Su kalitesinin makine öğrenmesi algoritmaları ile tahmin edilmesi

Hayatın devamlılığı, sağlıklı yaşamın olmazsa olmazı ve kalkınmanın en önemli temel taşlarından biri olan su, hızlı sanayileşme ve çeşitli kirleticilerin ekosisteme karışması nedeniyle kullanılabilir olma özelliğini yitirmektedir. Sürdürülebilir bir yaşamın ve güçlü ekonomilerin devamı için temiz su kaynaklarına olan ihtiyaç her geçen gün artmaktadır. Yeryüzünde çok sayıda su kaynağı bulunmasına rağmen, dünyanın birçok bölgesinde temiz içme suyu kaynakları sınırlıdır ve temiz su kaynaklarının artması su kirliliğinin azaltılması ile mümkündür. Sanayileşmenin artmasına paralel olarak özellikle gelişmiş ülkelerde daha fazla olmak üzere neredeyse her ülkede su kalitesi bozulmuş durumdadır. Bazı ülkelerde ise su kıtlığı büyük bir problem olarak kendini göstermektedir. İhtiyaç duyulan kullanıma uygun su miktarının arttırılabilmesi için ekosisteme bırakılan kirleticilerin azaltılmasının yanısıra su kalitesinin takibinin sürekli yapılması gerekmektedir. Nehirler başlıca tatlı su kaynaklarıdır ve sürdürülebilir bir su yönetimi için sorunun çözümü kaynağındaki çözümde gizlidir. Çok sayıda kirletici ve kirliliğe maruz kalan yüzey suları aynı zamanda doğal deşarj alanı olarak kullanılmaktadırlar. Su kalitesi, insanların sağlığı, ekosistemlerin sürdürülebilirliği ve toplumların refahı için kritik bir öneme sahip olduğundan yüzey su kalitesinin takibinde tüm su kalite karakteristikleri yerine su kalite indekslerinin kullanılması pratiklik sağlamaktadır. Bu çalışma, su kalitesinin makine öğrenmesi algoritmalarıyla tahmin edilmesi üzerine odaklanmıştır. Su kalitesini etkileyen faktörlerin karmaşıklığı ve çeşitliliği, geleneksel analitik yöntemlerle tespit edilmesi hem zor hem de zaman aldığından, makine öğrenmesi algoritmalarının kullanımı, su kalitesinin tahmin edilmesi ve izlenmesinde etkin bir seçenek olarak kullanıldı. Makine öğrenmesi algoritmaları ile önce otomatik sonra hiper parametre ayarlaması ile işlem yapıldı. Su kalitesinin tespiti minimum sayıda bağımsız değişken kullanımıyla gerçekleştirildi ve su kalite takibini mümkün kılan bir yaklaşım önerildi. Güney Avustralya Hükümeti veri tabanından alınan su kalite takibi için alüminyum, amonyum, demir, kalsiyum, klorür, mangan, sülfat, pH, renk, bulanıklık değişkenleri kullanılarak su kalitesi tahmin edildi. Su kalitesinin tahmin edilmesinde Gaussian Naive Bayes, K- en yakın komşu (KNN), destek vektör (Support Vector), yapay sinir ağları (Artificial Neural Network), karar ağaçları (CART), rastgele orman (Random Forests), gradyan artırmalı (Gradient Boosting Machines), kategori artırmalı (Category Boosting CatBoost), lojistik regresyon modellerinden faydalanılarak gerçekleştirildi.