Het Maleisische Ministerie van Milieu (DOE) hanteert al 25 jaar een waterkwaliteitsindex (WQI) die gebruikmaakt van zes belangrijke waterkwaliteitsparameters: opgeloste zuurstof (DO), biochemische zuurstofbehoefte (BOD), chemische zuurstofbehoefte (COD), pH, ammoniakstikstof (AN) en zwevende deeltjes (SS). Waterkwaliteitsanalyse is een belangrijk onderdeel van waterbeheer en moet goed worden uitgevoerd om ecologische schade door vervuiling te voorkomen en te voldoen aan milieuregelgeving. Dit verhoogt de behoefte aan effectieve analysemethoden. Een van de grootste uitdagingen van de huidige computerberekeningen is dat ze een reeks tijdrovende, complexe en foutgevoelige subindexberekeningen vereisen. Bovendien kan de WQI niet worden berekend als een of meer waterkwaliteitsparameters ontbreken. In deze studie wordt een optimalisatiemethode voor de WQI ontwikkeld om de complexiteit van het huidige proces te verminderen. De mogelijkheden van datagestuurde modellering, met name een Nu-Radial basisfunctie support vector machine (SVM) gebaseerd op 10x kruisvalidatie, werden 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 de waterkwaliteitsindex (WQI) te bepalen. In het eerste geval bleek het SVM-WQI-model uitstekend in staat om de DOE-WQI te repliceren en behaalde het zeer hoge statistische resultaten (correlatiecoëfficiënt r > 0,95, Nash-Sutcliffe-efficiëntie, NSE > 0,88, Willmott-consistentie-index, WI > 0,96). In het tweede scenario toonde het modelleringsproces aan dat de WQI kan worden geschat zonder zes parameters. De DO-parameter is dus de belangrijkste factor bij het bepalen van de WQI. De pH heeft de minste invloed op de WQI. Bovendien tonen scenario's 3 tot en met 6 de efficiëntie van het model in termen van tijd en kosten aan door het aantal variabelen in de modelinputcombinatie te minimaliseren (r > 0,6, NSE > 0,5 (goed), WI > 0,7 (zeer goed)). Al met al zal het model de datagestuurde besluitvorming in het waterkwaliteitsbeheer aanzienlijk verbeteren en versnellen, waardoor data toegankelijker en aantrekkelijker worden zonder menselijke tussenkomst.
1 Inleiding
De term 'watervervuiling' verwijst naar de vervuiling 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 gezuiverd 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 de openbare watervoorziening en de 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 monitoring en beoordeling van de waterkwaliteit essentieel. De waterkwaliteitsindex, ook wel WQI genoemd, is afgeleid van waterkwaliteitsgegevens en wordt gebruikt om de huidige status van de waterkwaliteit van rivieren te bepalen. Bij het beoordelen van de mate van verandering in de waterkwaliteit moet rekening worden gehouden met veel variabelen. De WQI is een dimensieloze index. Deze bestaat uit specifieke waterkwaliteitsparameters. De WQI biedt een methode om de kwaliteit van historische en huidige waterlichamen te classificeren. De betekenisvolle waarde van de WQI kan de beslissingen en acties van beleidsmakers 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 of hoger aan de normen voor schone rivieren. Een WQI-waarde onder de 40 wordt beschouwd als vervuild, terwijl een WQI-waarde tussen 40 en 80 aangeeft dat de waterkwaliteit inderdaad licht vervuild is.
Over het algemeen vereist de berekening van de waterkwaliteitsindex (WQI) een reeks subindex-transformaties die lang, complex en foutgevoelig zijn. Er bestaan complexe niet-lineaire interacties tussen de WQI en andere waterkwaliteitsparameters. Het berekenen van WQI's kan moeilijk en tijdrovend zijn, 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 procedures voor monstername die moeten worden uitgevoerd door getrainde professionals om een nauwkeurige analyse van de monsters en de weergave van de resultaten te garanderen. Ondanks verbeteringen in technologie en apparatuur wordt uitgebreide monitoring van de waterkwaliteit van rivieren in tijd en ruimte belemmerd door hoge operationele en beheerkosten.
Deze discussie laat zien dat er geen universele aanpak is voor de waterkwaliteitsindex (WQI). Dit benadrukt de noodzaak om alternatieve methoden te ontwikkelen voor het berekenen van de WQI op een computationeel efficiënte en nauwkeurige manier. Dergelijke verbeteringen kunnen nuttig zijn voor beheerders van milieubronnen om de waterkwaliteit van rivieren te monitoren en te beoordelen. In dit kader hebben sommige onderzoekers met succes AI gebruikt om de WQI te voorspellen; AI-gebaseerde machine learning-modellen vermijden de berekening van subindices en genereren snel WQI-resultaten. AI-gebaseerde machine learning-algoritmen winnen aan populariteit vanwege hun niet-lineaire architectuur, het vermogen om complexe gebeurtenissen te voorspellen, het vermogen om grote datasets te verwerken, inclusief data van verschillende groottes, en hun ongevoeligheid voor onvolledige data. Hun voorspellende kracht is volledig afhankelijk van de methode en precisie van dataverzameling en -verwerking.
Geplaatst op: 21 november 2024