acqua. Lo studio suggerisce che, utilizzando l'approccio Random Forest, le autorità potrebbero monitorare meglio le riserve d'acqua, specialmente in aree che affrontano sfide come l'acqua stagnante o l'accumulo di nutrienti. Sebbene il modello non sia perfetto e lasci ancora spazio all'errore, rappresenta un passo significativo verso l'uso della tecnologia per salvaguardare un diritto umano fondamentale. Le scoperte confermano che, tra i vari strumenti disponibili, questo specifico tipo di apprendimento automatico offre il modo più affidabile per prevedere la qualità dell'acqua, fornendo una solida base per gli sforzi futuri volti a garantire acqua pulita per tutti.