Сучасні світові тенденції в прогнозуванні якості вод
Анотація
Мета. Узагальнення сучасних наукових підходів до прогнозування якості води, виявлення основних тенденцій розвитку, оцінка переваг і недоліків найпоширеніших груп методів, а також визначення можливостей їх ефективного застосування в умовах сучасної України.
Методи. Застосовано адаптований підхід систематичного огляду за методологією PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis), візуальний та порівняльний аналізи.
Результати. На основі аналізу сучасних наукових публікацій з прогнозування якості води за 2020-2025 рр., класифіковано підходи до прогнозування за умовними групами методів з метою виявлення тенденцій у наукових дослідженнях. За допомогою табличного редактора розраховано частоту використання ключових слів у назвах публікацій, і за результатами розрахунку побудований хронологічний графік, що відображає динаміку щорічної частоти згадування ключових слів, які відповідають різним групам методів прогнозування. З аналізу графіку виявлено найпоширеніші групи методів, з чіткою позитивною тенденцію їх використання у наукових публікаціях. Також проведено оцінку переваг, обмежень та перспектив впровадження цих найпоширеніших груп методів у вітчизняній практиці, зокрема з урахуванням сучасних умов повномасштабної війни. Аналіз дозволив визначити найбільш релевантні та реалістично застосовувані підходи, а також вказав на потенційні складнощі. У світі активно досліджується застосування методів XAI для подолання проблеми “чорної скриньки” у прогнозуванні якості води. В Україні XAI застосовувався переважно в агросекторі, тоді як наукових досліджень із використанням XAI для прогнозування якості води автором не виявлено.
Висновки. Найпоширенішою групою методів прогнозування якості води є методи, пов’язані з використанням штучного інтелекту та машинного навчання. В Україні наявні дослідження з використанням штучного інтелекту та машинного навчання, переважно у вигляді гібридних методів, найчастіше поєднуючи дистанційне зондування та машинне навчання. Ці підходи демонструють високу ефективність в умовах повномасштабної війни, коли фізичний доступ до водного об’єкта обмежений або неможливий.
Завантаження
Посилання
Council Directive 2000/60/EC of the European Parliament and of the Council of 23 October 2000 es-tablishing a framework for Community action in the field of water policy. Retrieved from https://eur-lex.europa.eu/eli/dir/2000/60/oj/eng
Directive 2008/105/EC of the European Parliament and of the Council of 16 December 2008 on envi-ronmental quality standards in the field of water policy, amending and subsequently repealing Council Directives 82/176/EEC, 83/513/EEC, 84/156/EEC, 84/491/EEC, 86/280/EEC and amending Directive 2000/60/EC of the European Parliament and of the Council. Retrieved from https://eur-lex.europa.eu/eli/dir/2008/105/oj/eng
Water Code of Ukraine (Law of Ukraine No. 213/95-VR of June 6, 1995). Retrieved from https://zakon.rada.gov.ua/laws/show/213/95-%D0%B2%D1%80#Text (in Ukrainian)
United Nations. (1997). Convention on the Law of the Non-Navigational Uses of International Water-courses. Adopted by General Assembly resolution 51/229 of 21 May 1997. United Nations, New York. Retrieved from https://legal.un.org/ilc/texts/instruments/english/conventions/8_3_1997.pdf
Government of Japan. (1970). Water Pollution Prevention Act (Act No. 138 of 1970). Tokyo: Govern-ment of Japan. Retrieved from https://www.japaneselawtranslation.go.jp/en/laws/view/2815 (in Jap-anese)
Government of Canada. (1999). Canadian Environmental Protection Act, 1999 (S.C. 1999, c. 33). Otta-wa: Government of Canada. Retrieved from https://laws-lois.justice.gc.ca/eng/acts/c-15.31/
ISO/IEC 22989:2022. Information technology. Artificial intelligence. Artificial intelligence concepts and terminology. Geneva: International Organization for Standardization, 2022. Retrieved from https://www.iso.org/standard/74296.html
Zhu, M., Wang, J., Yang, X., Zhang, Y., Zhang, L., Ren, H., Wu, B., & Ye, L. (2022). A review of the ap-plication of machine learning in water quality evaluation. Eco-Environment & Health, 1(2), 107-116. https://doi.org/10.1016/j.eehl.2022.06.001
