Για 25 χρόνια, το Υπουργείο Περιβάλλοντος (DOE) της Μαλαισίας εφαρμόζει έναν Δείκτη Ποιότητας Νερού (WQI) που χρησιμοποιεί έξι βασικές παραμέτρους ποιότητας νερού: διαλυμένο οξυγόνο (DO), βιοχημική ζήτηση οξυγόνου (BOD), χημική ζήτηση οξυγόνου (COD), pH, αμμωνιακό άζωτο (AN) και αιωρούμενα στερεά (SS). Η ανάλυση της ποιότητας του νερού αποτελεί σημαντικό στοιχείο της διαχείρισης των υδάτινων πόρων και πρέπει να διαχειρίζεται σωστά για την πρόληψη των οικολογικών ζημιών από τη ρύπανση και τη διασφάλιση της συμμόρφωσης με τους περιβαλλοντικούς κανονισμούς. Αυτό αυξάνει την ανάγκη καθορισμού αποτελεσματικών μεθόδων ανάλυσης. Μία από τις κύριες προκλήσεις της τρέχουσας πληροφορικής είναι ότι απαιτεί μια σειρά χρονοβόρων, πολύπλοκων και επιρρεπών σε σφάλματα υπολογισμών υποδεικτών. Επιπλέον, ο WQI δεν μπορεί να υπολογιστεί εάν λείπουν μία ή περισσότερες παράμετροι ποιότητας νερού. Σε αυτή τη μελέτη, αναπτύσσεται μια μέθοδος βελτιστοποίησης του WQI για την πολυπλοκότητα της τρέχουσας διαδικασίας. Αναπτύχθηκε και διερευνήθηκε το δυναμικό της μοντελοποίησης που βασίζεται σε δεδομένα, δηλαδή η μηχανή υποστήριξης διανυσμάτων Nu-Radial basis function support vector machine (SVM) που βασίζεται σε 10x cross-validation, για τη βελτίωση της πρόβλεψης του WQI στη λεκάνη Langat. Μια ολοκληρωμένη ανάλυση ευαισθησίας πραγματοποιήθηκε σε έξι σενάρια για να προσδιοριστεί η αποτελεσματικότητα του μοντέλου στην πρόβλεψη του WQI. Στην πρώτη περίπτωση, το μοντέλο SVM-WQI έδειξε εξαιρετική ικανότητα αναπαραγωγής του DOE-WQI και έλαβε πολύ υψηλά επίπεδα στατιστικών αποτελεσμάτων (συντελεστής συσχέτισης r > 0,95, απόδοση Nash Sutcliffe, NSE >0,88, δείκτης συνέπειας Willmott, WI > 0,96). Στο δεύτερο σενάριο, η διαδικασία μοντελοποίησης δείχνει ότι το WQI μπορεί να εκτιμηθεί χωρίς έξι παραμέτρους. Έτσι, η παράμετρος DO είναι ο πιο σημαντικός παράγοντας στον προσδιορισμό του WQI. Το pH έχει τη μικρότερη επίδραση στο WQI. Επιπλέον, τα Σενάρια 3 έως 6 δείχνουν την αποτελεσματικότητα του μοντέλου όσον αφορά τον χρόνο και το κόστος ελαχιστοποιώντας τον αριθμό των μεταβλητών στον συνδυασμό εισόδου του μοντέλου (r > 0,6, NSE >0,5 (καλό), WI > 0,7 (πολύ καλό)). Συνολικά, το μοντέλο θα βελτιώσει και θα επιταχύνει σημαντικά τη λήψη αποφάσεων που βασίζονται σε δεδομένα στη διαχείριση της ποιότητας του νερού, καθιστώντας τα δεδομένα πιο προσβάσιμα και ελκυστικά χωρίς ανθρώπινη παρέμβαση.
