تقنية جديدة للحفاظ على مياه الشرب آمنة باستخدام التعلم الآلي
طريقة جديدة للتنبؤ باحتمالية بقاء كمية كافية من الكلور حتى يتم استهلاك أخر قطرة
تعد الأمراض المنقولة عن طريق المياه أحد الأسباب الرئيسية لتفشي الأمراض المعدية في مستوطنات اللاجئين والمشردين داخليًا (IDP) ، لكن فريقًا بقيادة جامعة يورك طور تقنية جديدة للحفاظ على مياه الشرب آمنة باستخدام التعلم الآلي ، ويمكن أن تكون لعبة المغير.
نُشر البحث في مجلة PLOS Water حيث قاد البحث مايكل دي سانتي، وهو جزء من معهد داهديله لأبحاث الصحة العالمية في يورك، وأوضح أنه نظرًا لعدم ضخ مياه الشرب في المنازل في معظم المناطق، يقوم السكان بدلاً من ذلك بجمعها من منصات الصنبور العامة باستخدام حاويات التخزين، وأضاف “عندما يتم تخزين المياه في حاوية في مسكن يكون معرضًا لخطر كبير للتعرض للملوثات ، لذلك من الضروري وجود ما يكفي من الكلور الحر المتبقي لقتل أي مسببات للأمراض”.
كانت إعادة تلوث مياه الشرب الآمنة سابقًا أثناء جمعها ونقلها وتخزينها عاملاً رئيسياً في تفشي الكوليرا والتهاب الكبد الوبائي وداء الشيغيلات في مخيمات اللاجئين والنازحين داخلياً في كينيا وملاوي والسودان وجنوب السودان وأوغندا.
الحصول على مياه آمنة
كما يقول الأستاذ المساعد سيد عمران علي ، زميل أبحاث في معهد داهديله لأبحاث الصحة العالمية في يورك، والذي يتمتع بخبرة مباشرة في العمل في مستوطنة في جنوب السودان، “يمكن أن تؤثر مجموعة متنوعة من العوامل على تسوس الكلور في المياه المخزنة، يمكنك الحصول على مياه آمنة في نقطة التجميع هذه، ولكن بمجرد إحضارها إلى المنزل وتخزينها، في بعض الأحيان لمدة تصل إلى 24 ساعة، يمكن أن تفقد الكلور المتبقي، ومسببات الأمراض يمكن أن تزدهر وتزدهر يمكن أن ينتشر المرض”.
التنبؤ باحتمالية هطول الأمطار
باستخدام التعلم الآلي ، طور فريق البحث – بما في ذلك الأستاذ المساعد عثمان خان، وهو أيضًا من Lassonde – طريقة جديدة للتنبؤ باحتمالية بقاء كمية كافية من الكلور حتى يتم استهلاك الزجاج الأخير، لقد استخدموا شبكة عصبية اصطناعية (ANN) جنبًا إلى جنب مع أنظمة التنبؤ الجماعي (EFS) ، وهو أمر لا يتم فعله عادةً، EFS هو نموذج احتمالي يستخدم بشكل شائع للتنبؤ باحتمالية هطول الأمطار في تنبؤات الطقس.
كما يقول علي، “يمكن أن تصدر ANN-EFS تنبؤات في وقت الاستهلاك تأخذ في الاعتبار مجموعة متنوعة من العوامل التي تؤثر على مستوى الكلور المتبقي، على عكس النماذج المستخدمة عادةً. وتحل هذه النمذجة الاحتمالية الجديدة محل المبادئ التوجيهية العالمية المستخدمة حاليًا لاستخدام الكلور ، والتي لقد ثبت أنه غير فعال”.
يمكن أن تلعب عوامل مثل درجة الحرارة المحلية، وكيفية تخزين المياه ومعالجتها من المنزل إلى المنزل، ونوع وجودة أنابيب المياه، ونوعية المياه، وما إذا كان الطفل يغمس يده في حاوية المياه ، دورًا في مدى سلامة المياه يشرب.
“ومع ذلك، من المهم حقًا أن يتم تدريب هذه النماذج الاحتمالية على البيانات في مستوطنة معينة، حيث أن كل نموذج فريد مثل ندفة الثلج”، كما يقول دي سانتي، “يمكن لشخصين جمع نفس المياه في نفس اليوم، وكلاهما يخزنها لمدة ست ساعات، ولا يزال بإمكان أحدهما الاحتفاظ بكل الكلور المتبقي في الماء والآخر لا يمكن أن يتبقى منه شيء تقريبًا، يمكن أن يكون لدى 10 أشخاص آخرين نطاقات متفاوتة من الكلور “.
استخدم الباحثون بيانات مراقبة جودة المياه الروتينية من مستوطنتين للاجئين في بنغلاديش وتنزانيا تم جمعها من خلال مشروع أداة تحسين المياه الآمنة. في بنغلاديش ، تم جمع البيانات من 2130 عينة من قبل منظمة أطباء بلا حدود من المعسكر 1 في موقع امتداد كوتوبالونغ بالوخالي ، بازار كوكس بين يونيو وديسمبر 2019 عندما استضاف 83000 لاجئ من الروهينجا من ميانمار المجاورة.
تحديد كيفية تعليم ANN-EFS للتوصل إلى تنبؤات احتمالية واقعية مع أصغر خطأ ممكن يتطلب تفكيرًا خارج الصندوق.
يقول دي سانتي: “إن كيفية قياس هذا الخطأ أمر أساسي لأنه يحدد كيف يتصرف النموذج في سياق النمذجة الاحتمالية”. “باستخدام التعلم الحساس للتكلفة ، وهو أداة تقوم بتحويل دالة التكلفة نحو سلوك مستهدف عند استخدام التعلم الآلي ، وجدنا أنه يمكن أن يحسن التنبؤات الاحتمالية والموثوقية. لسنا على علم بما تم القيام به من قبل في هذا السياق.”
على سبيل المثال ، يمكن لهذا النموذج أن يقول أنه في ظل ظروف معينة في الصنبور بكمية معينة من الكلور الحر المتبقي في الماء ، هناك احتمال بنسبة 90 في المائة أن يكون الكلور المتبقي في المياه المخزنة بعد 15 ساعة أقل من مستوى الأمان الشرب.
يقول دي سانتي: “هذا هو نوع التحديد الاحتمالي الذي يمكن أن تقدمه لنا هذه النمذجة”. “كما هو الحال مع توقعات الطقس ، إذا كانت هناك فرصة بنسبة 90 بالمائة لتساقط الأمطار ، فيجب عليك إحضار مظلة. بدلاً من المظلة ، يمكننا أن نطلب من مشغلي المياه زيادة تركيز الكلور بحيث تكون هناك نسبة أكبر من الأشخاص الذين لديهم مياه شرب آمنة . ”
يقول علي، “تأخذ أداة تحسين المياه الآمنة لدينا عمل التعلم الآلي هذا وتجعله متاحًا لمساعدة العمال في هذا المجال، والفرق الوحيد لمشغلي المياه هو أننا نطلب منهم أخذ عينات من المياه في الحاوية عند الصنبور وفي نفس الحاوية في المنزل بعد عدة ساعات”.
وأوضح أن “هذا العمل هو تطوير حالة ممارسة نماذج التعلم الآلي، لا يمكن استخدام هذا فقط لضمان مياه الشرب الآمنة في مخيمات اللاجئين والنازحين داخليًا، بل يمكن استخدامه أيضًا في تطبيقات أخرى.”
