సెన్సిటివిటీ విశ్లేషణతో సపోర్ట్ వెక్టర్ మెషీన్‌ను ఉపయోగించి నీటి నాణ్యత సూచిక అంచనాను మెరుగుపరచడం

25 సంవత్సరాలుగా, మలేషియా పర్యావరణ శాఖ (DOE) ఆరు కీలక నీటి నాణ్యత పారామితులను ఉపయోగించే నీటి నాణ్యత సూచిక (WQI)ను అమలు చేస్తోంది: కరిగిన ఆక్సిజన్ (DO), జీవ రసాయన ఆక్సిజన్ డిమాండ్ (BOD), రసాయన ఆక్సిజన్ డిమాండ్ (COD), pH, అమ్మోనియా నైట్రోజన్ (AN) మరియు తేలియాడే ఘనపదార్థాలు (SS). నీటి వనరుల నిర్వహణలో నీటి నాణ్యత విశ్లేషణ ఒక ముఖ్యమైన భాగం మరియు కాలుష్యం వల్ల కలిగే పర్యావరణ నష్టాన్ని నివారించడానికి, పర్యావరణ నిబంధనలకు అనుగుణంగా ఉండేలా చూడటానికి దీనిని సరిగ్గా నిర్వహించాలి. ఇది విశ్లేషణ కోసం సమర్థవంతమైన పద్ధతులను నిర్వచించాల్సిన అవసరాన్ని పెంచుతుంది. ప్రస్తుత కంప్యూటింగ్ యొక్క ప్రధాన సవాళ్లలో ఒకటి ఏమిటంటే, దీనికి సమయం తీసుకునే, సంక్లిష్టమైన మరియు దోషపూరితమైన ఉప-సూచిక గణనల శ్రేణి అవసరం. అదనంగా, ఒకటి లేదా అంతకంటే ఎక్కువ నీటి నాణ్యత పారామితులు అందుబాటులో లేకపోతే WQIని లెక్కించలేము. ఈ అధ్యయనంలో, ప్రస్తుత ప్రక్రియ యొక్క సంక్లిష్టత కోసం WQI యొక్క ఆప్టిమైజేషన్ పద్ధతి అభివృద్ధి చేయబడింది. లాంగాట్ బేసిన్‌లో WQI అంచనాను మెరుగుపరచడానికి, 10x క్రాస్-వ్యాలిడేషన్ ఆధారంగా డేటా-డ్రివెన్ మోడలింగ్, అంటే ను-రేడియల్ బేసిస్ ఫంక్షన్ సపోర్ట్ వెక్టర్ మెషీన్ (SVM) యొక్క సామర్థ్యం అభివృద్ధి చేయబడింది మరియు అన్వేషించబడింది. WQI అంచనాలో మోడల్ యొక్క సామర్థ్యాన్ని నిర్ధారించడానికి ఆరు దృశ్యాల కింద సమగ్ర సున్నితత్వ విశ్లేషణ నిర్వహించబడింది. మొదటి సందర్భంలో, SVM-WQI మోడల్ DOE-WQIని ప్రతిరూపం చేయడంలో అద్భుతమైన సామర్థ్యాన్ని ప్రదర్శించింది మరియు చాలా అధిక స్థాయి గణాంక ఫలితాలను పొందింది (సహసంబంధ గుణకం r > 0.95, నాష్ సుట్క్లిఫ్ సామర్థ్యం, ​​NSE >0.88, విల్మాట్ స్థిరత్వ సూచిక, WI > 0.96). రెండవ దృశ్యంలో, ఆరు పారామితులు లేకుండానే WQIని అంచనా వేయవచ్చని మోడలింగ్ ప్రక్రియ చూపిస్తుంది. అందువల్ల, WQIని నిర్ధారించడంలో DO పారామీటర్ అత్యంత ముఖ్యమైన అంశం. WQIపై pH అతి తక్కువ ప్రభావాన్ని చూపుతుంది. అదనంగా, దృశ్యాలు 3 నుండి 6 వరకు మోడల్ ఇన్‌పుట్ కలయికలో వేరియబుల్స్ సంఖ్యను తగ్గించడం ద్వారా సమయం మరియు ఖర్చు పరంగా మోడల్ యొక్క సామర్థ్యాన్ని చూపుతాయి (r > 0.6, NSE >0.5 (మంచిది), WI > 0.7 (చాలా మంచిది)). మొత్తంగా చూస్తే, ఈ నమూనా నీటి నాణ్యత నిర్వహణలో డేటా ఆధారిత నిర్ణయాలను తీసుకోవడాన్ని బాగా మెరుగుపరుస్తుంది మరియు వేగవంతం చేస్తుంది, తద్వారా మానవ ప్రమేయం లేకుండా డేటాను మరింత సులభంగా అందుబాటులోకి తెచ్చి, ఆసక్తికరంగా మారుస్తుంది.

