Кореляційно-регресійний аналіз в оцінці взаємозв'язку між водними показниками: короткий опис багаторічних даних вимірювань з біосенсорів

Автор(и)

DOI:

https://doi.org/10.15587/2706-5448.2025.323730

Ключові слова:

індикатор води, система вимірювання, мультисенсорна система, кореляційний аналіз, тестування, інтернет речей, біосенсори

Анотація

Об'єктом дослідження є метод оцінки взаємозв'язку результатів тривалих спостережень показників води, одержаних методом сукупних вимірювань біосенсорною системою. Біосенсорна система призначена для сукупного виміру п'яти показників води на основі датчиків фізичних величин. У роботі дане завдання досить повно нівелює суттєве обмеження відомих рішень, призначених для одночасного вимірювання трьох або чотирьох показників води. Існуючі підходи у своїй структурі поєднують менше п'яти біосенсорів-датчиків, що суттєво обмежує одночасний вимір п'яти показників води.

Одним з основних і головних результатів роботи є розробка статистичної моделі для оцінки взаємозв'язку сукупних вимірювань п'яти показників води. Виявлено, що серед виміряних п'яти показників найбільш впливовим предиктором на кислотність, провідність, каламутність та окисно-відновний потенціал є температура води. Встановлений значущий та невипадковий взаємозв'язок показників переважно асоційований із впливом температури на фізичні процеси, що відбуваються у разі підвищення та зниження температури води залежно від часу спостереження. Дані оцінки демонструють вищий, статистично значущий зв'язок між даними вимірювальної інформації. Це досягається за рахунок реалізації методу сукупного виміру п'яти показників води: температури, кислотності, каламутності, кондуктивності, окислювально-відновного потенціалу.

Працездатність статистичної моделі підтверджена обчисленням коефіцієнта кореляції на основі методу Пірсона та коефіцієнтів детермінації та надійності моделі. Регресійна модель на практиці може бути використана при розробці нових або вдосконаленні відомих вимірювальних систем та приладів контролю для підвищення достовірності та результативності контролю якості води.

Спонсор дослідження

  • This research has been/was/is funded by the Committee of Science of the Ministry of Science and Higher Education of the Republic of Kazakhstan (BR24993051 Development of an intelligent city system based on IoT and data analysis).

