Snabbare och smartare vattenkvalitetskontroll med AI

Industridoktorand Isabel Erb beskriver i en ny artikel i Water Research X arbetet med snabbare och smartare vattenkvalitetskontroll med AI.

Traditionella metoder för att mäta bakterier i badvatten, som E. coli, kan ta upp till två dagar – det gör att människor riskerar att utsättas för förorenat vatten under tiden. En ny studie kombinerar flödescytometri (en teknik som snabbt analyserar mikroorganismer i vatten) med maskininlärning för att förbättra och snabba upp bedömningen av vattenkvalitet.

Studien visar att maskininlärning kan utnyttja information om mikrobiella samhällen från flödescytometri och på så sätt fungera som ett tidigt varningssystem som kompletterar traditionella metoder för vattenanalys.

Highlights:

• Maskininlärning i kombination med flödescytometri kan ge en indikation på mikrobiell vattenkvalitet
• Binär klassificering av E coli i badvatten gav en träffsäkerhet på 80 %
• En tvåtröskelmodell, som endast gör säkra förutsägelser, ökade träffsäkerheten till 87 %

Huvudförfattare är Isabel K Erb, medförfattare Niklas Gador, Moa Jinbäck, Elisabet Lindberg och Catherine J Paul.

Läs hela artikeln på den här länken.

 

Tillhör projekt

Utforskning av nya online-metoder för övervakning och analys av badvattenkvalitet