संवेदनशीलता विश्लेषणको साथ समर्थन भेक्टर मेसिन प्रयोग गरेर पानी गुणस्तर सूचकांक भविष्यवाणीको वृद्धि

२५ वर्षदेखि, मलेसियाको वातावरण विभाग (DOE) ले पानी गुणस्तर सूचकांक (WQI) लागू गरेको छ जसले छ प्रमुख पानी गुणस्तर प्यारामिटरहरू प्रयोग गर्दछ: घुलित अक्सिजन (DO), बायोकेमिकल अक्सिजन माग (BOD), रासायनिक अक्सिजन माग (COD), pH, अमोनिया नाइट्रोजन (AN) र निलम्बित ठोस पदार्थहरू (SS)। पानीको गुणस्तर विश्लेषण जलस्रोत व्यवस्थापनको एक महत्त्वपूर्ण घटक हो र प्रदूषणबाट पारिस्थितिक क्षति रोक्न र वातावरणीय नियमहरूको अनुपालन सुनिश्चित गर्न उचित रूपमा व्यवस्थित गर्नुपर्छ। यसले विश्लेषणको लागि प्रभावकारी विधिहरू परिभाषित गर्ने आवश्यकता बढाउँछ। हालको कम्प्युटिङको मुख्य चुनौतीहरू मध्ये एक यो हो कि यसलाई समय-उपभोग गर्ने, जटिल, र त्रुटि-प्रवण उप-सूचकांक गणनाहरूको श्रृंखला आवश्यक पर्दछ। थप रूपमा, यदि एक वा बढी पानी गुणस्तर प्यारामिटरहरू हराइरहेको छ भने WQI गणना गर्न सकिँदैन। यस अध्ययनमा, हालको प्रक्रियाको जटिलताको लागि WQI को एक अनुकूलन विधि विकास गरिएको छ। १०x क्रस-प्रमाणीकरणमा आधारित डेटा-संचालित मोडेलिङको सम्भावना, अर्थात् Nu-Radial आधार प्रकार्य समर्थन भेक्टर मेसिन (SVM) लाई लङ्गट बेसिनमा WQI को भविष्यवाणी सुधार गर्न विकास र अन्वेषण गरिएको थियो। WQI भविष्यवाणीमा मोडेलको दक्षता निर्धारण गर्न छ परिदृश्यहरू अन्तर्गत एक व्यापक संवेदनशीलता विश्लेषण गरिएको थियो। पहिलो अवस्थामा, मोडेल SVM-WQI ले DOE-WQI को प्रतिकृति बनाउने उत्कृष्ट क्षमता देखाएको छ र धेरै उच्च स्तरको तथ्याङ्कीय परिणामहरू प्राप्त गरेको छ (सहसम्बन्ध गुणांक r > ०.९५, न्यास सटक्लिफ दक्षता, NSE > ०.८८, विल्मोटको स्थिरता सूचकांक, WI > ०.९६)। दोस्रो परिदृश्यमा, मोडेलिङ प्रक्रियाले देखाउँछ कि WQI छ प्यारामिटरहरू बिना अनुमान गर्न सकिन्छ। यसरी, DO प्यारामिटर WQI निर्धारण गर्ने सबैभन्दा महत्त्वपूर्ण कारक हो। pH ले WQI मा सबैभन्दा कम प्रभाव पार्छ। थप रूपमा, परिदृश्यहरू ३ देखि ६ ले मोडेल इनपुट संयोजनमा चरहरूको संख्या कम गरेर समय र लागतको हिसाबले मोडेलको दक्षता देखाउँछन् (r > ०.६, NSE > ०.५ (राम्रो), WI > ०.७ (धेरै राम्रो))। एकसाथ लिँदा, मोडेलले पानीको गुणस्तर व्यवस्थापनमा डेटा-संचालित निर्णय-निर्धारणमा धेरै सुधार र गति दिनेछ, जसले गर्दा डेटालाई मानव हस्तक्षेप बिना अझ पहुँचयोग्य र आकर्षक बनाउनेछ।

