Ученые научили ИИ заранее оценивать угрозу загрязнения питьевой воды
Обычные показатели качества воды позволили ИИ прогнозировать содержание опасных микроорганизмов. Система также оценивает возможный риск для здоровья людей.
Источник: Bingbing Guo, Jing Wang, Chicheng Yan, Chao Tang, Kun Yin, Lei Jiang & Changzheng Cui. Система количественной оценки микробиологического риска с использованием машинного обучения (ML-QMRA) для прогнозирования потенциальных рисков для здоровья, связанных с патогенами в источниках питьевой воды
МОСКВА, 8 августа /Новости науки/. Ученые создали ИИ-систему для оценки микробного загрязнения воды и риска для здоровья. Результаты исследования опубликовал журнал Biocontaminant.
Разработка позволяет использовать данные, которые уже собирают при обычном мониторинге водоемов: показатели мутности, температуры, содержания кислорода, а также сведения об осадках. Это может помочь раньше обнаруживать периоды повышенной опасности, не дожидаясь результатов длительных микробиологических анализов.
Ученые исследовали 95 проб поверхностной воды, взятых из двух источников питьевого водоснабжения крупного города на востоке Китая с мая 2024 года по декабрь 2025 года. В образцах определяли содержание кишечной палочки, фекальных колиформ и энтерококка, а также шести опасных микроорганизмов и вирусов, включая сальмонеллу, шигеллу, аденовирус, норовирус и энтеровирус.
Исследование показало, что традиционные бактериальные индикаторы не всегда точно отражают присутствие вирусов. Поэтому специалисты сравнили шесть методов машинного обучения. Лучше всего себя показали алгоритмы «случайный лес» и «дерево решений». Точность всех оптимизированных моделей превысила 75%, а при прогнозировании содержания синегнойной палочки одна из моделей показала результат выше 90%. Проверка на данных января и февраля 2026 года подтвердила, что большинство алгоритмов могут работать и за пределами периода обучения.
Затем прогнозируемое содержание патогенов перевели в оценку возможного вреда здоровью. В большинстве случаев риск оставался ниже рекомендованного Всемирной организацией здравоохранения уровня. Однако при неблагоприятных условиях сальмонелла, шигелла и энтеровирус могли превышать этот порог.
Главным фактором, определяющим опасность для здоровья, оказалась эффективность обеззараживания воды. Среди исходных показателей особенно важной была мутность: при прогнозировании содержания индикаторных бактерий на нее приходилось от 41,6 до 62,1% значимости модели.
Авторы считают, что в будущем систему можно объединить с датчиками непрерывного наблюдения за водоемами. При этом модель предстоит проверить в других климатических условиях, водосборных бассейнах и системах водоподготовки.
Разработка позволяет использовать данные, которые уже собирают при обычном мониторинге водоемов: показатели мутности, температуры, содержания кислорода, а также сведения об осадках. Это может помочь раньше обнаруживать периоды повышенной опасности, не дожидаясь результатов длительных микробиологических анализов.
Ученые исследовали 95 проб поверхностной воды, взятых из двух источников питьевого водоснабжения крупного города на востоке Китая с мая 2024 года по декабрь 2025 года. В образцах определяли содержание кишечной палочки, фекальных колиформ и энтерококка, а также шести опасных микроорганизмов и вирусов, включая сальмонеллу, шигеллу, аденовирус, норовирус и энтеровирус.
Исследование показало, что традиционные бактериальные индикаторы не всегда точно отражают присутствие вирусов. Поэтому специалисты сравнили шесть методов машинного обучения. Лучше всего себя показали алгоритмы «случайный лес» и «дерево решений». Точность всех оптимизированных моделей превысила 75%, а при прогнозировании содержания синегнойной палочки одна из моделей показала результат выше 90%. Проверка на данных января и февраля 2026 года подтвердила, что большинство алгоритмов могут работать и за пределами периода обучения.
Затем прогнозируемое содержание патогенов перевели в оценку возможного вреда здоровью. В большинстве случаев риск оставался ниже рекомендованного Всемирной организацией здравоохранения уровня. Однако при неблагоприятных условиях сальмонелла, шигелла и энтеровирус могли превышать этот порог.
Главным фактором, определяющим опасность для здоровья, оказалась эффективность обеззараживания воды. Среди исходных показателей особенно важной была мутность: при прогнозировании содержания индикаторных бактерий на нее приходилось от 41,6 до 62,1% значимости модели.
Авторы считают, что в будущем систему можно объединить с датчиками непрерывного наблюдения за водоемами. При этом модель предстоит проверить в других климатических условиях, водосборных бассейнах и системах водоподготовки.
