Förbättring av vattenkvalitetsindexprediktion med hjälp av stödvektormaskin med känslighetsanalys

I 25 år har Malaysias miljödepartement (DOE) implementerat ett vattenkvalitetsindex (WQI) som använder sex viktiga vattenkvalitetsparametrar: löst syre (DO), biokemisk syreförbrukning (BOD), kemisk syreförbrukning (COD), pH, ammoniakkväve (AN) och suspenderade ämnen (SS). Vattenkvalitetsanalys är en viktig del av vattenresurshanteringen och måste hanteras korrekt för att förhindra ekologiska skador från föroreningar och säkerställa att miljöföreskrifter följs. Detta ökar behovet av att definiera effektiva analysmetoder. En av de största utmaningarna med nuvarande databehandling är att den kräver en serie tidskrävande, komplexa och felbenägna delindexberäkningar. Dessutom kan inte WQI beräknas om en eller flera vattenkvalitetsparametrar saknas. I denna studie utvecklas en optimeringsmetod för WQI för komplexiteten i den nuvarande processen. Potentialen för datadriven modellering, nämligen Nu-Radial basisfunction support vector machine (SVM) baserad på 10x korsvalidering, utvecklades och utforskades för att förbättra förutsägelsen av WQI i Langat-bassängen. En omfattande känslighetsanalys utfördes under sex scenarier för att fastställa modellens effektivitet i WQI-prediktion. I det första fallet visade modellen SVM-WQI utmärkt förmåga att replikera DOE-WQI och erhöll mycket höga nivåer av statistiska resultat (korrelationskoefficient r > 0,95, Nash Sutcliffe-effektivitet, NSE > 0,88, Willmotts konsistensindex, WI > 0,96). I det andra scenariot visar modelleringsprocessen att WQI kan uppskattas utan sex parametrar. Således är DO-parametern den viktigaste faktorn för att bestämma WQI. pH har minst effekt på WQI. Dessutom visar scenarierna 3 till 6 modellens effektivitet i termer av tid och kostnad genom att minimera antalet variabler i modellens inmatningskombination (r > 0,6, NSE > 0,5 (bra), WI > 0,7 (mycket bra)). Sammantaget kommer modellen att avsevärt förbättra och accelerera datadrivet beslutsfattande inom vattenkvalitetshantering, vilket gör data mer tillgängliga och engagerande utan mänsklig intervention.

1 Introduktion

Termen "vattenförorening" avser förorening av flera typer av vatten, inklusive ytvatten (hav, sjöar och floder) och grundvatten. En viktig faktor i problemets tillväxt är att föroreningar inte behandlas tillräckligt innan de släpps ut direkt eller indirekt i vattendrag. Förändringar i vattenkvaliteten har en betydande inverkan inte bara på den marina miljön, utan också på tillgången på färskvatten för offentliga vattenförsörjningar och jordbruk. I utvecklingsländer är snabb ekonomisk tillväxt vanlig, och varje projekt som främjar denna tillväxt kan vara skadligt för miljön. För den långsiktiga förvaltningen av vattenresurser och skyddet av människor och miljö är övervakning och bedömning av vattenkvaliteten avgörande. Vattenkvalitetsindexet, även känt som WQI, härleds från vattenkvalitetsdata och används för att bestämma den aktuella statusen för flodvattenkvaliteten. Vid bedömningen av graden av förändring i vattenkvaliteten måste många variabler beaktas. WQI är ett index utan någon dimension. Det består av specifika vattenkvalitetsparametrar. WQI tillhandahåller en metod för att klassificera kvaliteten på historiska och nuvarande vattendrag. Det meningsfulla värdet av WQI kan påverka beslutsfattarnas beslut och handlingar. På en skala från 1 till 100 gäller att ju högre index, desto bättre vattenkvalitet. Generellt sett uppfyller vattenkvaliteten på flodstationer med poäng på 80 och högre standarderna för rena floder. Ett WQI-värde under 40 anses vara förorenat, medan ett WQI-värde mellan 40 och 80 indikerar att vattenkvaliteten faktiskt är något förorenad.

I allmänhet kräver beräkning av vattenkvalitetsindelning (WQI) en uppsättning subindextransformationer som är långa, komplexa och felbenägna. Det finns komplexa ickelinjära interaktioner mellan WQI och andra vattenkvalitetsparametrar. Att beräkna WQI:er kan vara svårt och ta lång tid eftersom olika WQI:er använder olika formler, vilket kan leda till fel. En stor utmaning är att det är omöjligt att beräkna formeln för WQI om en eller flera vattenkvalitetsparametrar saknas. Dessutom kräver vissa standarder tidskrävande och uttömmande provinsamlingsprocedurer som måste utföras av utbildade yrkesmän för att garantera korrekt undersökning av prover och visning av resultat. Trots förbättringar av teknik och utrustning har omfattande tidsmässig och rumslig övervakning av flodvattenkvaliteten hämmats av höga drifts- och förvaltningskostnader.

Denna diskussion visar att det inte finns någon global strategi för vattenkvalitetsindelning (WQI). Detta väcker behovet av att utveckla alternativa metoder för att beräkna WQI på ett beräkningsmässigt effektivt och korrekt sätt. Sådana förbättringar kan vara användbara för miljöresursförvaltare för att övervaka och bedöma flodvattenkvaliteten. I detta sammanhang har vissa forskare framgångsrikt använt AI för att förutsäga WQI; AI-baserad maskininlärningsmodellering undviker subindexberäkning och genererar snabbt WQI-resultat. AI-baserade maskininlärningsalgoritmer blir alltmer populära på grund av sin icke-linjära arkitektur, förmåga att förutsäga komplexa händelser, förmåga att hantera stora datamängder inklusive data av varierande storlekar och okänslighet för ofullständiga data. Deras prediktiva kraft beror helt på metoden och precisionen för datainsamling och bearbetning.