LLMs & XAI for Water Sustainability: Seasonal Water Quality Prediction with LIME Explainable AI and a RAG-based Chatbot for Insights

要約

安全な給水を確保するには、特に汚染リスクが高いネパールのような発展途上国では、効果的な水質モニタリングが必要です。
このペーパーでは、複数の水質パラメーターを備えた小さなデータセットを使用して、ネパールの季節の水質を予測するハイブリッドディープラーニングモデルを紹介します。
CATBOOST、XGBOOST、余分なツリー、LightGBMなどのモデルと、CNN層とRNN層を組み合わせたニューラルネットワークを使用して、データの時間的および空間パターンをキャプチャするために使用されます。
このモデルは、顕著な精度の改善を実証し、積極的な水質制御を支援しました。
CatBoost、Xgboost、およびExtra Trees Regressorは、平均RMSE 1.2、R2スコア0.99の水質指数（WQI）値を予測しました。
さらに、分類器は99％の精度を達成し、モデル間で相互検証されました。
石灰分析では、XGBoost分類決定におけるECやDOレベルなどの指標の重要性を強調しました。
ニューラルネットワークモデルは、92％の分類精度とR2スコア0.97を達成し、RMSEは回帰分析で2.87です。
さらに、回帰法と分類方法の両方を使用してWQI値を予測するために、多機能アプリケーションが開発されました。

要約(オリジナル)

Ensuring safe water supplies requires effective water quality monitoring, especially in developing countries like Nepal, where contamination risks are high. This paper introduces a hybrid deep learning model to predict Nepal’s seasonal water quality using a small dataset with multiple water quality parameters. Models such as CatBoost, XGBoost, Extra Trees, and LightGBM, along with a neural network combining CNN and RNN layers, are used to capture temporal and spatial patterns in the data. The model demonstrated notable accuracy improvements, aiding proactive water quality control. CatBoost, XGBoost, and Extra Trees Regressor predicted Water Quality Index (WQI) values with an average RMSE of 1.2 and an R2 score of 0.99. Additionally, classifiers achieved 99 percent accuracy, cross-validated across models. LIME analysis highlighted the importance of indicators like EC and DO levels in XGBoost classification decisions. The neural network model achieved 92 percent classification accuracy and an R2 score of 0.97, with an RMSE of 2.87 in regression analysis. Furthermore, a multifunctional application was developed to predict WQI values using both regression and classification methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google