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

Schoon water is het fundament van de menselijke gezondheid, een basisbehoefte die gemeenschappen in staat stelt te floreren en economieën te laten groeien. Toch zijn de bronnen van dit water — rivieren, meren en ondergrondse aquifers — steeds kwetsbaarder voor de verschuivende patronen van ons veranderende klimaat. Naarmate temperaturen stijgen en het weer extremer wordt, kan de chemische balans van deze waterlichamen verschuiven, waardoor verontreinigingen worden geïntroduceerd of de eigenschappen die water veilig maken om te drinken, veranderen. Decennialang hebben wetenschappers vertrouwd op fysieke testen en chemische analyses om deze veranderingen te monitoren, maar de enorme hoeveelheid gegevens en de complexiteit van omgevingsfactoren hebben het moeilijk gemaakt om toekomstige risico's met snelheid en precisie te voorspellen. In de afgelopen jaren is er een nieuw hulpmiddel opgekomen om te helpen: machine learning. Deze aanpak gebruikt computeralgoritmen om verborgen patronen in grote datasets te vinden, waardoor onderzoekers voorspellingen kunnen doen over complexe systemen zonder elke individuele variabele in realtime te hoeven begrijpen. Door computers te leren de tekenen van veilig versus onveilig water te herkennen, hopen wetenschappers vroege waarschuwingssystemen te creëren die de volksgezondheid kunnen beschermen voordat er een crisis optreedt.

In een recente studie onderzochten onderzoekers welke van deze computerleer-methoden het beste werkt voor het voorspellen of water veilig is om te drinken. Ze richtten zich op een specifieke set chemische en fysische metingen die de waterkwaliteit definiëren, inclusief zuurgraad, mineraalgehalte en de aanwezigheid van specifieke bijproducten die ontstaan tijdens de waterzuivering. Het team verzamelde een grote collectie echte watermonsters, die elk als veilig of onveilig waren gelabeld op basis van gevestigde gezondheidsnormen. Vervolgens voedden ze deze gegevens aan zeven verschillende soorten beslissingsalgoritmen, wat in essentie computerprogramma's zijn die ontworpen zijn om informatie in categorieën te sorteren. Deze programma's varieerden van eenvoudige, enkelvoudige beslissingsmodellen tot complexe systemen die honderden kleine beslissingsbomen bouwen om tot een uiteindelijke conclusie te komen. De onderzoekers gebruikten een gespecialiseerde softwaretool om deze modellen tegen de watergegevens te draaien, waarbij ze hun vermogen testten om veilig en onveilig water correct te identificeren.

De resultaten van deze vergelijking waren duidelijk. Hoewel alle computermodellen een bepaald niveau van nauwkeurigheid boden, viel één methode op als de meest betrouwbare. Het algoritme bekend als Random Forest, dat werkt door de voorspellingen van vele kleinere beslissingsbomen te combineren, behaalde het hoogste algemene succespercentage. Het classificeerde bijna 70 procent van de watermonsters correct, een cijfer dat hoger was dan bij elk ander geteste model. Wanneer de onderzoekers dieper keken naar de prestaties van dit topmodel, ontdekten ze dat het bijzonder goed was in het onderscheiden tussen veilig water en water dat een gezondheidsrisico vormde. Het model toonde een sterk vermogen om de veiligheid van het water te voorspellen, waarbij statistische maten aangaven dat het consistenter en nauwkeuriger was dan de andere methoden, die onder meer eenvoudigere boomgebaseerde modellen en andere variaties van beslissingssoftware omvatten.

De studie benadrukte ook de specifieke factoren die de computermodellen gebruikten om hun oordelen te vellen. De gegevens bevatten metingen voor pH, hardheid, opgeloste vaste stoffen en diverse chemische verbindingen zoals chloramines en trihalomethanen, die kunnen ontstaan wanneer desinfectiemiddelen reageren met organisch materiaal in het water. De modellen leerden dat wanneer bepaalde combinaties van deze waarden samen voorkwamen, het water waarschijnlijk onveilig was. Bijvoorbeeld, de aanwezigheid van hoge niveaus van specifieke desinfectiebijproducten was een sterke indicator dat de waterkwaliteit was verslechterd. Door deze patronen te identificeren, toonde het Random Forest-model aan dat het als een krachtig filter kon fungeren, dat door complexe chemische gegevens sorteert om een duidelijk antwoord te geven: veilig of onveilig.

Dit onderzoek biedt een praktisch pad vooruit voor waterbeheerders en functionarissen op het gebied van de volksgezondheid. In regio's waar waterbronnen schaars zijn of waar traditionele testmethoden te traag of te duur zijn, zou een computermodel zoals dit een snelle beoordeling van de waterveiligheid kunnen bieden. De studie suggereert dat door de Random Forest-aanpak te gebruiken, autoriteiten watervoorraden beter kunnen monitoren, vooral in gebieden die te kampen hebben met uitdagingen zoals stilstaand water of nutriëntenopbouw. Hoewel het model niet perfect is en nog ruimte laat voor fouten, vertegenwoordigt het een belangrijke stap naar het gebruik van technologie om een fundamenteel mensenrecht te waarborgen. De bevindingen bevestigen dat, onder de verschillende beschikbare instrumenten, dit specifieke type machine learning de meest betrouwbare manier biedt om de waterkwaliteit te voorspellen, wat een solide fundament legt voor toekomstige inspanningen om schoon water voor iedereen te garanderen.