Peoples Water Data：实现可靠的实地数据生成与家庭饮用水微生物污染筛查
机器学习
2026-04-07 v1 物理与社会
摘要
不安全饮用水仍然是全球重大的公共卫生问题，特别是在常规微生物学监测有限的低资源地区。虽然大肠杆菌（Escherichia coli）是国际公认的粪便污染指示物，但基于实验室的检测通常无法大规模获取。在本研究中，我们开发并评估了一个两阶段机器学习框架，用于使用低成本物理化学和上下文指标预测印度钦奈分散式家庭饮用水中的大肠杆菌存在。该数据集包含Peoples Water Data计划下收集的3{,}023个样本；经过协调、技术清洗和异常值筛选后，保留了2{,}207个有效样本。该框架为在资源受限环境中优先排序微生物学检测提供了一个可扩展的决策支持工具，并解决了点用式污染风险评估中的一个重要空白。除了预测建模之外，本研究是在一个AI支持的实地实施框架内进行的，该框架结合了面向学生的指导和实时质量控制，以改善分散式家庭水监测中的协议依从性、可追溯性和数据可靠性。
引用
@article{arxiv.2604.04240,
title = {Peoples Water Data: Enabling Reliable Field Data Generation and Microbial Contamination Screening in Household Drinking Water},
author = {Suzan Kagan and Shira Spigelman and Sankar Sudhir and Thalappil Pradeep and Hadas Mamane},
journal= {arXiv preprint arXiv:2604.04240},
year = {2026}
}