論文の概要: Peoples Water Data: Enabling Reliable Field Data Generation and Microbial Contamination Screening in Household Drinking Water

• arxiv url: http://arxiv.org/abs/2604.04240v1
• Date: Sun, 05 Apr 2026 19:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.001377
• Title: Peoples Water Data: Enabling Reliable Field Data Generation and Microbial Contamination Screening in Household Drinking Water
• Title（参考訳）: 人の水データ:家庭飲料水における信頼性フィールドデータ生成と微生物汚染スクリーニングの実現
• Authors: Suzan Kagan, Shira Spigelman, Sankar Sudhir, Thalappil Pradeep, Hadas Mamane,
• Abstract要約: インド・チェンナイの家庭用飲料水における大腸菌の存在を予測するための2段階の機械学習フレームワークを開発し,評価した。 このフレームワークは、リソース制約のある環境で微生物検査を優先順位付けするためのスケーラブルな意思決定支援ツールを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsafe drinking water remains a major public health concern globally, particularly in low-resource regions where routine microbiological surveillance is limited. Although Escherichia coli is the internationally recognized indicator of fecal contamination, laboratory-based testing is often inaccessible at scale. In this study, we developed and evaluated a two-stage machine-learning framework for predicting E. coli presence in decentralized household point-of-use drinking water in Chennai, India using low-cost physicochemical and contextual indicators. The dataset comprised 3,023 samples collected under the Peoples Water Data initiative; after harmonization, technical cleaning, and outlier screening, 2,207 valid samples were retained. This framework provides a scalable decision-support tool for prioritizing microbiological testing in resource-constrained environments and addresses an important gap in point-of-use contamination risk assessment. Beyond predictive modeling, the present study was conducted within an AI-supported field implementation framework that combined student-facing guidance and real-time QC to improve protocol adherence, traceability, and data reliability in decentralized household water monitoring.
• Abstract（参考訳）: 安全でない飲料水は、特に定期的な微生物学的監視が限られている低資源地域では、世界中で主要な公衆衛生上の問題となっている。 大腸菌は国際的に認められている糞便汚染の指標であるが、実験室による検査は大規模には到達できないことが多い。 本研究では,インド・チェンナイの戸別飲料水における大腸菌の存在を予測するための2段階の機械学習フレームワークを,低コストな物理化学的指標および文脈指標を用いて開発・評価した。 このデータセットは、ピープルズ・ウォーター・データ・イニシアチブで収集された3,023個のサンプルからなり、ハーモニゼーション、技術的クリーニング、およびアウターリー・スクリーニングを経て、2,207個の有効なサンプルが保存された。 このフレームワークは、資源制約された環境で微生物検査を優先順位付けするためのスケーラブルな意思決定支援ツールを提供し、使用点汚染リスク評価において重要なギャップに対処する。 本研究は, 予測モデリング以外にも, 学生向け指導とリアルタイムQCを組み合わせたAI支援フィールド実装フレームワークを用いて, 分散型家庭水モニタリングにおけるプロトコルの適合性, トレーサビリティ, データの信頼性の向上について検討した。

関連論文リスト

• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• FOCUS on Contamination: A Geospatial Deep Learning Framework with a Noise-Aware Loss for Surface Water PFAS Prediction [3.499081366421979]
  PFAS(per- and polyfluoroalkyl substances, PFAS)は、非スティック調理器具などの製品に含まれる化学物質で、健康リスクの高い環境汚染物質である。 本研究では,大規模水域におけるPFAS汚染を予測するため,ラベル付きノイズ認識損失関数を持つ深層学習フレームワークFOCUSを紹介する。
  論文  参考訳（メタデータ） (2025-02-17T16:57:10Z)
• Overestimation in LLM Evaluation: A Controlled Large-Scale Study on Data Contamination's Impact on Machine Translation [46.148465860465095]
  機械翻訳作業における1Bと8Bの言語モデルに対する汚染の影響について検討した。 実験の結果,ソースとターゲットの汚染がBLEUスコアを大幅に膨らませていることが判明した。 対照的に、ソースのみの汚染とターゲットのみの汚染は、概して小さく、一貫性の低い過剰推定を生み出す。
  論文  参考訳（メタデータ） (2025-01-30T21:51:18Z)
• AI techniques for near real-time monitoring of contaminants in coastal waters on board future Phisat-2 mission [3.0049721990828084]
  本稿は、P Hist-2ミッションにおける汚染物質モニタリングの機会と課題について述べる。 このミッションの具体的特徴と利用可能なツールについて紹介する。 予備的な有望な結果が議論され、現在進行中の成果と今後の成果が紹介される。
  論文  参考訳（メタデータ） (2024-04-30T14:25:32Z)
• A Framework for Scalable Ambient Air Pollution Concentration Estimation [0.0]
  英国では大気汚染が重要な問題であり、大気汚染濃度のデータが大気質の改善を目的とした介入の基礎となっている。 欠落した測度を埋めることにより,時間的・空間的データギャップに対処するデータ駆動型機械学習モデルフレームワークを提案する。 このアプローチは、2018年を通してイングランドの包括的なデータセットを1kmx1kmの時間分解能で提供する。
  論文  参考訳（メタデータ） (2024-01-16T18:03:07Z)
• Monitoring water contaminants in coastal areas through ML algorithms leveraging atmospherically corrected Sentinel-2 data [3.155658695525581]
  本研究では,CatBoost Machine Learning(ML)とSentinel-2 Level-2Aの高分解能データを統合することにより,濁度汚染をモニタリングする新たなアプローチを開拓した。 従来の方法は労働集約的であり、CatBoostは効率的なソリューションを提供し、予測精度に優れている。 大気補正されたSentinel-2データをGoogle Earth Engine(GEE)を通じて利用することで、スケーラブルで正確な濁度モニタリングに寄与する。
  論文  参考訳（メタデータ） (2024-01-08T10:20:34Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。