Le Korea Institute of Civil Engineering and Building Technology a réussi à développer avec succès un système de surveillance de la prolifération d'algues à faible coût en temps réel en utilisant des capteurs optiques bon marché et une nouvelle logique d'étiquetage. Le système atteint une précision plus élevée que les modèles d'IA de pointe tels que l'augmentation du gradient et la forêt aléatoire. Les résultats sont publiés dans la revue Surveillance et évaluation environnementales.
Les fleurs nocives d'algues (HAB) constituent des menaces importantes pour la qualité de l'eau, la santé publique et les écosystèmes aquatiques. Les méthodes de détection conventionnelles telles que l'imagerie par satellite et la télédétection basée sur les UAV sont prohibitives et ne conviennent pas au fonctionnement continu sur le terrain.
Pour résoudre ce problème, l'équipe de recherche de KICT dirigée par le Dr Lee, Jai-Yeop de Division du ministère de la recherche environnementale, a développé une sonde compacte basée sur des capteurs qui intègre des capteurs de lumière et de lumière du soleil ambiants dans une plate-forme basée sur un microcontrôleur. L'appareil classe les conditions de surface de l'eau en quatre étiquettes – « algues », « Sunny », « Shade » et « Aqua » – basées sur des lectures en temps réel de quatre variables de capteurs: Lux (LX), Ultraviolet (UV), lumière visible (vis) et infrarouge (IR).
L'étiquetage des données du capteur a été traité à l'aide d'un classificateur de machine à vecteur de support (SVM) avec quatre variables d'entrée, atteignant une précision de 92,6%. Pour améliorer davantage les performances, l'équipe de recherche a construit un algorithme de classification basé sur la logique séquentielle qui interprète les conditions aux limites SVM, augmentant la précision à 95,1%.
Lors de l'application de l'ACP (analyse des composants principaux) pour la réduction des dimensions suivie d'une classification SVM, la précision a atteint 91,0%. Cependant, l'application d'un séquençage logique sur les limites SVM transformées par PCA a entraîné une précision de prédiction à 100%, surpassant les modèles aléatoires de forêt et d'amélioration du gradient, qui ont atteint 99,2%. Cette approche démontre que la simplicité et la logique peuvent surpasser la complexité, en particulier dans les environnements limités.
« Le cadre basé sur la logique a démontré une robustesse et une interprétabilité exceptionnelles, en particulier pour le déploiement en temps réel dans les systèmes intégrés », a déclaré le Dr Lee. « Il a surperformé les méthodes d'arbre d'ensemble dans des paramètres à petit échantillon et est idéal pour les environnements MCU basés sur le terrain. »
Le système quantifie également les concentrations de chlorophylle-a (CHL-A) – un marqueur essentiel pour les fleurs d'algues nocives – utilisant un modèle de régression linéaire multiple (MLR). Le modèle, dérivé des quatre mêmes entrées de capteurs, a atteint un taux d'erreur de 14,3% pour les niveaux de CHL-A supérieurs à 5 mg / L, se révélant fiable pour une utilisation pratique sur le terrain. Contrairement aux modèles non linéaires complexes, le modèle MLR fonctionne efficacement sur des appareils de faible puissance et est facilement interprétable et maintenable.
Cette étude marque une progression importante dans la surveillance de la qualité de l'eau abordable et accessible. En combinant la technologie des capteurs IoT à faible coût avec une modélisation logique efficace, le système permet une détection de floraison d'algues en temps réel sans avoir besoin de matériel coûteux ou de données d'entraînement approfondies.
