సున్నితత్వ విశ్లేషణతో సపోర్ట్ వెక్టర్ యంత్రాన్ని ఉపయోగించి నీటి నాణ్యత సూచిక అంచనాను మెరుగుపరచడం.

25 సంవత్సరాలుగా, మలేషియా పర్యావరణ శాఖ (DOE) నీటి నాణ్యత సూచిక (WQI) ను అమలు చేస్తోంది, ఇది ఆరు ముఖ్యమైన నీటి నాణ్యత పారామితులను ఉపయోగిస్తుంది: కరిగిన ఆక్సిజన్ (DO), బయోకెమికల్ ఆక్సిజన్ డిమాండ్ (BOD), రసాయన ఆక్సిజన్ డిమాండ్ (COD), pH, అమ్మోనియా నైట్రోజన్ (AN) మరియు సస్పెండ్ చేయబడిన ఘనపదార్థాలు (SS). నీటి నాణ్యత విశ్లేషణ నీటి వనరుల నిర్వహణలో ఒక ముఖ్యమైన భాగం మరియు కాలుష్యం నుండి పర్యావరణ నష్టాన్ని నివారించడానికి మరియు పర్యావరణ నిబంధనలకు అనుగుణంగా ఉండేలా చూసుకోవడానికి దీనిని సరిగ్గా నిర్వహించాలి. ఇది విశ్లేషణ కోసం ప్రభావవంతమైన పద్ధతులను నిర్వచించాల్సిన అవసరాన్ని పెంచుతుంది. ప్రస్తుత కంప్యూటింగ్ యొక్క ప్రధాన సవాళ్లలో ఒకటి, దీనికి సమయం తీసుకునే, సంక్లిష్టమైన మరియు దోషాలకు గురయ్యే సబ్‌ఇండెక్స్ గణనల శ్రేణి అవసరం. అదనంగా, ఒకటి లేదా అంతకంటే ఎక్కువ నీటి నాణ్యత పారామితులు లేకుంటే WQIని లెక్కించలేము. ఈ అధ్యయనంలో, ప్రస్తుత ప్రక్రియ యొక్క సంక్లిష్టత కోసం WQI యొక్క ఆప్టిమైజేషన్ పద్ధతిని అభివృద్ధి చేశారు. 10x క్రాస్-వాలిడేషన్ ఆధారంగా డేటా-ఆధారిత మోడలింగ్ యొక్క సంభావ్యత, అవి లంగేట్ బేసిన్‌లో WQI యొక్క అంచనాను మెరుగుపరచడానికి Nu-Radial బేసిస్ ఫంక్షన్ సపోర్ట్ వెక్టర్ మెషిన్ (SVM) అభివృద్ధి చేయబడింది మరియు అన్వేషించబడింది. WQI అంచనాలో మోడల్ యొక్క సామర్థ్యాన్ని నిర్ణయించడానికి ఆరు దృశ్యాల కింద సమగ్ర సున్నితత్వ విశ్లేషణ నిర్వహించబడింది. మొదటి సందర్భంలో, మోడల్ SVM-WQI DOE-WQIని ప్రతిబింబించే అద్భుతమైన సామర్థ్యాన్ని చూపించింది మరియు చాలా ఎక్కువ స్థాయి గణాంక ఫలితాలను పొందింది (సహసంబంధ గుణకం r > 0.95, నాష్ సట్‌క్లిఫ్ సామర్థ్యం, NSE >0.88, విల్‌మోట్ యొక్క స్థిరత్వ సూచిక, WI > 0.96). రెండవ దృశ్యంలో, మోడలింగ్ ప్రక్రియ ఆరు పారామితులు లేకుండా WQIని అంచనా వేయవచ్చని చూపిస్తుంది. అందువల్ల, WQIని నిర్ణయించడంలో DO పరామితి అత్యంత ముఖ్యమైన అంశం. pH WQIపై అతి తక్కువ ప్రభావాన్ని చూపుతుంది. అదనంగా, దృశ్యాలు 3 నుండి 6 వరకు మోడల్ ఇన్‌పుట్ కలయికలో వేరియబుల్స్ సంఖ్యను తగ్గించడం ద్వారా సమయం మరియు ఖర్చు పరంగా మోడల్ యొక్క సామర్థ్యాన్ని చూపుతుంది (r > 0.6, NSE >0.5 (మంచిది), WI > 0.7 (చాలా మంచిది)). కలిసి తీసుకుంటే, మోడల్ నీటి నాణ్యత నిర్వహణలో డేటా-ఆధారిత నిర్ణయం తీసుకోవడాన్ని బాగా మెరుగుపరుస్తుంది మరియు వేగవంతం చేస్తుంది, డేటాను మరింత ప్రాప్యత చేయగలదు మరియు మానవ జోక్యం లేకుండా నిమగ్నం చేస్తుంది.

