Sa loob ng 25 taon, ipinatupad ng Department of Environment (DOE) ng Malaysia ang Water Quality Index (WQI) na gumagamit ng anim na pangunahing parameter ng kalidad ng tubig: dissolved oxygen (DO), Biochemical Oxygen Demand (BOD), Chemical Oxygen Demand (COD), pH, ammonia nitrogen (AN) at suspended solids (SS). Ang pagsusuri sa kalidad ng tubig ay isang mahalagang bahagi ng pamamahala ng mga mapagkukunan ng tubig at dapat na maayos na pamahalaan upang maiwasan ang pagkasira ng ekolohiya mula sa polusyon at matiyak ang pagsunod sa mga regulasyon sa kapaligiran. Pinapataas nito ang pangangailangang tukuyin ang mga epektibong pamamaraan para sa pagsusuri. Ang isa sa mga pangunahing hamon ng kasalukuyang pag-compute ay nangangailangan ito ng isang serye ng mga kalkulasyon ng subindex na nakakaubos ng oras, kumplikado, at madaling magkamali. Bilang karagdagan, hindi maaaring kalkulahin ang WQI kung ang isa o higit pang mga parameter ng kalidad ng tubig ay nawawala. Sa pag-aaral na ito, ang isang paraan ng pag-optimize ng WQI ay binuo para sa pagiging kumplikado ng kasalukuyang proseso. Ang potensyal ng data-driven na pagmomodelo, katulad ng Nu-Radial basis function support vector machine (SVM) batay sa 10x cross-validation, ay binuo at ginalugad upang mapabuti ang hula ng WQI sa Langat basin. Ang isang komprehensibong pagsusuri sa sensitivity ay isinagawa sa ilalim ng anim na senaryo upang matukoy ang kahusayan ng modelo sa hula ng WQI. Sa unang kaso, ang modelong SVM-WQI ay nagpakita ng mahusay na kakayahan upang kopyahin ang DOE-WQI at nakakuha ng napakataas na antas ng mga istatistikal na resulta (correlation coefficient r > 0.95, Nash Sutcliffe efficiency, NSE > 0.88, Willmott's consistency index, WI > 0.96). Sa pangalawang senaryo, ang proseso ng pagmomodelo ay nagpapakita na ang WQI ay maaaring tantyahin nang walang anim na parameter. Kaya, ang DO parameter ay ang pinakamahalagang kadahilanan sa pagtukoy ng WQI. Ang pH ay may pinakamababang epekto sa WQI. Bilang karagdagan, ang Mga Sitwasyon 3 hanggang 6 ay nagpapakita ng kahusayan ng modelo sa mga tuntunin ng oras at gastos sa pamamagitan ng pagliit ng bilang ng mga variable sa kumbinasyon ng input ng modelo (r > 0.6, NSE >0.5 (mabuti), WI > 0.7 (napakahusay)). Kung pagsasama-samahin, ang modelo ay lubos na magpapahusay at magpapabilis ng data-driven na pagdedesisyon sa pamamahala ng kalidad ng tubig, na gagawing mas madaling ma-access at makatawag pansin ang data nang walang interbensyon ng tao.
