წყლის ხარისხის ინდექსის პროგნოზირების გაუმჯობესება მგრძნობელობის ანალიზის მქონე დამხმარე ვექტორული მანქანის გამოყენებით

25 წლის განმავლობაში, მალაიზიის გარემოს დაცვის დეპარტამენტი (DOE) ნერგავდა წყლის ხარისხის ინდექსს (WQI), რომელიც იყენებს წყლის ხარისხის ექვს ძირითად პარამეტრს: გახსნილი ჟანგბადი (DO), ბიოქიმიური ჟანგბადის მოთხოვნა (BOD), ქიმიური ჟანგბადის მოთხოვნა (COD), pH, ამიაკის აზოტი (AN) და შეწონილი მყარი ნივთიერებები (SS). წყლის ხარისხის ანალიზი წყლის რესურსების მართვის მნიშვნელოვანი კომპონენტია და სათანადოდ უნდა იმართებოდეს დაბინძურებით გამოწვეული ეკოლოგიური ზიანის თავიდან ასაცილებლად და გარემოსდაცვითი რეგულაციების დაცვის უზრუნველსაყოფად. ეს ზრდის ანალიზის ეფექტური მეთოდების განსაზღვრის საჭიროებას. თანამედროვე გამოთვლების ერთ-ერთი მთავარი გამოწვევა ის არის, რომ ის მოითხოვს შრომატევადი, რთული და შეცდომებისადმი მიდრეკილი ქვეინდექსის გამოთვლების სერიას. გარდა ამისა, WQI-ის გამოთვლა შეუძლებელია, თუ წყლის ხარისხის ერთი ან მეტი პარამეტრი აკლია. ამ კვლევაში შემუშავებულია WQI-ის ოპტიმიზაციის მეთოდი მიმდინარე პროცესის სირთულისთვის. ლანგატის აუზში WQI-ის პროგნოზირების გასაუმჯობესებლად შემუშავდა და შესწავლილი იქნა მონაცემებზე დაფუძნებული მოდელირების პოტენციალი, კერძოდ, Nu-Radial ბაზისური ფუნქციის დამხმარე ვექტორული მანქანა (SVM), რომელიც დაფუძნებულია 10x ჯვარედინი ვალიდაციაზე. WQI-ის პროგნოზირებისას მოდელის ეფექტურობის დასადგენად ექვსი სცენარის მიხედვით ჩატარდა ყოვლისმომცველი მგრძნობელობის ანალიზი. პირველ შემთხვევაში, SVM-WQI მოდელმა აჩვენა DOE-WQI-ის რეპლიკაციის შესანიშნავი უნარი და მიიღო სტატისტიკური შედეგების ძალიან მაღალი დონე (კორელაციის კოეფიციენტი r > 0.95, ნეშ სატკლიფის ეფექტურობა, NSE >0.88, უილმოტის თანმიმდევრულობის ინდექსი, WI > 0.96). მეორე სცენარში, მოდელირების პროცესი აჩვენებს, რომ WQI-ის შეფასება შესაძლებელია ექვსი პარამეტრის გარეშე. ამრიგად, DO პარამეტრი WQI-ის განსაზღვრისას ყველაზე მნიშვნელოვანი ფაქტორია. pH-ს ყველაზე ნაკლები გავლენა აქვს WQI-ზე. გარდა ამისა, მე-3-დან მე-6 სცენარამდე ნაჩვენებია მოდელის ეფექტურობა დროისა და ღირებულების თვალსაზრისით, მოდელის შეყვანის კომბინაციაში ცვლადების რაოდენობის მინიმიზაციის გზით (r > 0.6, NSE >0.5 (კარგი), WI > 0.7 (ძალიან კარგი)). ერთად აღებული, მოდელი მნიშვნელოვნად გააუმჯობესებს და დააჩქარებს მონაცემებზე დაფუძნებულ გადაწყვეტილების მიღებას წყლის ხარისხის მართვაში, რაც მონაცემებს უფრო ხელმისაწვდომს და მიმზიდველს გახდის ადამიანის ჩარევის გარეშე.

