संवेदनशीलता विश्लेषणासह सपोर्ट व्हेक्टर मशीनचा वापर करून जल गुणवत्ता निर्देशांक अंदाजाची सुधारणा

गेल्या २५ वर्षांपासून, मलेशियाच्या पर्यावरण विभागाने (DOE) जल गुणवत्ता निर्देशांक (WQI) लागू केला आहे, जो विरघळलेला ऑक्सिजन (DO), जैवरासायनिक ऑक्सिजन मागणी (BOD), रासायनिक ऑक्सिजन मागणी (COD), pH, अमोनिया नायट्रोजन (AN) आणि निलंबित घन पदार्थ (SS) या सहा प्रमुख जल गुणवत्ता मापदंडांचा वापर करतो. जल गुणवत्ता विश्लेषण हे जलस्रोत व्यवस्थापनाचा एक महत्त्वाचा घटक आहे आणि प्रदूषणामुळे होणारे पर्यावरणीय नुकसान टाळण्यासाठी व पर्यावरणीय नियमांचे पालन सुनिश्चित करण्यासाठी त्याचे योग्य व्यवस्थापन करणे आवश्यक आहे. यामुळे विश्लेषणासाठी प्रभावी पद्धती निश्चित करण्याची गरज वाढते. सध्याच्या संगणकीय पद्धतींमधील एक मुख्य आव्हान हे आहे की, त्यासाठी वेळखाऊ, गुंतागुंतीच्या आणि चुका होण्याची शक्यता असलेल्या उप-निर्देशांकांच्या गणनांची मालिका आवश्यक असते. याव्यतिरिक्त, जर एक किंवा अधिक जल गुणवत्ता मापदंड उपलब्ध नसतील, तर WQI ची गणना करता येत नाही. या अभ्यासात, सध्याच्या प्रक्रियेच्या गुंतागुंतीसाठी WQI ची एक अनुकूलन पद्धत विकसित केली आहे. लंगाट खोऱ्यातील WQI च्या अंदाजात सुधारणा करण्यासाठी, डेटा-चालित मॉडेलिंगची क्षमता, म्हणजेच १०x क्रॉस-व्हॅलिडेशनवर आधारित न्यू-रेडियल बेसिस फंक्शन सपोर्ट व्हेक्टर मशीन (SVM), विकसित करून तिचा अभ्यास करण्यात आला. WQI अंदाजामध्ये मॉडेलची कार्यक्षमता निश्चित करण्यासाठी सहा परिस्थितींमध्ये एक व्यापक संवेदनशीलता विश्लेषण करण्यात आले. पहिल्या परिस्थितीत, SVM-WQI मॉडेलने DOE-WQI ची प्रतिकृती तयार करण्याची उत्कृष्ट क्षमता दर्शविली आणि अत्यंत उच्च पातळीचे सांख्यिकीय परिणाम मिळवले (सहसंबंध गुणांक r > 0.95, नॅश सटक्लिफ कार्यक्षमता, NSE > 0.88, विलमॉटचा सुसंगतता निर्देशांक, WI > 0.96). दुसऱ्या परिस्थितीत, मॉडेलिंग प्रक्रियेवरून असे दिसून येते की सहा पॅरामीटर्सशिवाय WQI चा अंदाज लावला जाऊ शकतो. अशाप्रकारे, WQI निश्चित करण्यासाठी DO पॅरामीटर हा सर्वात महत्त्वाचा घटक आहे. pH चा WQI वर सर्वात कमी परिणाम होतो. याव्यतिरिक्त, परिस्थिती ३ ते ६ मॉडेल इनपुट कॉम्बिनेशनमधील व्हेरिएबल्सची संख्या कमी करून वेळ आणि खर्चाच्या बाबतीत मॉडेलची कार्यक्षमता दर्शवतात (r > 0.6, NSE > 0.5 (चांगले), WI > 0.7 (अतिशय चांगले)). एकंदरीत, हे मॉडेल जल गुणवत्ता व्यवस्थापनातील डेटा-आधारित निर्णय प्रक्रियेत मोठ्या प्रमाणात सुधारणा करेल आणि तिला गती देईल, ज्यामुळे मानवी हस्तक्षेपाशिवाय डेटा अधिक सुलभ आणि आकर्षक होईल.