1 Panimula
Ang terminong "polusyon sa tubig" ay tumutukoy sa polusyon ng ilang uri ng tubig, kabilang ang tubig sa ibabaw (mga karagatan, lawa, at ilog) at tubig sa lupa. Ang isang makabuluhang kadahilanan sa paglaki ng problemang ito ay ang mga pollutant ay hindi sapat na ginagamot bago ilabas nang direkta o hindi direkta sa mga katawan ng tubig. Ang mga pagbabago sa kalidad ng tubig ay may malaking epekto hindi lamang sa kapaligiran ng Marine, kundi pati na rin sa pagkakaroon ng sariwang tubig para sa mga pampublikong suplay ng tubig at agrikultura. Sa mga umuunlad na bansa, karaniwan ang mabilis na paglago ng ekonomiya, at ang bawat proyekto na nagtataguyod ng paglago na ito ay maaaring makapinsala sa kapaligiran. Para sa pangmatagalang pamamahala ng mga mapagkukunan ng tubig at proteksyon ng mga tao at kapaligiran, ang pagsubaybay at pagtatasa ng kalidad ng tubig ay mahalaga. Ang Water Quality Index, na kilala rin bilang WQI, ay nagmula sa data ng kalidad ng tubig at ginagamit upang matukoy ang kasalukuyang katayuan ng kalidad ng tubig sa ilog. Sa pagtatasa ng antas ng pagbabago sa kalidad ng tubig, maraming mga variable ang dapat isaalang-alang. Ang WQI ay isang index na walang anumang dimensyon. Binubuo ito ng mga tiyak na parameter ng kalidad ng tubig. Ang WQI ay nagbibigay ng isang paraan para sa pag-uuri ng kalidad ng makasaysayan at kasalukuyang mga anyong tubig. Ang makabuluhang halaga ng WQI ay maaaring makaimpluwensya sa mga desisyon at aksyon ng mga gumagawa ng desisyon. Sa sukat na 1 hanggang 100, mas mataas ang index, mas mahusay ang kalidad ng tubig. Sa pangkalahatan, ang kalidad ng tubig ng mga istasyon ng ilog na may markang 80 pataas ay nakakatugon sa mga pamantayan para sa malinis na ilog. Ang halaga ng WQI na mas mababa sa 40 ay itinuturing na kontaminado, habang ang isang halaga ng WQI sa pagitan ng 40 at 80 ay nagpapahiwatig na ang kalidad ng tubig ay talagang bahagyang kontaminado.
Sa pangkalahatan, ang pagkalkula ng WQI ay nangangailangan ng isang hanay ng mga pagbabagong subindex na mahaba, kumplikado, at madaling kapitan ng error. May mga kumplikadong nonlinear na pakikipag-ugnayan sa pagitan ng WQI at iba pang mga parameter ng kalidad ng tubig. Ang pagkalkula ng mga WQI ay maaaring maging mahirap at magtagal dahil ang iba't ibang WQI ay gumagamit ng iba't ibang mga formula, na maaaring humantong sa mga error. Ang isang malaking hamon ay imposibleng kalkulahin ang formula para sa WQI kung ang isa o higit pang mga parameter ng kalidad ng tubig ay nawawala. Bilang karagdagan, ang ilang mga pamantayan ay nangangailangan ng pag-ubos ng oras, kumpletong mga pamamaraan ng pagkolekta ng sample na dapat isagawa ng mga sinanay na propesyonal upang magarantiya ang tumpak na pagsusuri ng mga sample at pagpapakita ng mga resulta. Sa kabila ng mga pagpapabuti sa teknolohiya at kagamitan, ang malawak na temporal at spatial na pagsubaybay sa kalidad ng tubig sa ilog ay nahadlangan ng mataas na gastos sa pagpapatakbo at pamamahala.
Ipinapakita ng talakayang ito na walang pandaigdigang diskarte sa WQI. Pinapataas nito ang pangangailangang bumuo ng mga alternatibong pamamaraan para sa pagkalkula ng WQI sa isang mahusay at tumpak na paraan sa pagkalkula. Ang ganitong mga pagpapahusay ay maaaring maging kapaki-pakinabang para sa mga tagapamahala ng mapagkukunang pangkapaligiran upang masubaybayan at masuri ang kalidad ng tubig sa ilog. Sa kontekstong ito, matagumpay na ginamit ng ilang mananaliksik ang AI upang mahulaan ang WQI; Iniiwasan ng Ai-based na machine learning modeling ang pagkalkula ng sub-index at mabilis na bumubuo ng mga resulta ng WQI. Ang mga algorithm sa pag-aaral ng machine na nakabatay sa Ai ay nagiging popular dahil sa kanilang hindi linear na arkitektura, kakayahang hulaan ang mga kumplikadong kaganapan, kakayahang pamahalaan ang malalaking set ng data kabilang ang data na may iba't ibang laki, at kawalan ng pakiramdam sa hindi kumpletong data. Ang kanilang predictive power ay ganap na nakasalalay sa paraan at katumpakan ng pagkolekta at pagproseso ng data.
Oras ng post: Nob-21-2024