1 შესავალი

ტერმინი „წყლის დაბინძურება“ წყლის რამდენიმე სახეობის დაბინძურებას გულისხმობს, მათ შორის ზედაპირული წყლების (ოკეანეები, ტბები და მდინარეები) და მიწისქვეშა წყლების. ამ პრობლემის ზრდის მნიშვნელოვანი ფაქტორია ის, რომ დამაბინძურებლები სათანადოდ არ იწმინდება წყლის ობიექტებში პირდაპირ ან ირიბად გაშვებამდე. წყლის ხარისხის ცვლილებები მნიშვნელოვან გავლენას ახდენს არა მხოლოდ საზღვაო გარემოზე, არამედ საზოგადოებრივი წყალმომარაგებისა და სოფლის მეურნეობისთვის მტკნარი წყლის ხელმისაწვდომობაზე. განვითარებად ქვეყნებში სწრაფი ეკონომიკური ზრდა ხშირია და ყველა პროექტი, რომელიც ხელს უწყობს ამ ზრდას, შეიძლება საზიანო იყოს გარემოსთვის. წყლის რესურსების გრძელვადიანი მართვისა და ადამიანებისა და გარემოს დაცვისთვის აუცილებელია წყლის ხარისხის მონიტორინგი და შეფასება. წყლის ხარისხის ინდექსი, ასევე ცნობილი როგორც WQI, მიღებულია წყლის ხარისხის მონაცემებიდან და გამოიყენება მდინარის წყლის ხარისხის ამჟამინდელი მდგომარეობის დასადგენად. წყლის ხარისხის ცვლილების ხარისხის შეფასებისას გასათვალისწინებელია მრავალი ცვლადი. WQI არის ინდექსი ყოველგვარი განზომილების გარეშე. იგი შედგება წყლის ხარისხის კონკრეტული პარამეტრებისგან. WQI წარმოადგენს მეთოდს ისტორიული და ამჟამინდელი წყლის ობიექტების ხარისხის კლასიფიკაციისთვის. WQI-ის მნიშვნელოვან მნიშვნელობას შეუძლია გავლენა მოახდინოს გადაწყვეტილების მიმღებთა გადაწყვეტილებებსა და ქმედებებზე. 1-დან 100-მდე შკალაზე, რაც უფრო მაღალია ინდექსი, მით უკეთესია წყლის ხარისხი. ზოგადად, 80 და მეტი ქულის მქონე მდინარის სადგურების წყლის ხარისხი აკმაყოფილებს სუფთა მდინარეების სტანდარტებს. 40-ზე ნაკლები WQI მნიშვნელობა დაბინძურებულად ითვლება, ხოლო 40-დან 80-მდე WQI მნიშვნელობა მიუთითებს, რომ წყლის ხარისხი მართლაც ოდნავ დაბინძურებულია.

ზოგადად, წყლის ხარისხის ინდექსის (WQI) გამოთვლა მოითხოვს ქვეინდექსების ტრანსფორმაციების ერთობლიობას, რომლებიც ხანგრძლივი, კომპლექსური და შეცდომებისადმი მიდრეკილია. წყლის ხარისხის ინდექსსა და წყლის ხარისხის სხვა პარამეტრებს შორის არსებობს რთული არაწრფივი ურთიერთქმედება. წყლის ხარისხის ინდექსების (WQI) გამოთვლა შეიძლება რთული იყოს და დიდი დრო დასჭირდეს, რადგან სხვადასხვა წყლის ხარისხის ინდექსები იყენებენ სხვადასხვა ფორმულებს, რამაც შეიძლება შეცდომები გამოიწვიოს. ერთ-ერთი მთავარი გამოწვევა ის არის, რომ შეუძლებელია წყლის ხარისხის ფორმულის გამოთვლა, თუ წყლის ხარისხის ერთი ან მეტი პარამეტრი აკლია. გარდა ამისა, ზოგიერთი სტანდარტი მოითხოვს ნიმუშების შეგროვების შრომატევად, ამომწურავ პროცედურებს, რომლებიც უნდა განახორციელონ კვალიფიციურმა პროფესიონალებმა ნიმუშების ზუსტი შემოწმებისა და შედეგების ჩვენების უზრუნველსაყოფად. ტექნოლოგიებისა და აღჭურვილობის გაუმჯობესების მიუხედავად, მდინარის წყლის ხარისხის ფართომასშტაბიანი დროითი და სივრცითი მონიტორინგი შეფერხებულია მაღალი ოპერაციული და მართვის ხარჯებით.

ეს განხილვა აჩვენებს, რომ არ არსებობს გლობალური მიდგომა WQI-ის მიმართ. ეს წარმოშობს WQI-ის გამოთვლის ალტერნატიული მეთოდების შემუშავების აუცილებლობას გამოთვლით ეფექტური და ზუსტი მეთოდით. ასეთი გაუმჯობესებები შეიძლება სასარგებლო იყოს გარემოსდაცვითი რესურსების მენეჯერებისთვის მდინარის წყლის ხარისხის მონიტორინგისა და შეფასებისთვის. ამ კონტექსტში, ზოგიერთმა მკვლევარმა წარმატებით გამოიყენა ხელოვნური ინტელექტი WQI-ის პროგნოზირებისთვის; ხელოვნურ ინტელექტზე დაფუძნებული მანქანური სწავლების მოდელირება თავს არიდებს ქვეინდექსის გამოთვლას და სწრაფად წარმოქმნის WQI შედეგებს. ხელოვნურ ინტელექტზე დაფუძნებული მანქანური სწავლების ალგორითმები პოპულარობას იძენს მათი არაწრფივი არქიტექტურის, რთული მოვლენების პროგნოზირების უნარის, სხვადასხვა ზომის მონაცემების ჩათვლით დიდი მონაცემთა ნაკრებების მართვის უნარის და არასრული მონაცემების მიმართ მგრძნობელობის არარსებობის გამო. მათი პროგნოზირების უნარი მთლიანად დამოკიდებულია მონაცემთა შეგროვებისა და დამუშავების მეთოდსა და სიზუსტეზე.