1 Εισαγωγή
Ο όρος «ρύπανση των υδάτων» αναφέρεται στη ρύπανση διαφόρων τύπων νερού, συμπεριλαμβανομένων των επιφανειακών υδάτων (ωκεανοί, λίμνες και ποτάμια) και των υπόγειων υδάτων. Ένας σημαντικός παράγοντας στην αύξηση αυτού του προβλήματος είναι ότι οι ρύποι δεν υποβάλλονται σε επαρκή επεξεργασία πριν απελευθερωθούν άμεσα ή έμμεσα σε υδάτινα σώματα. Οι αλλαγές στην ποιότητα του νερού έχουν σημαντικό αντίκτυπο όχι μόνο στο θαλάσσιο περιβάλλον, αλλά και στη διαθεσιμότητα γλυκού νερού για δημόσια ύδρευση και γεωργία. Στις αναπτυσσόμενες χώρες, η ταχεία οικονομική ανάπτυξη είναι συνηθισμένη και κάθε έργο που προωθεί αυτήν την ανάπτυξη μπορεί να είναι επιβλαβές για το περιβάλλον. Για τη μακροπρόθεσμη διαχείριση των υδάτινων πόρων και την προστασία των ανθρώπων και του περιβάλλοντος, η παρακολούθηση και η αξιολόγηση της ποιότητας του νερού είναι απαραίτητη. Ο Δείκτης Ποιότητας Νερού, γνωστός και ως WQI, προέρχεται από δεδομένα ποιότητας νερού και χρησιμοποιείται για τον προσδιορισμό της τρέχουσας κατάστασης της ποιότητας του νερού των ποταμών. Κατά την αξιολόγηση του βαθμού αλλαγής στην ποιότητα του νερού, πρέπει να λαμβάνονται υπόψη πολλές μεταβλητές. Ο WQI είναι ένας δείκτης χωρίς καμία διάσταση. Αποτελείται από συγκεκριμένες παραμέτρους ποιότητας νερού. Ο WQI παρέχει μια μέθοδο για την ταξινόμηση της ποιότητας των ιστορικών και των σημερινών υδάτινων σωμάτων. Η ουσιαστική αξία του WQI μπορεί να επηρεάσει τις αποφάσεις και τις ενέργειες των υπευθύνων λήψης αποφάσεων. Σε μια κλίμακα από 1 έως 100, όσο υψηλότερος είναι ο δείκτης, τόσο καλύτερη είναι η ποιότητα του νερού. Γενικά, η ποιότητα του νερού των ποταμών με βαθμολογία 80 και άνω πληροί τα πρότυπα για καθαρά ποτάμια. Μια τιμή WQI κάτω από 40 θεωρείται μολυσμένη, ενώ μια τιμή WQI μεταξύ 40 και 80 υποδηλώνει ότι η ποιότητα του νερού είναι πράγματι ελαφρώς μολυσμένη.
Γενικά, ο υπολογισμός του WQI απαιτεί ένα σύνολο μετασχηματισμών υποδεικτών που είναι μακροσκελείς, πολύπλοκοι και επιρρεπείς σε σφάλματα. Υπάρχουν πολύπλοκες μη γραμμικές αλληλεπιδράσεις μεταξύ του WQI και άλλων παραμέτρων ποιότητας νερού. Ο υπολογισμός των WQI μπορεί να είναι δύσκολος και να διαρκέσει πολύ, επειδή διαφορετικά WQI χρησιμοποιούν διαφορετικούς τύπους, κάτι που μπορεί να οδηγήσει σε σφάλματα. Μια σημαντική πρόκληση είναι ότι είναι αδύνατο να υπολογιστεί ο τύπος για το WQI εάν λείπουν μία ή περισσότερες παράμετροι ποιότητας νερού. Επιπλέον, ορισμένα πρότυπα απαιτούν χρονοβόρες, εξαντλητικές διαδικασίες συλλογής δειγμάτων που πρέπει να εκτελούνται από εκπαιδευμένους επαγγελματίες για να διασφαλιστεί η ακριβής εξέταση των δειγμάτων και η εμφάνιση των αποτελεσμάτων. Παρά τις βελτιώσεις στην τεχνολογία και τον εξοπλισμό, η εκτεταμένη χρονική και χωρική παρακολούθηση της ποιότητας των υδάτων των ποταμών έχει παρεμποδιστεί από το υψηλό λειτουργικό και διαχειριστικό κόστος.
Αυτή η συζήτηση δείχνει ότι δεν υπάρχει μια παγκόσμια προσέγγιση για τον WQI. Αυτό εγείρει την ανάγκη ανάπτυξης εναλλακτικών μεθόδων για τον υπολογισμό του WQI με υπολογιστικά αποτελεσματικό και ακριβή τρόπο. Τέτοιες βελτιώσεις μπορεί να είναι χρήσιμες για τους διαχειριστές περιβαλλοντικών πόρων για την παρακολούθηση και την αξιολόγηση της ποιότητας του νερού των ποταμών. Σε αυτό το πλαίσιο, ορισμένοι ερευνητές έχουν χρησιμοποιήσει με επιτυχία την Τεχνητή Νοημοσύνη (ΤΝ) για την πρόβλεψη του WQI. Η μοντελοποίηση μηχανικής μάθησης που βασίζεται στην ΤΝ αποφεύγει τον υπολογισμό υποδεικτών και παράγει γρήγορα αποτελέσματα WQI. Οι αλγόριθμοι μηχανικής μάθησης που βασίζονται στην ΤΝ κερδίζουν δημοτικότητα λόγω της μη γραμμικής αρχιτεκτονικής τους, της ικανότητάς τους να προβλέπουν πολύπλοκα συμβάντα, της ικανότητας διαχείρισης μεγάλων συνόλων δεδομένων, συμπεριλαμβανομένων δεδομένων ποικίλων μεγεθών, και της μη ευαισθησίας σε ελλιπή δεδομένα. Η προγνωστική τους ισχύς εξαρτάται εξ ολοκλήρου από τη μέθοδο και την ακρίβεια της συλλογής και επεξεργασίας δεδομένων.
Ώρα δημοσίευσης: 21 Νοεμβρίου 2024