I 25 år har Malaysias miljøministerium (DOE) implementeret et vandkvalitetsindeks (WQI), der bruger seks centrale vandkvalitetsparametre: opløst ilt (DO), biokemisk iltforbrug (BOD), kemisk iltforbrug (COD), pH, ammoniaknitrogen (AN) og suspenderet stof (SS). Vandkvalitetsanalyse er en vigtig del af vandressourceforvaltningen og skal forvaltes korrekt for at forhindre økologiske skader fra forurening og sikre overholdelse af miljøbestemmelser. Dette øger behovet for at definere effektive analysemetoder. En af de største udfordringer ved den nuværende databehandling er, at det kræver en række tidskrævende, komplekse og fejlbehæftede delindeksberegninger. Derudover kan WQI ikke beregnes, hvis en eller flere vandkvalitetsparametre mangler. I denne undersøgelse udvikles en optimeringsmetode til WQI til kompleksiteten af den nuværende proces. Potentialet for datadrevet modellering, nemlig Nu-Radial basisfunction support vector machine (SVM) baseret på 10x krydsvalidering, blev udviklet og udforsket for at forbedre forudsigelsen af WQI i Langat-bassinet. En omfattende følsomhedsanalyse blev udført under seks scenarier for at bestemme modellens effektivitet i forbindelse med WQI-forudsigelser. I det første tilfælde viste modellen SVM-WQI fremragende evne til at replikere DOE-WQI og opnåede meget høje niveauer af statistiske resultater (korrelationskoefficient r > 0,95, Nash Sutcliffe-effektivitet, NSE > 0,88, Willmotts konsistensindeks, WI > 0,96). I det andet scenarie viser modelleringsprocessen, at WQI kan estimeres uden seks parametre. DO-parameteren er således den vigtigste faktor i bestemmelsen af WQI. pH har den mindste effekt på WQI. Derudover viser scenarie 3 til 6 modellens effektivitet med hensyn til tid og omkostninger ved at minimere antallet af variabler i modellens inputkombination (r > 0,6, NSE > 0,5 (god), WI > 0,7 (meget god)). Samlet set vil modellen i høj grad forbedre og accelerere datadrevet beslutningstagning inden for vandkvalitetsforvaltning, hvilket gør data mere tilgængelige og engagerende uden menneskelig indgriben.
1 Introduktion
Udtrykket "vandforurening" refererer til forurening af flere typer vand, herunder overfladevand (havene, søer og floder) og grundvand. En væsentlig faktor i væksten af dette problem er, at forurenende stoffer ikke behandles tilstrækkeligt, før de udledes direkte eller indirekte i vandområder. Ændringer i vandkvaliteten har en betydelig indvirkning ikke kun på havmiljøet, men også på tilgængeligheden af ferskvand til offentlige vandforsyninger og landbrug. I udviklingslande er hurtig økonomisk vækst almindelig, og ethvert projekt, der fremmer denne vækst, kan være skadeligt for miljøet. For den langsigtede forvaltning af vandressourcer og beskyttelsen af mennesker og miljøet er overvågning og vurdering af vandkvaliteten afgørende. Vandkvalitetsindekset, også kendt som WQI, er afledt af vandkvalitetsdata og bruges til at bestemme den aktuelle status for flodvandkvaliteten. Ved vurderingen af graden af ændring i vandkvaliteten skal mange variabler tages i betragtning. WQI er et indeks uden nogen dimension. Det består af specifikke vandkvalitetsparametre. WQI giver en metode til at klassificere kvaliteten af historiske og nuværende vandområder. Den meningsfulde værdi af WQI kan påvirke beslutningstagernes beslutninger og handlinger. På en skala fra 1 til 100 gælder, at jo højere indekset er, desto bedre er vandkvaliteten. Generelt opfylder vandkvaliteten i flodstationer med en score på 80 og derover standarderne for rene floder. En WQI-værdi under 40 betragtes som forurenet, mens en WQI-værdi mellem 40 og 80 indikerer, at vandkvaliteten faktisk er let forurenet.
Generelt kræver beregning af vandkvalitetsindekset (WQI) et sæt subindekstransformationer, der er lange, komplekse og fejlbehæftede. Der er komplekse ikke-lineære interaktioner mellem WQI og andre vandkvalitetsparametre. Beregning af WQI'er kan være vanskeligt og tage lang tid, fordi forskellige WQI'er bruger forskellige formler, hvilket kan føre til fejl. En stor udfordring er, at det er umuligt at beregne formlen for WQI, hvis en eller flere vandkvalitetsparametre mangler. Derudover kræver nogle standarder tidskrævende og udtømmende prøveindsamlingsprocedurer, der skal udføres af uddannede fagfolk for at garantere nøjagtig undersøgelse af prøver og visning af resultater. Trods forbedringer i teknologi og udstyr er omfattende tidsmæssig og rumlig overvågning af flodvandskvaliteten blevet hæmmet af høje drifts- og forvaltningsomkostninger.
Denne diskussion viser, at der ikke findes nogen global tilgang til vandkvalitetsindtægter (WQI). Dette rejser behovet for at udvikle alternative metoder til at beregne WQI på en beregningsmæssigt effektiv og præcis måde. Sådanne forbedringer kan være nyttige for miljøressourceforvaltere til at overvåge og vurdere flodvandskvaliteten. I denne sammenhæng har nogle forskere med succes brugt AI til at forudsige WQI; AI-baseret maskinlæringsmodellering undgår subindeksberegning og genererer hurtigt WQI-resultater. AI-baserede maskinlæringsalgoritmer vinder popularitet på grund af deres ikke-lineære arkitektur, evne til at forudsige komplekse begivenheder, evne til at håndtere store datasæt, herunder data af varierende størrelser, og ufølsomhed over for ufuldstændige data. Deres prædiktive kraft afhænger helt af metoden og præcisionen i dataindsamling og -behandling.
Opslagstidspunkt: 21. november 2024