1 పరిచయం

"జల కాలుష్యం" అనే పదం ఉపరితల జలాలు (సముద్రాలు, సరస్సులు మరియు నదులు) మరియు భూగర్భ జలాలతో సహా అనేక రకాల నీటి కాలుష్యాన్ని సూచిస్తుంది. ఈ సమస్య పెరగడానికి ఒక ముఖ్యమైన కారణం ఏమిటంటే, కాలుష్య కారకాలను ప్రత్యక్షంగా లేదా పరోక్షంగా జల వనరులలోకి విడుదల చేయడానికి ముందు వాటికి తగిన విధంగా శుద్ధి చేయకపోవడం. నీటి నాణ్యతలో మార్పులు సముద్ర పర్యావరణంపై మాత్రమే కాకుండా, ప్రజా నీటి సరఫరా మరియు వ్యవసాయం కోసం మంచినీటి లభ్యతపై కూడా గణనీయమైన ప్రభావాన్ని చూపుతాయి. అభివృద్ధి చెందుతున్న దేశాలలో, వేగవంతమైన ఆర్థిక వృద్ధి సర్వసాధారణం, మరియు ఈ వృద్ధిని ప్రోత్సహించే ప్రతి ప్రాజెక్ట్ పర్యావరణానికి హానికరంగా ఉండవచ్చు. జల వనరుల దీర్ఘకాలిక నిర్వహణకు మరియు ప్రజలు, పర్యావరణ పరిరక్షణకు, నీటి నాణ్యతను పర్యవేక్షించడం మరియు అంచనా వేయడం అత్యవసరం. వాటర్ క్వాలిటీ ఇండెక్స్ (WQI) అనేది నీటి నాణ్యత డేటా నుండి ఉద్భవించింది మరియు నదీ జలాల నాణ్యత యొక్క ప్రస్తుత స్థితిని నిర్ధారించడానికి ఉపయోగించబడుతుంది. నీటి నాణ్యతలో మార్పు స్థాయిని అంచనా వేయడంలో, అనేక చరరాశులను పరిగణనలోకి తీసుకోవాలి. WQI అనేది ఎటువంటి కొలమానం లేని ఒక సూచిక. ఇది నిర్దిష్ట నీటి నాణ్యత పారామితులను కలిగి ఉంటుంది. WQI చారిత్రక మరియు ప్రస్తుత జల వనరుల నాణ్యతను వర్గీకరించడానికి ఒక పద్ధతిని అందిస్తుంది. WQI యొక్క అర్థవంతమైన విలువ, నిర్ణయాధికారుల నిర్ణయాలు మరియు చర్యలను ప్రభావితం చేయగలదు. 1 నుండి 100 స్కేల్‌లో, సూచిక ఎంత ఎక్కువగా ఉంటే, నీటి నాణ్యత అంత మెరుగ్గా ఉంటుంది. సాధారణంగా, 80 మరియు అంతకంటే ఎక్కువ స్కోర్లు ఉన్న నదీ కేంద్రాల నీటి నాణ్యత, స్వచ్ఛమైన నదుల ప్రమాణాలకు అనుగుణంగా ఉంటుంది. 40 కంటే తక్కువ WQI విలువ కలుషితమైనదిగా పరిగణించబడుతుంది, అయితే 40 మరియు 80 మధ్య ఉన్న WQI విలువ నీటి నాణ్యత స్వల్పంగా కలుషితమైందని సూచిస్తుంది.

సాధారణంగా, WQIని లెక్కించడానికి సుదీర్ఘమైన, సంక్లిష్టమైన మరియు దోషపూరితమైన ఉప-సూచిక పరివర్తనల సమితి అవసరం. WQIకి మరియు ఇతర నీటి నాణ్యత పారామితులకు మధ్య సంక్లిష్టమైన అరేఖీయ పరస్పర చర్యలు ఉంటాయి. వేర్వేరు WQIలు వేర్వేరు సూత్రాలను ఉపయోగిస్తాయి, ఇది దోషాలకు దారితీయవచ్చు కాబట్టి, వాటిని లెక్కించడం కష్టంగా మరియు ఎక్కువ సమయం పట్టవచ్చు. ఒకటి లేదా అంతకంటే ఎక్కువ నీటి నాణ్యత పారామితులు అందుబాటులో లేకపోతే WQI సూత్రాన్ని లెక్కించడం అసాధ్యం కావడం ఒక ప్రధాన సవాలు. అదనంగా, కొన్ని ప్రమాణాలకు సమయం తీసుకునే, సమగ్రమైన నమూనా సేకరణ విధానాలు అవసరం. నమూనాలను ఖచ్చితంగా పరిశీలించి, ఫలితాలను ప్రదర్శించడానికి, ఈ విధానాలను శిక్షణ పొందిన నిపుణులు తప్పనిసరిగా నిర్వహించాలి. సాంకేతికత మరియు పరికరాలలో మెరుగుదలలు ఉన్నప్పటికీ, అధిక నిర్వహణ మరియు యాజమాన్య ఖర్చుల కారణంగా విస్తృతమైన తాత్కాలిక మరియు ప్రాదేశిక నదీ జలాల నాణ్యత పర్యవేక్షణకు ఆటంకం కలుగుతోంది.

ఈ చర్చ WQIకి ప్రపంచవ్యాప్త విధానం ఏదీ లేదని చూపిస్తుంది. ఇది WQIని గణనపరంగా సమర్థవంతంగా మరియు కచ్చితంగా లెక్కించడానికి ప్రత్యామ్నాయ పద్ధతులను అభివృద్ధి చేయవలసిన అవసరాన్ని పెంచుతుంది. ఇటువంటి మెరుగుదలలు పర్యావరణ వనరుల నిర్వాహకులకు నదీ జలాల నాణ్యతను పర్యవేక్షించడానికి మరియు అంచనా వేయడానికి ఉపయోగపడవచ్చు. 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 అల్గారిథమ్‌లు వాటి నాన్-లీనియర్ నిర్మాణం, సంక్లిష్ట సంఘటనలను అంచనా వేయగల సామర్థ్యం, ​​విభిన్న పరిమాణాల డేటాతో సహా పెద్ద డేటా సెట్‌లను నిర్వహించగల సామర్థ్యం మరియు అసంపూర్ణ డేటా పట్ల సున్నితత్వం లేకపోవడం వంటి కారణాల వల్ల ప్రజాదరణ పొందుతున్నాయి. వాటి అంచనా శక్తి పూర్తిగా డేటా సేకరణ మరియు ప్రాసెసింగ్ యొక్క పద్ధతి మరియు కచ్చితత్వంపై ఆధారపడి ఉంటుంది.