Forbedring av vannkvalitetsindeksprediksjon ved bruk av støttevektormaskin med følsomhetsanalyse

I 25 år har Malaysias miljødepartement (DOE) implementert en vannkvalitetsindeks (WQI) som bruker seks viktige vannkvalitetsparametere: oppløst oksygen (DO), biokjemisk oksygenforbruk (BOD), kjemisk oksygenforbruk (COD), pH, ammoniakknitrogen (AN) og suspenderte faste stoffer (SS). Vannkvalitetsanalyse er en viktig komponent i vannressursforvaltningen og må håndteres riktig for å forhindre økologisk skade fra forurensning og sikre samsvar med miljøforskrifter. Dette øker behovet for å definere effektive analysemetoder. En av hovedutfordringene med dagens databehandling er at det krever en rekke tidkrevende, komplekse og feilutsatte delindeksberegninger. I tillegg kan ikke WQI beregnes hvis en eller flere vannkvalitetsparametere mangler. I denne studien utvikles en optimaliseringsmetode for WQI for kompleksiteten i dagens prosess. Potensialet for datadrevet modellering, nemlig Nu-Radial basis function support vector machine (SVM) basert på 10x kryssvalidering, ble utviklet og utforsket for å forbedre prediksjonen av WQI i Langat-bassenget. En omfattende sensitivitetsanalyse ble utført under seks scenarier for å bestemme modellens effektivitet i WQI-prediksjon. I det første tilfellet viste modellen SVM-WQI utmerket evne til å replikere DOE-WQI og oppnådde svært høye nivåer av statistiske resultater (korrelasjonskoeffisient r > 0,95, Nash Sutcliffe-effektivitet, NSE > 0,88, Willmotts konsistensindeks, WI > 0,96). I det andre scenariet viser modelleringsprosessen at WQI kan estimeres uten seks parametere. Dermed er DO-parameteren den viktigste faktoren for å bestemme WQI. pH har minst effekt på WQI. I tillegg viser scenario 3 til 6 modellens effektivitet når det gjelder tid og kostnader ved å minimere antall variabler i modellens inputkombinasjon (r > 0,6, NSE > 0,5 (god), WI > 0,7 (svært god)). Samlet sett vil modellen forbedre og akselerere datadrevet beslutningstaking innen vannkvalitetsforvaltning betraktelig, noe som gjør data mer tilgjengelige og engasjerende uten menneskelig inngripen.

1 Innledning

Begrepet «vannforurensning» refererer til forurensning av flere typer vann, inkludert overflatevann (hav, innsjøer og elver) og grunnvann. En betydelig faktor i veksten av dette problemet er at forurensende stoffer ikke blir tilstrekkelig behandlet før de slippes ut direkte eller indirekte i vannforekomster. Endringer i vannkvaliteten har en betydelig innvirkning ikke bare på det marine miljøet, men også på tilgjengeligheten av ferskvann til offentlige vannforsyninger og landbruk. I utviklingsland er rask økonomisk vekst vanlig, og ethvert prosjekt som fremmer denne veksten kan være skadelig for miljøet. For langsiktig forvaltning av vannressurser og beskyttelse av mennesker og miljø er overvåking og vurdering av vannkvaliteten avgjørende. Vannkvalitetsindeksen, også kjent som WQI, er utledet fra vannkvalitetsdata og brukes til å bestemme den nåværende statusen for elvevannskvaliteten. Ved vurdering av graden av endring i vannkvaliteten må mange variabler vurderes. WQI er en indeks uten noen dimensjon. Den består av spesifikke vannkvalitetsparametere. WQI gir en metode for å klassifisere kvaliteten på historiske og nåværende vannforekomster. Den meningsfulle verdien av WQI kan påvirke beslutningstakernes beslutninger og handlinger. På en skala fra 1 til 100, jo høyere indeksen er, desto bedre er vannkvaliteten. Generelt sett oppfyller vannkvaliteten på elvestasjoner med en score på 80 og over standardene for rene elver. En WQI-verdi under 40 anses som forurenset, mens en WQI-verdi mellom 40 og 80 indikerer at vannkvaliteten faktisk er litt forurenset.

Generelt krever beregning av vannkvalitetsinnhold (WQI) et sett med subindekstransformasjoner som er lange, komplekse og feilutsatte. Det er komplekse ikke-lineære interaksjoner mellom WQI og andre vannkvalitetsparametere. Beregning av WQI-er kan være vanskelig og ta lang tid fordi forskjellige WQI-er bruker forskjellige formler, noe som kan føre til feil. En stor utfordring er at det er umulig å beregne formelen for WQI hvis én eller flere vannkvalitetsparametere mangler. I tillegg krever noen standarder tidkrevende og uttømmende prøveinnsamlingsprosedyrer som må utføres av trente fagfolk for å garantere nøyaktig undersøkelse av prøver og visning av resultater. Til tross for forbedringer i teknologi og utstyr har omfattende tidsmessig og romlig overvåking av elvevannskvaliteten blitt hindret av høye drifts- og forvaltningskostnader.

Denne diskusjonen viser at det ikke finnes noen global tilnærming til vannkvalitetsinnhold i elver. Dette reiser behovet for å utvikle alternative metoder for å beregne vannkvalitetsinnhold i elver på en beregningseffektiv og nøyaktig måte. Slike forbedringer kan være nyttige for miljøressursforvaltere for å overvåke og vurdere elvevannskvaliteten. I denne sammenhengen har noen forskere brukt kunstig intelligens med hell til å forutsi vannkvalitetsinnhold i elver. Kunstig intelligens-basert maskinlæringsmodellering unngår delindeksberegning og genererer raskt vannkvalitetsinnholdsresultater. Kunstig intelligens-baserte maskinlæringsalgoritmer blir stadig mer populære på grunn av sin ikke-lineære arkitektur, evne til å forutsi komplekse hendelser, evne til å håndtere store datasett, inkludert data av varierende størrelser, og ufølsomhet for ufullstendige data. Deres prediktive kraft avhenger helt av metoden og presisjonen for datainnsamling og -behandling.