Forskere udvikler ny teknik til at holde drikkevand sikkert ved hjælp af maskinlæring

Vandbåren sygdom er en af ​​de førende årsager til udbrud af smitsomme sygdomme i bosættelser for flygtninge og internt fordrevne (IDP), men et hold ledet af York University har udviklet en ny teknik til at holde drikkevand sikkert ved hjælp af maskinlæring, og det kunne være et spil skifter. Forskningen er publiceret i tidsskriftet PLOS Water .

Da drikkevand ikke ledes ind i hjemmene i de fleste bygder, henter beboerne det i stedet fra offentlige vandhaner ved hjælp af opbevaringsbeholdere.

"Når vand opbevares i en beholder i en bolig, er der stor risiko for at blive udsat for forurenende stoffer, så det er bydende nødvendigt, at der er nok frit restklor til at dræbe eventuelle patogener," siger Lassonde School of Engineering Ph.D. studerende Michael De Santi, som er en del af Yorks Dahdaleh Institute for Global Health Research, og som ledede forskningen.

Genkontaminering af tidligere sikkert drikkevand under dets indsamling, transport og opbevaring har været en væsentlig faktor i udbrud af kolera, hepatitis E og shigellose i flygtninge- og internt fordrevne bosættelser i Kenya, Malawi, Sudan, Sydsudan og Uganda.

"En række faktorer kan påvirke klorhenfald i opmagasineret vand. Du kan have rent vand på det opsamlingssted, men når du først bringer det hjem og opbevarer det, nogle gange op til 24 timer, kan du miste det resterende klor, patogener kan trives og sygdom kan spredes," siger Lassonde Adjunct Professor Syed Imran Ali, en forskningsstipendiat ved Yorks Dahdaleh Institute for Global Health Research, som har førstehåndserfaring med at arbejde i en bosættelse i Sydsudan.

Ved hjælp af maskinlæring har forskerholdet – inklusive lektor Usman Khan, også fra Lassonde – udviklet en ny måde at forudsige sandsynligheden for, at der vil være nok klor tilbage, indtil det sidste glas er indtaget. De brugte et kunstigt neuralt netværk (ANN) sammen med ensemble forecasting systems (EFS), noget der typisk ikke bliver gjort. EFS er en probabilistisk model, der almindeligvis bruges til at forudsige sandsynligheden for nedbør i vejrudsigter.

"ANN-EFS kan generere prognoser på forbrugstidspunktet, der tager en række faktorer i betragtning, som påvirker niveauet af restklor, i modsætning til de typisk brugte modeller. Denne nye probabilistiske modellering erstatter den nuværende universelle retningslinje for klorbrug, som har vist sig at være ineffektiv," siger Ali.

Faktorer som lokal temperatur, hvordan vandet opbevares og håndteres fra hjem til hjem, typen og kvaliteten af ​​vandrørene, vandkvaliteten og om et barn dyppede hånden i vandbeholderen kan alle spille en rolle for, hvor sikkert vandet er. er at drikke.

"Det er dog virkelig vigtigt, at disse sandsynlighedsmodeller trænes på data ved en specifik bygd, da hver enkelt er lige så unik som et snefnug," siger De Santi. "To personer kunne samle det samme vand på samme dag, begge opbevare det i seks timer, og den ene kunne stadig have al klor tilbage i vandet, og den anden kunne næsten ikke have noget af det tilbage. Yderligere 10 personer kunne have varierende rækkevidde af klor."

Forskerne brugte rutinemæssig vandkvalitetsovervågningsdata fra to flygtningebosættelser i Bangladesh og Tanzania indsamlet gennem Safe Water Optimization Tool Project. I Bangladesh blev dataene indsamlet fra 2.130 prøver af Læger uden Grænser fra Camp 1 på Kutupalong-Balukhali Extension Site, Cox's Bazaar mellem juni og december 2019, da den var vært for 83.000 rohingya-flygtninge fra nabolandet Myanmar.

At bestemme, hvordan man skulle lære ANN-EFS at komme med realistiske sandsynlighedsprognoser med den mindst mulige fejl, krævede ud-af-boksen-tænkning.

"Hvordan den fejl måles er nøglen, da den bestemmer, hvordan modellen opfører sig i forbindelse med probabilistisk modellering," siger De Santi. "Ved at bruge omkostningsfølsom læring, et værktøj, der forvandler omkostningsfunktionen til en målrettet adfærd ved brug af maskinlæring, fandt vi ud af, at det kunne forbedre sandsynlighedsprognoser og pålidelighed. Vi er ikke klar over, at dette er blevet gjort før i denne sammenhæng."

Eksempelvis kan denne model sige, at der under visse forhold ved hanen med en bestemt mængde frit restklor i vandet er 90 procents chance for, at det resterende klor i det oplagrede vand efter 15 timer vil være under sikkerhedsniveauet for drikker.

"Det er den slags sandsynlighedsbestemmelse, som denne modellering kan give os," siger De Santi. "Ligesom med vejrudsigter, hvis der er 90 procent chance for regn, bør du medbringe en paraply. I stedet for en paraply kan vi bede vandoperatører om at øge klorkoncentrationen, så der bliver en større procentdel af mennesker med sikkert drikkevand ."

"Vores Safe Water Optimization Tool tager dette maskinlæringsarbejde og gør det tilgængeligt for hjælpearbejdere i marken. Den eneste forskel for vandoperatørerne er, at vi beder dem om at prøve vand i beholderen ved hanen og i den samme beholder i hjemmet efter flere timer," siger Ali.

"Dette arbejde, som Michael udfører, er at fremme praksis for maskinlæringsmodeller. Ikke alene kan dette bruges til at sikre sikkert drikkevand i flygtninge- og internt fordrevne bosættelser, det kan også bruges i andre applikationer." + Udforsk yderligere

Sådan leverer du drikkevand klorfrit