Exakt och tolkbar prediktion av kemiskt syrebehov med förklarbara boosting-algoritmer och SHAP-analys

Varför det är viktigt att övervaka syret i en flod

Floder är staders och jordbruksområdens livsnerv, men när de fylls av organiskt avfall från fabriker, avlopp eller åkrar kan vattnet bli syrefattigt och osäkert för människor och ekosystem. Ett vanligt hälsotest för floder är det kemiska syrebehovet (COD), ett mått på hur mycket syre som krävs för att bryta ner föroreningar. Att mäta COD i laboratorium är långsamt och dyrt, så denna studie undersöker om avancerade men förklarbara maskininlärningsmetoder pålitligt kan förutsäga COD utifrån rutinmässiga sensordata — och samtidigt tydligt visa vad som driver föroreningen.

Smarta modeller för en förorenad värld

Forskarna fokuserade på två flödesövervakningsstationer i Sydkorea, Hwangji och Toilchun, strax uppströms den mångsidiga Yeongju-dammen. Vid dessa stationer finns årtionden av data för vanliga vattenkvalitetsindikatorer: surhetsgrad (pH), löst syre, suspenderade ämnen (fina partiklar i vattnet), näringsämnen som kväve och fosfor, totalt organiskt kol (TOC), biokemiskt syrebehov (BOD₅), vattentemperatur, elektrisk konduktivitet och flöde. Istället för att bygga en traditionell fysikbaserad modell — som kan vara svår att överföra mellan olika floder — testade de sex ’boosting’-algoritmer, en kraftfull familj av maskininlärningsmetoder som kombinerar många enkla beslutsgrenar till en stark prediktor.

Att hitta den bästa flodprognosmodellen

För att jämföra de sex boosting-metoderna (AdaBoost, CatBoost, XGBoost, LightGBM, HistGBRT och NGBoost) tränade teamet modellerna på ungefär 70 % av de historiska data och utvärderade prestanda på de återstående 30 %. De bedömde noggrannheten med flera statistiska mått som fångar hur nära prediktionerna ligger de verkliga COD-mätningarna och hur väl modellerna generaliserar till oanade förhållanden. Vid Toilchun-stationen var NGBoost-modellen — som förutser inte bara ett enda värde utan ett helt sannolikhetsintervall för COD — en klar vinnare och fångade nästan all variation i COD med mycket små fel. Vid Hwangji, som är en mer komplex plats, gav CatBoost den bästa balansen mellan noggrannhet och stabilitet. Vissa modeller, särskilt XGBoost, såg nästan perfekta ut på träningsdata men tappade prestanda på testdata, ett klassiskt tecken på ’överanpassning’ där modellen memorerar brus istället för att lära sig verkliga mönster.

Att öppna AI:s svarta låda

En central målsättning med studien var inte bara att förutsäga COD, utan också att förklara varför modellerna gav sina prediktioner. För detta använde författarna SHAP (Shapley Additive Explanations), en teknik som tilldelar varje indatavariabel ett bidrag — positivt eller negativt — till varje enskild prediktion. Över båda floderna och över de flesta algoritmer framträdde tre variabler konsekvent som huvuddrivkrafterna för COD: totalt organiskt kol (TOC), biokemiskt syrebehov (BOD₅) och suspenderade ämnen (SS). Enkelt uttryckt: ju mer organiskt material och fina partiklar i vattnet, desto högre syrebehov. Modellerna visade också plats-specifika skillnader: vid Toilchun spelade utsläpp (flöde) och totalfosfor en starkare roll, vilket tyder på ett större inflytande från diffusa källor som jordbruksavrinning; vid Hwangji antydde mönster i konduktivitet och suspenderade ämnen mer lokala eller industriella källor.

Vad resultaten betyder för verkliga floder

Dessa insikter visar att boosting-modeller, när de kombineras med SHAP, kan gå bortom att vara ogenomskinliga ’svarta lådor’. De ger både exakta prognoser för flodernas syrebehov och en fysikaliskt meningsfull förklaring till vad som driver föroreningen på varje plats. Detta är viktigt för förvaltare av dammar och avrinningsområden som behöver prioritera vad som ska övervakas och var åtgärder ska sättas in: om TOC och BOD₅ är de starkaste påverkansfaktorerna kan kontroll av organiska utsläpp ge största förbättring i vattenkvaliteten. De probabilistiska prognoserna från NGBoost ger också en uppfattning om osäkerhet, vilket är avgörande för tidiga varningssystem och riskbaserade beslut. Kort sagt visar studien att noggrant utformad, förklarbar AI kan bidra till att skydda dricksvattentäkter och akvatiskt liv genom att förvandla rutinmässiga sensormätningar till pålitliga, transparenta prognoser för flodhälsa.

Citering: Merabet, K., Kim, S., Heddam, S. et al. Accurate and interpretable prediction of chemical oxygen demand using explainable boosting algorithms with SHAP analysis. Sci Rep 16, 6359 (2026). https://doi.org/10.1038/s41598-026-38757-4

Nyckelord: vattenkvalitet, kemiskt syrebehov, maskininlärning, flodförorening, förklarbar AI