Het Maleisische ministerie van Milieu (DOE) hanteert al 25 jaar een waterkwaliteitsindex (WQI) die gebruikmaakt van zes belangrijke parameters voor waterkwaliteit: opgeloste zuurstof (DO), biochemische zuurstofvraag (BZV), chemische zuurstofvraag (CZV), pH, ammoniakstikstof (AN) en zwevende deeltjes (SS). Waterkwaliteitsanalyse is een belangrijk onderdeel van waterbeheer en moet goed worden beheerd om ecologische schade door vervuiling te voorkomen en naleving van milieuregelgeving te garanderen. Dit vergroot de noodzaak om effectieve analysemethoden te definiëren. Een van de grootste uitdagingen van de huidige computertechnologie is dat deze een reeks tijdrovende, complexe en foutgevoelige subindexberekeningen vereist. Bovendien kan de WQI niet worden berekend als een of meer waterkwaliteitsparameters ontbreken. In deze studie is een optimalisatiemethode voor de WQI ontwikkeld voor de complexiteit van het huidige proces. Het potentieel van datagestuurde modellering, namelijk de Nu-Radial basisfunctie support vector machine (SVM) op basis van 10x kruisvalidatie, werd ontwikkeld en onderzocht om de voorspelling van de WQI in het Langat-bekken te verbeteren. Er werd een uitgebreide gevoeligheidsanalyse uitgevoerd onder zes scenario's om de efficiëntie van het model bij de voorspelling van waterkwaliteitsindex (WQI) te bepalen. In het eerste geval toonde het model SVM-WQI een uitstekend vermogen om DOE-WQI te repliceren en behaalde het zeer hoge statistische resultaten (correlatiecoëfficiënt r > 0,95, Nash Sutcliffe-efficiëntie, NSE > 0,88, Willmott's consistentie-index, WI > 0,96). In het tweede scenario laat het modelleringsproces zien dat WQI kan worden geschat zonder zes parameters. De DO-parameter is dus de belangrijkste factor bij het bepalen van WQI. pH heeft de minste invloed op WQI. Bovendien tonen scenario's 3 tot en met 6 de efficiëntie van het model in termen van tijd en kosten door het aantal variabelen in de modelinvoercombinatie te minimaliseren (r > 0,6, NSE > 0,5 (goed), WI > 0,7 (zeer goed)). Als geheel zal het model de op data gebaseerde besluitvorming op het gebied van waterkwaliteitsbeheer aanzienlijk verbeteren en versnellen, waardoor gegevens toegankelijker en interessanter worden zonder menselijke tussenkomst.
1 Inleiding
De term "waterverontreiniging" verwijst naar de verontreiniging van verschillende soorten water, waaronder oppervlaktewater (oceanen, meren en rivieren) en grondwater. Een belangrijke factor in de groei van dit probleem is dat verontreinigende stoffen niet adequaat worden behandeld voordat ze direct of indirect in waterlichamen worden geloosd. Veranderingen in de waterkwaliteit hebben niet alleen een aanzienlijke impact op het mariene milieu, maar ook op de beschikbaarheid van zoet water voor openbare watervoorzieningen en landbouw. In ontwikkelingslanden is snelle economische groei gebruikelijk, en elk project dat deze groei bevordert, kan schadelijk zijn voor het milieu. Voor het beheer van waterbronnen op de lange termijn en de bescherming van mens en milieu is het monitoren en beoordelen van de waterkwaliteit essentieel. De Waterkwaliteitsindex, ook wel WQI genoemd, is afgeleid van waterkwaliteitsgegevens en wordt gebruikt om de huidige status van de rivierwaterkwaliteit te bepalen. Bij het beoordelen van de mate van verandering in de waterkwaliteit moeten veel variabelen in aanmerking worden genomen. WQI is een index zonder dimensie. Hij bestaat uit specifieke waterkwaliteitsparameters. De WQI biedt een methode voor het classificeren van de kwaliteit van historische en huidige waterlichamen. De betekenisvolle waarde van de waterkwaliteitsindex (WQI) kan de beslissingen en acties van besluitvormers beïnvloeden. Op een schaal van 1 tot 100 geldt: hoe hoger de index, hoe beter de waterkwaliteit. Over het algemeen voldoet de waterkwaliteit van rivierstations met een score van 80 en hoger aan de normen voor schone rivieren. Een WQI-waarde lager dan 40 wordt beschouwd als verontreinigd, terwijl een WQI-waarde tussen 40 en 80 aangeeft dat de waterkwaliteit inderdaad licht verontreinigd is.
Over het algemeen vereist het berekenen van de waterkwaliteitsindex (WQI) een reeks subindextransformaties die lang, complex en foutgevoelig zijn. Er zijn complexe niet-lineaire interacties tussen de WQI en andere waterkwaliteitsparameters. Het berekenen van de WQI kan lastig zijn en veel tijd kosten, omdat verschillende WQI's verschillende formules gebruiken, wat tot fouten kan leiden. Een grote uitdaging is dat het onmogelijk is om de formule voor de WQI te berekenen als een of meer waterkwaliteitsparameters ontbreken. Bovendien vereisen sommige normen tijdrovende, uitgebreide monsternameprocedures die door getrainde professionals moeten worden uitgevoerd om een nauwkeurig onderzoek van de monsters en de weergave van de resultaten te garanderen. Ondanks verbeteringen in technologie en apparatuur wordt uitgebreide monitoring van de waterkwaliteit in rivieren, zowel in tijd als ruimte, belemmerd door hoge operationele en beheerkosten.
Deze discussie toont aan dat er geen wereldwijde aanpak voor waterkwaliteitsanalyse (WQI) bestaat. Dit roept de behoefte op om alternatieve methoden te ontwikkelen voor het berekenen van waterkwaliteitsanalyse (WQI) op een computationeel efficiënte en nauwkeurige manier. Dergelijke verbeteringen kunnen nuttig zijn voor beheerders van milieubronnen om de kwaliteit van rivierwater te monitoren en te beoordelen. In deze context hebben sommige onderzoekers met succes AI gebruikt om waterkwaliteitsanalyse (WQI) te voorspellen; AI-gebaseerde machine learning-modellen vermijden subindexberekening en genereren snel WQI-resultaten. AI-gebaseerde machine learning-algoritmen winnen aan populariteit vanwege hun niet-lineaire architectuur, hun vermogen om complexe gebeurtenissen te voorspellen, hun vermogen om grote datasets te beheren, inclusief gegevens van verschillende omvang, en hun ongevoeligheid voor onvolledige gegevens. Hun voorspellende kracht hangt volledig af van de methode en nauwkeurigheid van de gegevensverzameling en -verwerking.
Plaatsingstijd: 21-11-2024