Hacia una evaluación precisa de la calidad del agua: Un enfoque de aprendizaje profundo con selección de características en sistemas de monitoreo inteligente

A medida que las preocupaciones sobre la calidad del agua se intensifican, la necesidad de sistemas de monitoreo precisos crece. Este estudio pionero presenta un enfoque novedoso para la evaluación precisa de la calidad del agua al integrar técnicas de aprendizaje profundo y selección de características en sistemas de monitoreo inteligente. Utilizando k-Nearest Neighbors (KNN), Convolutional Neural Network (CNN), e Inception V3 para clasificación, junto con Random Forest, AdaBoost y XGBoost para selección de características, el estudio presenta un examen detallado de su rendimiento en conjuntos de datos de calidad del agua. Los resultados muestran mejoras notables en las precisiones de entrenamiento y pruebas para KNN cuando se combina con Random Forest y diferentes números de estimadores. La combinación de CNN y AdaBoost exhibe un rendimiento robusto, destacando el impacto de la extracción de características en las precisiones de entrenamiento y pruebas. Inception V3, cuando se integra con XGBoost, demuestra resultados matizados, enfatizando la importancia de la extracción de características en la mejora de los resultados de clasificación. Específicamente, las métricas de rendimiento revelan que un modelo fusionado usando XGBoost e Inception V3 logra una precisión del 65.82%, superando a modelos individuales como Inception V3 (60.05%). De manera similar, la combinación de AdaBoost y CNN alcanza un rendimiento del 65.17%, superando a modelos individuales como CNN (64.32%). Además, la integración de Redes Neuronales Artificiales (ANN) con Random Forest produce un rendimiento del 69.05%, evidenciando una mejora sobre ANN independientes (55.79%). Los hallazgos subrayan la eficacia de los modelos de aprendizaje profundo, particularmente cuando se integran con algoritmos de selección de características apropiados, en la mejora de la precisión de la evaluación de la calidad del agua en sistemas de monitoreo inteligente. Este estudio contribuye con información valiosa al campo del monitoreo ambiental, proporcionando una base para una mayor exploración de las sinergias entre el aprendizaje profundo y la selección de características para una mayor precisión en la evaluación de la calidad del agua. El enfoque propuesto tiene un gran potencial para abordar el desafío crítico de un monitoreo preciso de la calidad del agua en medio de preocupaciones ambientales crecientes.