Kore İnşaat Mühendisliği ve Bina Teknolojisi Enstitüsü, ucuz optik sensörler ve yeni bir etiketleme mantığı kullanan gerçek zamanlı, düşük maliyetli bir alg çiçek izleme sistemi geliştirdi. Sistem, gradyan artırma ve rastgele orman gibi en son teknoloji ürünü AI modellerinden daha yüksek doğruluk elde eder. Bulgular dergide yayınlandı Çevresel İzleme ve Değerlendirme.
Zararlı alg çiçekleri (HABS) su kalitesi, halk sağlığı ve su ekosistemleri için önemli tehditler oluşturmaktadır. Uydu görüntüleme ve İHA tabanlı uzaktan algılama gibi geleneksel algılama yöntemleri maliyet engelleyicidir ve sürekli saha çalışması için uygun değildir.
Bu sorunu ele almak için, Çevre Araştırma Bölümü’nden Jai-yeop liderliğindeki KICT araştırma ekibi, ortam ışığı ve güneş ışığı sensörlerini mikro denetleyici tabanlı bir platforma entegre eden kompakt, sensör tabanlı bir prob geliştirdi. Cihaz, su yüzey koşullarını dört etikete (“algler”, “güneşli”, “” gölge “ve” aqua “olarak kategorize eder: Lux (LX), ultraviyole (UV), görünür ışık (VIS) ve kızılötesi (IR).
Sensör veri etiketi, dört giriş değişkeni olan bir Destek Vektör Makinesi (SVM) sınıflandırıcısı kullanılarak işlendi ve% 92.6 doğruluk elde etti. Performansı daha da artırmak için, araştırma ekibi SVM sınır koşullarını yorumlayan ve doğruluğu%95.1’e çıkaran sıralı mantık tabanlı bir sınıflandırma algoritması oluşturdu.
Boyut azaltma için PCA (ana bileşen analizi) ve ardından SVM sınıflandırması uygulanırken, doğruluk%91.0’a ulaşmıştır. Bununla birlikte, PCA’nın dönüştürülmüş SVM sınırlarına mantık sıralamasının uygulanması,% 100 tahmin doğruluğu ile sonuçlandı ve hem rastgele orman hem de gradyan artırma modellerinden daha iyi performans gösterdi ve bu% 99.2’ye ulaştı. Bu yaklaşım, sadeliğin ve mantığın, özellikle kısıtlı ortamlarda karmaşıklığın üstesinden gelebileceğini göstermektedir.
Lee, “Mantık tabanlı çerçeve, özellikle gömülü sistemlerde gerçek zamanlı dağıtım için olağanüstü sağlamlık ve yorumlanabilirlik gösterdi.” Dedi. “Küçük örneklem ortamlarında topluluk ağacı yöntemlerinden daha iyi performans gösterdi ve saha tabanlı MCU ortamları için idealdir.”
Sistem aynı zamanda çoklu doğrusal regresyon (MLR) modelini kullanarak klorofil-A (CHL-A) konsantrasyonlarını-zararlı alg çiçekleri için temel bir belirteç-ölçer. Aynı dört sensör girişinden türetilen model, 5 mg/L’nin üzerindeki CHL-A seviyeleri için% 14.3 hata oranı elde etti ve pratik alan kullanımı için güvenilir olduğunu kanıtladı. Karmaşık doğrusal olmayan modellerden farklı olarak, MLR modeli düşük güçlü cihazlarda verimli bir şekilde çalışır ve kolayca yorumlanabilir ve sürdürülebilir.
Bu çalışma, uygun fiyatlı ve erişilebilir su kalitesi izlemede önemli bir ilerlemeyi işaret etmektedir. Düşük maliyetli IoT sensörü teknolojisini verimli mantık tabanlı modelleme ile birleştirerek, sistem pahalı donanıma veya kapsamlı eğitim verilerine ihtiyaç duymadan gerçek zamanlı alg çiçek algılamasını sağlar.