1 పరిచయం

"నీటి కాలుష్యం" అనే పదం ఉపరితల నీరు (సముద్రాలు, సరస్సులు మరియు నదులు) మరియు భూగర్భ జలాలు వంటి అనేక రకాల నీటి కాలుష్యాన్ని సూచిస్తుంది. ఈ సమస్య పెరగడానికి ఒక ముఖ్యమైన అంశం ఏమిటంటే, కాలుష్య కారకాలను తగినంతగా శుద్ధి చేయకపోవడం, వాటిని ప్రత్యక్షంగా లేదా పరోక్షంగా నీటి వనరులలోకి విడుదల చేయడం. నీటి నాణ్యతలో మార్పులు సముద్ర పర్యావరణంపై మాత్రమే కాకుండా, ప్రజా నీటి సరఫరా మరియు వ్యవసాయానికి మంచినీటి లభ్యతపై కూడా గణనీయమైన ప్రభావాన్ని చూపుతాయి. అభివృద్ధి చెందుతున్న దేశాలలో, వేగవంతమైన ఆర్థిక వృద్ధి సాధారణం, మరియు ఈ వృద్ధిని ప్రోత్సహించే ప్రతి ప్రాజెక్ట్ పర్యావరణానికి హానికరం కావచ్చు. నీటి వనరుల దీర్ఘకాలిక నిర్వహణ మరియు ప్రజలు మరియు పర్యావరణ రక్షణ కోసం, నీటి నాణ్యతను పర్యవేక్షించడం మరియు అంచనా వేయడం చాలా అవసరం. WQI అని కూడా పిలువబడే నీటి నాణ్యత సూచిక నీటి నాణ్యత డేటా నుండి తీసుకోబడింది మరియు నది నీటి నాణ్యత యొక్క ప్రస్తుత స్థితిని నిర్ణయించడానికి ఉపయోగించబడుతుంది. నీటి నాణ్యతలో మార్పు స్థాయిని అంచనా వేయడంలో, అనేక వేరియబుల్స్‌ను పరిగణించాలి. WQI అనేది ఎటువంటి పరిమాణం లేని సూచిక. ఇది నిర్దిష్ట నీటి నాణ్యత పారామితులను కలిగి ఉంటుంది. చారిత్రక మరియు ప్రస్తుత నీటి వనరుల నాణ్యతను వర్గీకరించడానికి WQI ఒక పద్ధతిని అందిస్తుంది. WQI యొక్క అర్ధవంతమైన విలువ నిర్ణయం తీసుకునేవారి నిర్ణయాలు మరియు చర్యలను ప్రభావితం చేస్తుంది. 1 నుండి 100 స్కేల్‌లో, సూచిక ఎంత ఎక్కువగా ఉంటే, నీటి నాణ్యత అంత మెరుగ్గా ఉంటుంది. సాధారణంగా, 80 మరియు అంతకంటే ఎక్కువ స్కోర్‌లు ఉన్న నదీ కేంద్రాల నీటి నాణ్యత శుభ్రమైన నదుల ప్రమాణాలకు అనుగుణంగా ఉంటుంది. 40 కంటే తక్కువ WQI విలువ కలుషితమైనదిగా పరిగణించబడుతుంది, అయితే 40 మరియు 80 మధ్య WQI విలువ నీటి నాణ్యత వాస్తవానికి కొద్దిగా కలుషితమైందని సూచిస్తుంది.