१ परिचय

"पानी प्रदूषण" शब्दले सतहको पानी (समुद्र, ताल र नदी) र भूजल सहित धेरै प्रकारका पानीको प्रदूषणलाई जनाउँछ। यस समस्याको वृद्धिमा एउटा महत्त्वपूर्ण कारक भनेको प्रदूषकहरूलाई प्रत्यक्ष वा अप्रत्यक्ष रूपमा जल निकायहरूमा छोड्नु अघि पर्याप्त रूपमा प्रशोधन नगर्नु हो। पानीको गुणस्तरमा परिवर्तनले समुद्री वातावरणमा मात्र नभई सार्वजनिक पानी आपूर्ति र कृषिको लागि ताजा पानीको उपलब्धतामा पनि महत्त्वपूर्ण प्रभाव पार्छ। विकासशील देशहरूमा, द्रुत आर्थिक वृद्धि सामान्य छ, र यो वृद्धिलाई बढावा दिने प्रत्येक परियोजना वातावरणको लागि हानिकारक हुन सक्छ। जल स्रोतहरूको दीर्घकालीन व्यवस्थापन र मानिसहरू र वातावरणको संरक्षणको लागि, पानीको गुणस्तरको अनुगमन र मूल्याङ्कन आवश्यक छ। पानी गुणस्तर सूचकांक, जसलाई WQI पनि भनिन्छ, पानीको गुणस्तर डेटाबाट लिइएको हो र नदीको पानीको गुणस्तरको वर्तमान स्थिति निर्धारण गर्न प्रयोग गरिन्छ। पानीको गुणस्तरमा परिवर्तनको डिग्री मूल्याङ्कन गर्दा, धेरै चरहरू विचार गर्नुपर्छ। WQI कुनै आयाम बिनाको सूचकांक हो। यसमा विशिष्ट पानी गुणस्तर प्यारामिटरहरू हुन्छन्। WQI ले ऐतिहासिक र वर्तमान जल निकायहरूको गुणस्तर वर्गीकरण गर्ने विधि प्रदान गर्दछ। WQI को अर्थपूर्ण मानले निर्णयकर्ताहरूको निर्णय र कार्यहरूलाई प्रभाव पार्न सक्छ। १ देखि १०० को स्केलमा, सूचकांक जति उच्च हुन्छ, पानीको गुणस्तर त्यति नै राम्रो हुन्छ। सामान्यतया, ८० र माथिको स्कोर भएका नदी स्टेशनहरूको पानीको गुणस्तरले सफा नदीहरूको मापदण्ड पूरा गर्दछ। ४० भन्दा कम WQI मानलाई दूषित मानिन्छ, जबकि ४० र ८० बीचको WQI मानले पानीको गुणस्तर वास्तवमा थोरै दूषित भएको संकेत गर्दछ।

सामान्यतया, WQI गणना गर्न लामो, जटिल र त्रुटि-प्रवण उप-सूचकांक रूपान्तरणहरूको सेट आवश्यक पर्दछ। WQI र अन्य पानी गुणस्तर प्यारामिटरहरू बीच जटिल गैर-रेखीय अन्तरक्रियाहरू छन्। WQI गणना गर्न गाह्रो हुन सक्छ र लामो समय लाग्न सक्छ किनभने विभिन्न WQI हरूले फरक सूत्रहरू प्रयोग गर्छन्, जसले त्रुटिहरू निम्त्याउन सक्छ। एउटा प्रमुख चुनौती यो हो कि यदि एक वा बढी पानी गुणस्तर प्यारामिटरहरू हराइरहेको छ भने WQI को लागि सूत्र गणना गर्न असम्भव छ। थप रूपमा, केही मापदण्डहरूलाई समय-उपभोग गर्ने, विस्तृत नमूना सङ्कलन प्रक्रियाहरू आवश्यक पर्दछ जुन नमूनाहरूको सही परीक्षण र परिणामहरूको प्रदर्शनको ग्यारेन्टी गर्न प्रशिक्षित पेशेवरहरूद्वारा गरिनुपर्छ। प्रविधि र उपकरणहरूमा सुधार भए तापनि, उच्च परिचालन र व्यवस्थापन लागतले व्यापक अस्थायी र स्थानिय नदीको पानी गुणस्तर अनुगमनमा बाधा पुर्‍याएको छ।

यस छलफलले WQI को लागि कुनै विश्वव्यापी दृष्टिकोण नभएको देखाउँछ। यसले कम्प्युटेसनली कुशल र सही तरिकाले WQI गणना गर्न वैकल्पिक विधिहरू विकास गर्ने आवश्यकतालाई बढाउँछ। यस्ता सुधारहरू वातावरणीय स्रोत प्रबन्धकहरूलाई नदीको पानीको गुणस्तरको निगरानी र मूल्याङ्कन गर्न उपयोगी हुन सक्छन्। यस सन्दर्भमा, केही अनुसन्धानकर्ताहरूले WQI को भविष्यवाणी गर्न AI को सफलतापूर्वक प्रयोग गरेका छन्; Ai-आधारित मेसिन लर्निङ मोडलिङले उप-सूचकांक गणनालाई बेवास्ता गर्छ र द्रुत रूपमा WQI परिणामहरू उत्पन्न गर्दछ। Ai-आधारित मेसिन लर्निङ एल्गोरिदमहरू तिनीहरूको गैर-रैखिक वास्तुकला, जटिल घटनाहरूको भविष्यवाणी गर्ने क्षमता, विभिन्न आकारका डेटा सहित ठूला डेटा सेटहरू व्यवस्थापन गर्ने क्षमता, र अपूर्ण डेटा प्रति असंवेदनशीलताका कारण लोकप्रियता प्राप्त गर्दैछन्। तिनीहरूको भविष्यवाणी गर्ने शक्ति डेटा सङ्कलन र प्रशोधनको विधि र शुद्धतामा पूर्ण रूपमा निर्भर गर्दछ।