Od 25 lat malezyjski Departament Środowiska (DOE) wdraża Wskaźnik Jakości Wody (WQI), który wykorzystuje sześć kluczowych parametrów jakości wody: tlen rozpuszczony (DO), biochemiczne zapotrzebowanie na tlen (BZT), chemiczne zapotrzebowanie na tlen (ChZT), pH, azot amonowy (AN) i zawiesiny (SS). Analiza jakości wody jest ważnym elementem zarządzania zasobami wodnymi i musi być prawidłowo przeprowadzana, aby zapobiegać szkodom ekologicznym spowodowanym zanieczyszczeniem i zapewnić zgodność z przepisami ochrony środowiska. Zwiększa to potrzebę zdefiniowania skutecznych metod analizy. Jednym z głównych wyzwań współczesnej informatyki jest konieczność przeprowadzania serii czasochłonnych, złożonych i podatnych na błędy obliczeń podindeksów. Ponadto, wskaźnika WQI nie można obliczyć, jeśli brakuje jednego lub więcej parametrów jakości wody. W niniejszym badaniu opracowano metodę optymalizacji wskaźnika WQI, uwzględniającą złożoność obecnego procesu. Opracowano i zbadano potencjał modelowania opartego na danych, a mianowicie Nu-Radialowej maszyny wektorów nośnych funkcji bazowych (SVM) opartej na 10-krotnej walidacji krzyżowej, w celu poprawy prognozowania WQI w dorzeczu Langata. Przeprowadzono kompleksową analizę wrażliwości w sześciu scenariuszach, aby określić efektywność modelu w prognozowaniu WQI. W pierwszym przypadku model SVM-WQI wykazał doskonałą zdolność do replikacji DOE-WQI i uzyskał bardzo wysoki poziom wyników statystycznych (współczynnik korelacji r > 0,95, efektywność Nasha-Sutcliffe'a, NSE > 0,88, wskaźnik spójności Willmotta, WI > 0,96). W drugim scenariuszu proces modelowania pokazuje, że WQI można oszacować bez sześciu parametrów. Zatem parametr DO jest najważniejszym czynnikiem w określaniu WQI. pH ma najmniejszy wpływ na WQI. Ponadto scenariusze od 3 do 6 pokazują efektywność modelu pod względem czasu i kosztów poprzez minimalizację liczby zmiennych w kombinacji danych wejściowych modelu (r > 0,6, NSE > 0,5 (dobrze), WI > 0,7 (bardzo dobrze)). Podsumowując, model ten znacznie usprawni i przyspieszy podejmowanie decyzji w oparciu o dane w zarządzaniu jakością wody, czyniąc dane bardziej dostępnymi i angażującymi bez ingerencji człowieka.
1 Wprowadzenie
Termin „zanieczyszczenie wody” odnosi się do zanieczyszczenia kilku rodzajów wód, w tym wód powierzchniowych (oceany, jeziora i rzeki) oraz wód podziemnych. Istotnym czynnikiem wzrostu tego problemu jest brak odpowiedniego oczyszczania zanieczyszczeń przed ich bezpośrednim lub pośrednim uwolnieniem do zbiorników wodnych. Zmiany jakości wody mają istotny wpływ nie tylko na środowisko morskie, ale także na dostępność słodkiej wody dla publicznych zasobów wodnych i rolnictwa. W krajach rozwijających się szybki wzrost gospodarczy jest powszechny, a każdy projekt, który go promuje, może być szkodliwy dla środowiska. Dla długoterminowego zarządzania zasobami wodnymi oraz ochrony ludzi i środowiska, monitorowanie i ocena jakości wody są niezbędne. Wskaźnik Jakości Wody, znany również jako WQI, jest wyprowadzany z danych dotyczących jakości wody i służy do określania aktualnego stanu jakości wód rzecznych. Oceniając stopień zmiany jakości wody, należy uwzględnić wiele zmiennych. WQI to wskaźnik bezwymiarowy. Składa się z określonych parametrów jakości wody. WQI stanowi metodę klasyfikacji jakości historycznych i obecnych zbiorników wodnych. Istotna wartość wskaźnika WQI może wpływać na decyzje i działania decydentów. W skali od 1 do 100, im wyższy wskaźnik, tym lepsza jakość wody. Ogólnie rzecz biorąc, jakość wody w stacjach rzecznych z wynikami 80 i wyższymi spełnia standardy czystości rzek. Wartość WQI poniżej 40 jest uważana za zanieczyszczoną, natomiast wartość WQI między 40 a 80 wskazuje, że woda jest rzeczywiście lekko zanieczyszczona.
Ogólnie rzecz biorąc, obliczenie wskaźnika WQI wymaga zestawu długotrwałych, złożonych i podatnych na błędy transformacji podindeksów. Istnieją złożone, nieliniowe interakcje między wskaźnikiem WQI a innymi parametrami jakości wody. Obliczanie wskaźników WQI może być trudne i czasochłonne, ponieważ różne wskaźniki WQI wykorzystują różne wzory, co może prowadzić do błędów. Jednym z głównych wyzwań jest to, że nie da się obliczyć wzoru dla wskaźnika WQI, jeśli brakuje jednego lub więcej parametrów jakości wody. Ponadto niektóre normy wymagają czasochłonnych i wyczerpujących procedur pobierania próbek, które muszą być przeprowadzane przez przeszkolonych specjalistów, aby zagwarantować dokładne badanie próbek i wyświetlanie wyników. Pomimo udoskonalenia technologii i sprzętu, szeroko zakrojony monitoring jakości wody w rzekach w czasie i przestrzeni jest utrudniony przez wysokie koszty operacyjne i zarządzania.
Niniejsza dyskusja pokazuje, że nie istnieje globalne podejście do wskaźnika jakości wody (WQI). Rodzi to potrzebę opracowania alternatywnych metod obliczania WQI w sposób wydajny obliczeniowo i dokładny. Takie udoskonalenia mogą być przydatne dla zarządzających zasobami środowiskowymi w monitorowaniu i ocenie jakości wody w rzekach. W tym kontekście niektórzy badacze z powodzeniem wykorzystali sztuczną inteligencję do przewidywania WQI; modelowanie uczenia maszynowego oparte na sztucznej inteligencji pozwala uniknąć obliczania podindeksów i szybko generuje wyniki WQI. Algorytmy uczenia maszynowego oparte na sztucznej inteligencji zyskują na popularności ze względu na swoją nieliniową architekturę, zdolność przewidywania złożonych zdarzeń, możliwość zarządzania dużymi zbiorami danych, w tym danymi o różnej wielkości, oraz niewrażliwość na dane niekompletne. Ich moc predykcyjna zależy wyłącznie od metody i precyzji gromadzenia i przetwarzania danych.
Czas publikacji: 21-11-2024