సాధారణంగా, WQIని లెక్కించడానికి దీర్ఘమైన, సంక్లిష్టమైన మరియు దోషాలకు గురయ్యే ఉపసూచిక పరివర్తనల సమితి అవసరం. WQI మరియు ఇతర నీటి నాణ్యత పారామితుల మధ్య సంక్లిష్టమైన నాన్-లీనియర్ పరస్పర చర్యలు ఉంటాయి. వేర్వేరు WQIలు వేర్వేరు సూత్రాలను ఉపయోగిస్తాయి కాబట్టి WQIలను లెక్కించడం కష్టం మరియు చాలా సమయం పడుతుంది, ఇది లోపాలకు దారితీస్తుంది. ఒకటి లేదా అంతకంటే ఎక్కువ నీటి నాణ్యత పారామితులు లేకుంటే WQI కోసం సూత్రాన్ని లెక్కించడం అసాధ్యం అనేది ఒక ప్రధాన సవాలు. అదనంగా, కొన్ని ప్రమాణాలకు సమయం తీసుకునే, సమగ్రమైన నమూనా సేకరణ విధానాలు అవసరం, వీటిని నమూనాల ఖచ్చితమైన పరీక్ష మరియు ఫలితాల ప్రదర్శనకు హామీ ఇవ్వడానికి శిక్షణ పొందిన నిపుణులు నిర్వహించాలి. సాంకేతికత మరియు పరికరాలలో మెరుగుదలలు ఉన్నప్పటికీ, విస్తృతమైన తాత్కాలిక మరియు ప్రాదేశిక నదీ నీటి నాణ్యత పర్యవేక్షణ అధిక కార్యాచరణ మరియు నిర్వహణ ఖర్చుల వల్ల దెబ్బతింటుంది.

ఈ చర్చ WQI కి ప్రపంచవ్యాప్త విధానం లేదని చూపిస్తుంది. ఇది గణనపరంగా సమర్థవంతంగా మరియు ఖచ్చితమైన పద్ధతిలో WQIని లెక్కించడానికి ప్రత్యామ్నాయ పద్ధతులను అభివృద్ధి చేయవలసిన అవసరాన్ని పెంచుతుంది. పర్యావరణ వనరుల నిర్వాహకులు నది నీటి నాణ్యతను పర్యవేక్షించడానికి మరియు అంచనా వేయడానికి ఇటువంటి మెరుగుదలలు ఉపయోగపడతాయి. ఈ సందర్భంలో, కొంతమంది పరిశోధకులు WQIని అంచనా వేయడానికి AIని విజయవంతంగా ఉపయోగించారు; Ai-ఆధారిత మెషిన్ లెర్నింగ్ మోడలింగ్ ఉప-సూచిక గణనను నివారిస్తుంది మరియు WQI ఫలితాలను త్వరగా ఉత్పత్తి చేస్తుంది. Ai-ఆధారిత మెషిన్ లెర్నింగ్ అల్గోరిథంలు వాటి నాన్-లీనియర్ ఆర్కిటెక్చర్, సంక్లిష్ట సంఘటనలను అంచనా వేయగల సామర్థ్యం, వివిధ పరిమాణాల డేటాతో సహా పెద్ద డేటా సెట్‌లను నిర్వహించగల సామర్థ్యం మరియు అసంపూర్ణ డేటాకు సున్నితత్వం లేకపోవడం వల్ల ప్రజాదరణ పొందుతున్నాయి. వాటి అంచనా శక్తి పూర్తిగా డేటా సేకరణ మరియు ప్రాసెసింగ్ యొక్క పద్ధతి మరియు ఖచ్చితత్వంపై ఆధారపడి ఉంటుంది.