חיזוי מדד איכות מים באמצעות מודל למידת מכונה חסין המשתמש במדדי חמצן לניטור איכות מי נהרות

מדוע חמצן בנהר חשוב לכולם

נהרות נקיים אינם רק נוף נעים; הם מקורות מים לשתייה, קווי חיים להשקיה ובית גידול לדגים וחי־בר. עם זאת, נהרות רבים בעולם חונקים לאט כאשר זיהום מפחית את רמות החמצן במים. במחקר זה מוצג דרך חדשה וחכמה יותר לעקוב אחרי בריאות הנהר באמצעות מספר מדידות הקשורות לחמצן ולמידת מכונה לחיזוי ציון איכות מים שקל להבין. המטרה היא להעניק לקהילות ולמקבלי ההחלטות כלי מהיר ואמין לזהות בעיות לפני שהנהרות מתהווים למשבר.

ציון פשוט עבור נהר מורכב

מדעני מים לרוב מדחסים עשרות מדידות כימיות וביולוגיות למדד יחיד של איכות המים, Water Quality Index (WQI). ציון זה מאפשר לא-מומחים לראות במבט מהיר האם המים מצוינים, טובים, בינוניים או גרועים. עם זאת, גרסאות רבות של ה-WQI מטפלות בחמצן באופן עקיף או שאינן מנצלות במלואן עד כמה החמצן מרכזי לחיים המימיים. החמצן מוסר לנו אם דגים יכולים לנשום, אם מיקרובים מפרקים פסולת, והאם נהר יכול להתאושש לאחר אירוע זיהום. המחברים טוענים כי מדד חכם יותר צריך להישען במידה רבה על מידע הקשור לחמצן, אשר נמדד באופן נרחב וקשור ישירות להישרדות של מערכות אקולוגיות נהריות.

מעקב אחר שלושה נהרות שונים מאוד

כדי לבדוק את הרעיון הזה, החוקרים התמקדו בשלושה נהרות מנוגדים באיראן. אחד זורם דרך אגן חם וחצי-ארידי עם תנודות טמפרטורה גדולות; אחר זורם קר ומהיר ממחוז הררי סמוך לים הכספי; השלישי מתנקז אל ימת אוזמות הלחוצה מבחינה סביבתית. יחד הם מכסים מקטעים נקיים ומאווררים היטב כמו גם מקטעים עכורים ומותשים שנפגעו מחקלאות, ערים ותעשייה. בעשרות תחנות לאורך הנהרות מדדו הצוותים מאפיינים שדה בסיסיים כגון טמפרטורה, חמצן מומס, חומציות ומוליכות חשמלית, ולאספו דגימות לניתוח במעבדה לזיהוי זיהום אורגני, חלקיקים תלויים, מזון זמין (נוטריינטים) וחיידקים.

לימוד "סופר מודל" לקרוא את המים

מהמערכת העשירה הזו של נתונים בנו המחברים מה שהם מכנים "סופר מודל" באמצעות טכניקת למידת מכונה הידועה כ-Support Vector Regression. במקום להזין לאלגוריתם את כל הכימיקלים הזמינים, הם התרכזו בקבוצת מדדי חמצן קטנה: חמצן מומס, דרישת חמצן ביולוגית (BOD), דרישת חמצן כימית (COD) וטמפרטורת המים. מדידות אלה לוכדות עד כמה יש חמצן במים, עד כמה הוא נצרך במהירות על ידי זיהום אורגני וכימי, וכיצד הטמפרטורה מאיצה או מאטה תהליכים אלה. המודל אומן לחזות מדד איכות מים חדש המבוסס על חמצן, WQIOIs, שמשקף את ציוני ה-WQI המסורתיים אך מונע בעיקר על ידי אותות החמצן המרכזיים הללו.

בדיקת דיוק, כלליות ואמינות

הצוות חקר שלוש שאלות מרכזיות: עד כמה המודל מדויק, עד כמה הוא כללי, והאם ניתן להבין את החלטותיו? ראשית, הם הראו שהמודל חוזה את ה-WQIOIs בצורה מצוינת, עם יותר מ-95% מהשונות מוסברת ושגיאות ממוצעות קטנות מאוד. שנית, כאשר נבחן על נהרות שהמודל לא "ראה" בזמן האימון, הוא עדיין התאים באופן הדוק למדד קונבנציונלי מורכב יותר שמשתמש בעשרות מדידות נוספות. ממצא זה מצביע על כך שכמה מדדי חמצן שנבחרו בזהירות יכולים להחליף בדיקה מעבדתית מלאה. שלישית, המחברים השתמשו בשיטת פרשנות בשם SHAP כדי להציץ בתוך הלוגיקה של המודל. הניתוח אישר כי רמות חמצן מומס גבוהות מעלה את ציון האיכות באופן משמעותי, בעוד טמפרטורה גבוהה וזיהום אורגני כבד מורידים אותו, בהתאם להבנה האקולוגית המוסכמת ולא לתכונות נסתרות בנתונים.

ממספרים לאזהרות בזמן אמת

מעבר לבדיקות טכניות, המחקר חוקר כיצד הכלי הזה יכול לפעול בשטח. על ידי קיבוץ מצבי הנהר לקטגוריות כגון "קר ובריא" או "חם ומדולדל בחמצן", מנהלים יכולים לראות מתי נהר נכנס למצב סיכון, למשל בקיץ בתקופות של זרימה נמוכה כשהמים החמים מחזיקים פחות חמצן. המודל גם מדורג דגימות כך שמספר קטן של קריאות יכול לסמן את רוב האתרים המושפעים באמת, דבר חיוני כאשר התקציבים והצוות מוגבלים. מכיוון שהמדידות הנדרשות זולות וזמינות באופן נרחב, המסגרת עצמה ניתנת לשילוב בלוחות בקרה פשוטים או מערכות אזהרה מוקדמת באזורים רבים, כולל אלה עם יכולת מעבדה מוגבלת.

מה המשמעות של זה עבור נהרות ובני אדם

במונחים יומיומיים, המחקר מצביע על כך שאפשר לשפוט את בריאות הנהר באופן מדויק מאוד על ידי צפייה באופן בו הוא "נושם". סט קומפקטי של בדיקות הקשורות לחמצן, המפורש דרך מודל למידת מכונה מאומן היטב, יכול להשוות לביצועים של מערכי ניטור מסובכים ויקרים בהרבה. משמעות הדבר היא מעקב מהיר וזול יותר אחרי זיהום, תזמון טוב יותר לבדיקות וניקיונות, ותקשורת ברורה לציבור לגבי מתי הנהר בטוח לדגים, לחקלאות או לבילוי. ככל שמודלים דומים יתפשטו ויותאמו לאזורים אחרים, הם עשויים להפוך לעמוד השדרה של הגנה על נהרות בזמן אמת מונעת נתונים ברחבי העולם.

ציטוט: Arzhangi, A., Partani, S. Water quality index prediction via a robust machine learning model using oxygen-related indices for river water quality monitoring. Sci Rep 16, 6102 (2026). https://doi.org/10.1038/s41598-026-36156-3

מילות מפתח: איכות מי נהרות, חמצן מומס, מדד איכות מים, למידת מכונה, ניטור סביבתי