Sergieieva K., Kavats O., Vasyliev V., Kavats Y., Kovrov O. (2024) Machine learning-based monitoring of war-damaged. water bodies in Ukraine using satellite images. Information Control Systems & Tech-nologies 3790, Retrieved from https://ceur-ws.org/Vol-3790/paper37.pdf
Yan, X., Zhang, T., Du, W., Meng, Q., Xu, X., & Zhao, X. (2024). A Comprehensive Review of Machine Learning for Water Quality Prediction over the Past Five Years. Journal of Marine Science and Engi-neering, 12(1), 159. https://doi.org/10.3390/jmse12010159
Guo H., Chen Z., Teo F.Y. (2024) Intelligent water quality prediction system with a hybrid CNN-LSTM model. Water Practice and Technology, 19 (11): 4538-4555. https://doi.org/10.2166/wpt.2024.282
Randika K. Makumbura, Lakindu Mampitiya, Namal Rathnayake, D.P.P. Meddage, Shagufta Henna, Tuan Linh Dang, Yukinobu Hoshino, Upaka Rathnayake (2024) Advancing water quality assessment and prediction using machine learning models, coupled with explainable artificial intelligence (XAI) techniques like shapley additive explanations (SHAP) for interpreting the black-box nature, Results in Engineering, 23. https://doi.org/10.1016/j.rineng.2024.102831
Naith, Q.H., Mancy, H. (2025). An IoT-Enabled Hybrid DRL-XAI Framework for Transparent Urban Water Management. Computer Modeling in Engineering & Sciences, 144(1), 387–405. https://doi.org/10.32604/cmes.2025.066917
Pereyra-Laguna, E., Ojeda-Castillo, V., Herrera-López, E. J., del Real-Olvera, J., Hernández-Mena, L., Vallejo-Rodríguez, R., & Díaz, J. (2025). Satellite-Based Prediction of Water Turbidity Using Surface Reflectance and Field Spectral Data in a Dynamic Tropical Lake. Remote Sensing, 17(15), 2595. https://doi.org/10.3390/rs17152595
Nikoo, M.R., Zamani, M.G., Zadeh, M.M. et al. (2024) Mapping reservoir water quality from Sentinel-2 satellite data based on a new approach of weighted averaging: Application of Bayesian maximum en-tropy. Sci Rep 14, 16438. https://doi.org/10.1038/s41598-024-66699-2
Sukkuea, A., Akkajit, P., Suwannarat, K., Foithong, P., Afsarimanesh, N., & Alahi, M. E. E. (2025). AI-Driven Time Series Forecasting of Coastal Water Quality Using Sentinel-2 Imagery: A Case Study in the Gulf of Thailand. Water, 17(12), 1798. https://doi.org/10.3390/w17121798
Jeong, D. S., Jeong, H., Kim, J. H., Kim, J. H., & Park, Y. (2024). A hybrid approach to improvement of watershed water quality modeling by coupling process-based and deep learning models. Water envi-ronment research, 96(8), e11079. https://doi.org/10.1002/wer.11079
Wu, J., & Wang, Z. (2022). A Hybrid Model for Water Quality Prediction Based on an Artificial Neural Network, Wavelet Transform, and Long Short-Term Memory. Water, 14(4), 610. https://doi.org/10.3390/w14040610
Su, J., Lin, Z., Xu, F., Fathi, G., & Alnowibet, K. A. (2024). A hybrid model of ARIMA and MLP with a Grasshopper optimization algorithm for time series forecasting of water quality. Scientific reports, 14(1), 23927. https://doi.org/10.1038/s41598-024-74144-7
Tryhuba, A., Mudryk, K., Tryhuba, I. et al. (2025). Models for sustainable management of livestock waste based on neural network architectures. Sci. Rep., 15, 28082 https://doi.org/10.1038/s41598-025-13150-9
Diachenko, Grygorii & Laktionov, Ivan & Vinyukov, Oleksandr & Likhushyna, Hanna. (2025). A Deci-sion Support System for Wheat Powdery Mildew Risk Prediction Using Weather Monitoring, Machine Learning and Explainable Artificial Intelligence. Computers and Electronics in Agriculture, 230, 109905. https://doi.org/10.1016/j.compag.2025.109905
Kashtan, V. Y., & Hnatushenko, V. V. (2024). Machine learning for automatic extraction of water bod-ies using sentinel-2 IMAGERY. Radio Electronics, Computer Science, Control, (1), 118. https://doi.org/10.15588/1607-3274-2024-1-11
Trach, R., Trach, Y., Kiersnowska, A., Markiewicz, A., Lendo-Siwicka, M., & Rusakov, K. (2022). A Study of Assessment and Prediction of Water Quality Index Using Fuzzy Logic and ANN Models. Sustainability, 14(9), 5656. https://doi.org/10.3390/su14095656
Авторське право (c) 2025 Терземан В. В., Юрасов С. М.
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License 4.0 International (CC BY 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
