Malesian ympäristöministeriö (DOE) on 25 vuoden ajan ottanut käyttöön vedenlaatuindeksiä (WQI), joka käyttää kuutta keskeistä vedenlaatuparametria: liuennutta happea (DO), biokemiallista hapenkulutusta (BOD), kemiallista hapenkulutusta (COD), pH:ta, ammoniumtyppeä (AN) ja suspendoituneita kiintoaineita (SS). Vedenlaadun analysointi on tärkeä osa vesivarojen hallintaa, ja sitä on hallittava asianmukaisesti, jotta voidaan estää saasteiden aiheuttamat ekologiset vahingot ja varmistaa ympäristömääräysten noudattaminen. Tämä lisää tarvetta määritellä tehokkaita analyysimenetelmiä. Yksi nykyisen laskennan suurimmista haasteista on, että se vaatii useita aikaa vieviä, monimutkaisia ja virhealttiita aliindeksilaskelmia. Lisäksi WQI:tä ei voida laskea, jos yksi tai useampi vedenlaatuparametri puuttuu. Tässä tutkimuksessa kehitetään WQI:n optimointimenetelmä nykyisen prosessin monimutkaisuuden huomioon ottamiseksi. Datapohjaisen mallinnuksen, nimittäin 10-kertaiseen ristivalidointiin perustuvan Nu-Radial-perusfunktiotukivektorikoneen (SVM), potentiaalia kehitettiin ja tutkittiin WQI:n ennustamisen parantamiseksi Langatin altaassa. Mallin tehokkuuden määrittämiseksi vedenlaadun ennustamisessa suoritettiin kattava herkkyysanalyysi kuudessa skenaariossa. Ensimmäisessä tapauksessa SVM-WQI-malli osoitti erinomaista kykyä toistaa DOE-WQI ja saavutti erittäin korkeita tilastollisia tuloksia (korrelaatiokerroin r > 0,95, Nash Sutcliffe -tehokkuus, NSE > 0,88, Willmottin konsistenssi-indeksi, WI > 0,96). Toisessa skenaariossa mallinnusprosessi osoittaa, että vedenlaadun indeksi voidaan arvioida ilman kuutta parametria. Siten DO-parametri on tärkein tekijä vedenlaadun määrittämisessä. pH:lla on vähiten vaikutusta vedenlaadun indeksiin. Lisäksi skenaariot 3–6 osoittavat mallin tehokkuuden ajan ja kustannusten suhteen minimoimalla muuttujien määrän mallin syöttöyhdistelmässä (r > 0,6, NSE > 0,5 (hyvä), WI > 0,7 (erittäin hyvä)). Yhdessä malli parantaa ja nopeuttaa huomattavasti datalähtöistä päätöksentekoa vedenlaadun hallinnassa, mikä tekee datasta helpommin saatavilla olevaa ja kiinnostavampaa ilman ihmisen puuttumista asiaan.
1 Johdanto
Termi "veden saastuminen" viittaa useiden vesityyppien, mukaan lukien pintaveden (valtameret, järvet ja joet) ja pohjaveden, saastumiseen. Merkittävä tekijä tämän ongelman kasvussa on se, että epäpuhtauksia ei käsitellä riittävästi ennen niiden päästämistä suoraan tai epäsuorasti vesistöihin. Veden laadun muutoksilla on merkittävä vaikutus paitsi meriympäristöön, myös makean veden saatavuuteen julkisiin vesihuoltoihin ja maatalouteen. Kehitysmaissa nopea talouskasvu on yleistä, ja jokainen tätä kasvua edistävä hanke voi olla haitallista ympäristölle. Vesivarojen pitkän aikavälin hallinnan ja ihmisten ja ympäristön suojelemisen kannalta veden laadun seuranta ja arviointi on välttämätöntä. Vedenlaatuindeksi, joka tunnetaan myös nimellä WQI, on johdettu vedenlaatutiedoista ja sitä käytetään jokien vedenlaadun nykytilan määrittämiseen. Vedenlaadun muutoksen astetta arvioitaessa on otettava huomioon monia muuttujia. WQI on indeksi ilman dimensiota. Se koostuu erityisistä vedenlaatuparametreista. WQI tarjoaa menetelmän historiallisten ja nykyisten vesistöjen laadun luokittelemiseen. WQI:n merkityksellinen arvo voi vaikuttaa päätöksentekijöiden päätöksiin ja toimiin. Asteikolla 1–100, mitä korkeampi indeksi, sitä parempi vedenlaatu. Yleisesti ottaen jokien vedenlaatu, jonka pistemäärä on 80 tai enemmän, täyttää puhtaille jokille asetetut vaatimukset. Alle 40:n WQI-arvoa pidetään saastuneena, kun taas 40–80:n WQI-arvo osoittaa, että vedenlaatu on todellakin hieman saastunut.
Yleisesti ottaen vesilaatuindeksin (WQI) laskeminen vaatii joukon aliindeksimuunnoksia, jotka ovat pitkiä, monimutkaisia ja virhealttiita. Vesilaatuindeksin ja muiden vedenlaatuparametrien välillä on monimutkaisia epälineaarisia vuorovaikutuksia. Vesilaatuindeksien laskeminen voi olla vaikeaa ja viedä kauan aikaa, koska eri vesilaatuindeksit käyttävät erilaisia kaavoja, mikä voi johtaa virheisiin. Yksi merkittävä haaste on, että vesilaatuindeksin kaavaa on mahdotonta laskea, jos yksi tai useampi vedenlaatuparametri puuttuu. Lisäksi jotkut standardit vaativat aikaa vieviä ja kattavia näytteenottomenetelmiä, jotka koulutettujen ammattilaisten on suoritettava näytteiden tarkan tutkimuksen ja tulosten näyttämisen varmistamiseksi. Teknologian ja laitteiden parannuksista huolimatta laaja-alaista ajallista ja alueellista jokiveden laadun seurantaa ovat haitanneet korkeat toiminta- ja hallintakustannukset.
Tämä keskustelu osoittaa, ettei vedenlaatuindeksille ole olemassa globaalia lähestymistapaa. Tämä herättää tarpeen kehittää vaihtoehtoisia menetelmiä vedenlaatuindeksin laskemiseksi laskennallisesti tehokkaalla ja tarkalla tavalla. Tällaiset parannukset voivat olla hyödyllisiä ympäristöresurssien hallinnoijille jokien vedenlaadun seurannassa ja arvioinnissa. Tässä yhteydessä jotkut tutkijat ovat onnistuneesti käyttäneet tekoälyä vedenlaatuindeksin ennustamiseen; tekoälypohjainen koneoppimismallinnus välttää aliindeksien laskennan ja tuottaa nopeasti vedenlaatuindeksituloksia. Tekoälypohjaiset koneoppimisalgoritmit ovat kasvattaneet suosiotaan epälineaarisen arkkitehtuurinsa, kykynsä ennustaa monimutkaisia tapahtumia, kykynsä hallita suuria tietojoukkoja, jotka sisältävät erikokoisia tietoja, ja epäherkkyyden ansiosta epätäydelliselle datalle. Niiden ennustuskyky riippuu täysin tiedonkeruun ja -käsittelyn menetelmästä ja tarkkuudesta.
Julkaisun aika: 21.11.2024