Betaalbaar sensorsysteem detecteert algenbloei in real-time

Korea Institute of Civil Engineering and Building Technology heeft met succes een real-time, kosteneffectief systeem voor het monitoren van algale bloom ontwikkeld. Dit systeem maakt gebruik van goedkopere optische sensoren en een innovatieve labelingslogica. Het systeem behaalt een hogere nauwkeurigheid dan de meest geavanceerde AI-modellen zoals Gradient Boosting en Random Forest. De bevindingen zijn gepubliceerd in het tijdschrift Environmental Monitoring and Assessment.

Schadelijke algale blooms (HAB’s) vormen aanzienlijke bedreigingen voor de waterkwaliteit, de volksgezondheid en aquatische ecosystemen. Conventionele detectiemethoden zoals satellietbeelden en op UAV gebaseerde remote sensing zijn kostbaar en niet geschikt voor continue veldoperaties.

Om dit probleem aan te pakken, heeft het KICT-onderzoeksteam onder leiding van Dr. Lee, Jai-Yeop van de afdeling Milieuonderzoek, een compacte, sensor-gebaseerde sonde ontwikkeld. Deze sonde integreert omgevingslicht- en zonlichtsensoren in een microcontroller-gebaseerd platform. Het apparaat categoriseert de toestand van het wateroppervlak in vier labels: “algen”, “zonnig”, “schaduw” en “aqua”, gebaseerd op real-time metingen van vier sensorvariabelen: lux (lx), ultraviolet (UV), zichtbaar licht (VIS) en infrarood (IR).

De labeling van sensorgegevens werd verwerkt met behulp van een Support Vector Machine (SVM) classifier met vier invoervariabelen, wat een nauwkeurigheid van 92,6% opleverde. Om de prestaties verder te verbeteren, heeft het onderzoeksteam een sequentiële logica-gebaseerde classificatie-algoritme ontwikkeld dat de SVM-grensvoorwaarden interpreteert, waardoor de nauwkeurigheid toenam tot 95,1%.

Bij het toepassen van PCA (Principal Component Analysis) voor dimensiereductie gevolgd door SVM-classificatie, bereikte de nauwkeurigheid 91,0%. Echter, door logische sequencing toe te passen op de PCA-getransformeerde SVM-grenzen, werd een 100% voorspellingnauwkeurigheid bereikt, wat zowel Random Forest als Gradient Boosting modellen overtrof, die een nauwkeurigheid van 99,2% bereikten. Deze benadering toont aan dat eenvoud en logica complexiteit kunnen overtreffen, vooral in beperkte omgevingen.

Volgens Dr. Lee “toonde het logica-gebaseerde kader uitzonderlijke robuustheid en interpreteerbaarheid, vooral voor real-time implementatie in embedded systemen. Het presteerde beter dan ensemble boommethoden in settings met kleine monsters en is ideaal voor veldgebaseerde MCU-omgevingen.”

Het systeem kwantificeert ook Chlorofyl-a (Chl-a) concentraties—een essentiële marker voor schadelijke algale blooms—met een Multiple Linear Regression (MLR) model. Dit model, afgeleid van dezelfde vier sensorinvoeren, behaalde een foutpercentage van 14,3% voor Chl-a niveaus boven 5 mg/L, wat het betrouwbaar maakt voor praktisch gebruik in het veld. In tegenstelling tot complexe niet-lineaire modellen draait het MLR-model efficiënt op laagvermogen apparaten en is het gemakkelijk te interpreteren en onderhouden.

Deze studie markeert een significante vooruitgang in betaalbare en toegankelijke monitoring van waterkwaliteit. Door het combineren van goedkope IoT-sensortechnologie met efficiënte logica-gebaseerde modellering, maakt het systeem real-time detectie van algale blooms mogelijk zonder de noodzaak van dure hardware of uitgebreide trainingsdata.