Біографії авторів

Altay Yeldos, Satbayev University

PhD, Candidate of Sciences, Senior Lecturer

Department of Robotics and Technical Means of Automation

Lashin Bazarbay, Satbayev University

Senior Lecturer

Department of Robotics and Technical Means of Automation

Kassymbek Ozhikenov, Satbayev University

Candidate of Sciences, Professor, Head of Department

Department of Robotics and Technical Means of Automation

Zhandos Dosbayev, Satbayev University

PhD, Senior Lecturer

Department of Electronics, Telecommunications and Space Technologies

Ulantay Nakan, Satbayev University

PhD, Associate Professor

Department of Chemical and Biochemical Engineering

Zhuldyz Kalpeyeva, Satbayev University

PhD, Associate Professor

Director of Institute of Automation and Information Technologies

Посилання

  1. Tariq, M. O., Siddiq, A., Irshad, H., Aman, M., Khan, M. S. (2021). An Open Source Water Quality Measurement System for Remote Areas. The 1st International Conference on Energy, Power and Environment, 50. https://doi.org/10.3390/engproc2021012050
  2. Zhao, Y., Yu, T., Hu, B., Zhang, Z., Liu, Y., Liu, X. et al. (2022). Retrieval of Water Quality Parameters Based on Near-Surface Remote Sensing and Machine Learning Algorithm. Remote Sensing, 14 (21), 5305. https://doi.org/10.3390/rs14215305
  3. Wood, R., Tembele, W., Hema, A., Somé, A., Kinganda-Lusamaki, E., Basilubo, C. et al. (2024). Implementation of the WHO core components of an infection prevention and control programme in two sub-saharan African acute health-care facilities: a mixed methods study. Antimicrobial Resistance & Infection Control, 13 (1). https://doi.org/10.1186/s13756-023-01358-1
  4. Mathur, R., Sharma, M. K., Loganathan, K., Abbas, M., Hussain, S., Kataria, G. et al. (2024). Modeling of two-stage anaerobic onsite wastewater sanitation system to predict effluent soluble chemical oxygen demand through machine learning. Scientific Reports, 14 (1). https://doi.org/10.1038/s41598-023-50805-x
  5. Wang, Z., Duan, L., Shuai, D., Qiu, T. (2024). Research on water environmental indicators prediction method based on EEMD decomposition with CNN-BiLSTM. Scientific Reports, 14 (1). https://doi.org/10.1038/s41598-024-51936-5
  6. Shah, M. I., Javed, M. F., Abunama, T. (2020). Proposed formulation of surface water quality and modelling using gene expression, machine learning, and regression techniques. Environmental Science and Pollution Research, 28 (11), 13202–13220. https://doi.org/10.1007/s11356-020-11490-9
  7. de Camargo, E. T., Spanhol, F. A., Slongo, J. S., da Silva, M. V. R., Pazinato, J., de Lima Lobo, A. V. et al. (2023). Low-Cost Water Quality Sensors for IoT: A Systematic Review. Sensors, 23 (9), 4424. https://doi.org/10.3390/s23094424
  8. Essamlali, I., Nhaila, H., El Khaili, M. (2024). Advances in machine learning and IoT for water quality monitoring: A comprehensive review. Heliyon, 10 (6), e27920. https://doi.org/10.1016/j.heliyon.2024.e27920
  9. Abbas Fadel, A., Ibrahim Shujaa, M. (2020). Water Quality Monitoring System Based on IOT Platform. IOP Conference Series: Materials Science and Engineering, 928 (3), 032054. https://doi.org/10.1088/1757-899x/928/3/032054
  10. Bogdan, R., Paliuc, C., Crisan-Vida, M., Nimara, S., Barmayoun, D. (2023). Low-Cost Internet-of-Things Water-Quality Monitoring System for Rural Areas. Sensors, 23 (8), 3919. https://doi.org/10.3390/s23083919
  11. Lakshmikantha, V., Hiriyannagowda, A., Manjunath, A., Patted, A., Basavaiah, J., Anthony, A. A. (2021). IoT based smart water quality monitoring system. Global Transitions Proceedings, 2 (2), 181–186. https://doi.org/10.1016/j.gltp.2021.08.062
  12. Geetha, S., Gouthami, S. (2016). Internet of things enabled real time water quality monitoring system. Smart Water, 2 (1). https://doi.org/10.1186/s40713-017-0005-y
  13. Chowdury, M. S. U., Emran, T. B., Ghosh, S., Pathak, A., Alam, Mohd, M., Absar, N. et al. (2019). IoT Based Real-time River Water Quality Monitoring System. Procedia Computer Science, 155, 161–168. https://doi.org/10.1016/j.procs.2019.08.025
  14. Sabari, M., Aswinth, P., Karthik, T., Bharath Kumar, C. (2020). Water Quality Monitoring System Based on IoT. 2020 5th International Conference on Devices, Circuits and Systems (ICDCS), 279–282. https://doi.org/10.1109/icdcs48716.2020.243598
  15. Altay, Y. A., Lyamin, A. V., Kelemseiit, N. E., Skakov, D. M. (2023). Cascade Notch Filter with a Unity Feedback and Improved Transient Response. 2023 V International Conference on Control in Technical Systems (CTS), 217–220. https://doi.org/10.1109/cts59431.2023.10288775
  16. Altay, Y. A., Bazarbay, L., Uskenbayeva, R. K., Fedorov, A. V., Kalpeyeva, Z. B. (2024). Water Indicator Measurement and Data Processing From Internet of Things Modules. 2024 International Conference on Electrical Engineering and Photonics (EExPolytech), 253–256. https://doi.org/10.1109/eexpolytech62224.2024.10755886
  17. Altay, Y. A., Bazarbay, L. (2024). Artificial Intelligence-Assisted Water Quality Model: Long-Term Follow-Up Data. 2024 V International Conference on Neural Networks and Neurotechnologies (NeuroNT), 1–3. https://doi.org/10.1109/neuront62606.2024.10585363
Correlation and regression analysis in assessing the relationship between water indicators: a brief description of long-term measurement data from biosensors

##submission.downloads##

Опубліковано

2025-02-28

Як цитувати

Yeldos, A., Bazarbay, L., Ozhikenov, K., Dosbayev, Z., Nakan, U., & Kalpeyeva, Z. (2025). Кореляційно-регресійний аналіз в оцінці взаємозв’язку між водними показниками: короткий опис багаторічних даних вимірювань з біосенсорів. Technology Audit and Production Reserves, 1(2(81), 49–53. https://doi.org/10.15587/2706-5448.2025.323730

Номер

Розділ

Системи та процеси керування