१ प्रस्तावना

'जल प्रदूषण' या संज्ञेमध्ये पृष्ठभागावरील पाणी (महासागर, तलाव आणि नद्या) आणि भूजल यांसह अनेक प्रकारच्या पाण्याच्या प्रदूषणाचा समावेश होतो. या समस्येच्या वाढीमागील एक महत्त्वाचा घटक म्हणजे, प्रदूषकांना थेट किंवा अप्रत्यक्षपणे जलस्रोतांमध्ये सोडण्यापूर्वी त्यांच्यावर पुरेशी प्रक्रिया केली जात नाही. पाण्याच्या गुणवत्तेतील बदलांचा केवळ सागरी पर्यावरणावरच नव्हे, तर सार्वजनिक पाणीपुरवठा आणि शेतीसाठी उपलब्ध असलेल्या गोड्या पाण्यावरही महत्त्वपूर्ण परिणाम होतो. विकसनशील देशांमध्ये जलद आर्थिक वाढ ही एक सामान्य बाब आहे, आणि या वाढीला चालना देणारा प्रत्येक प्रकल्प पर्यावरणासाठी हानिकारक ठरू शकतो. जलसंपत्तीच्या दीर्घकालीन व्यवस्थापनासाठी आणि लोकांच्या व पर्यावरणाच्या संरक्षणासाठी, पाण्याच्या गुणवत्तेचे निरीक्षण आणि मूल्यांकन करणे आवश्यक आहे. जल गुणवत्ता निर्देशांक (WQI) हा पाण्याच्या गुणवत्तेच्या माहितीवरून काढला जातो आणि त्याचा उपयोग नदीच्या पाण्याच्या गुणवत्तेची सद्यस्थिती निश्चित करण्यासाठी केला जातो. पाण्याच्या गुणवत्तेतील बदलाच्या प्रमाणाचे मूल्यांकन करताना, अनेक घटकांचा विचार करणे आवश्यक असते. WQI हा कोणताही आयाम नसलेला एक निर्देशांक आहे. त्यात पाण्याच्या गुणवत्तेचे विशिष्ट मापदंड समाविष्ट असतात. WQI ऐतिहासिक आणि वर्तमान जलस्रोतांच्या गुणवत्तेचे वर्गीकरण करण्याची एक पद्धत प्रदान करतो. डब्ल्यूक्यूआयचे (WQI) महत्त्वपूर्ण मूल्य निर्णय घेणाऱ्यांच्या निर्णयांवर आणि कृतींवर प्रभाव टाकू शकते. १ ते १०० च्या प्रमाणावर, निर्देशांक जितका जास्त, तितकी पाण्याची गुणवत्ता चांगली असते. सर्वसाधारणपणे, ८० किंवा त्याहून अधिक गुण असलेल्या नदी केंद्रांच्या पाण्याची गुणवत्ता स्वच्छ नद्यांच्या मानकांची पूर्तता करते. ४० पेक्षा कमी डब्ल्यूक्यूआय मूल्य दूषित मानले जाते, तर ४० ते ८० दरम्यानचे डब्ल्यूक्यूआय मूल्य हे सूचित करते की पाण्याची गुणवत्ता किंचित दूषित आहे.

सर्वसाधारणपणे, जल गुणवत्ता निर्देशांक (WQI) मोजण्यासाठी उप-निर्देशांक रूपांतरणांच्या एका संचाची आवश्यकता असते, जो दीर्घ, गुंतागुंतीचा आणि चुका होण्याची शक्यता असलेला असतो. WQI आणि पाण्याच्या गुणवत्तेच्या इतर मापदंडांमध्ये गुंतागुंतीच्या अरेखीय आंतरक्रिया असतात. WQI मोजणे कठीण आणि वेळखाऊ असू शकते, कारण वेगवेगळे WQI वेगवेगळे सूत्र वापरतात, ज्यामुळे चुका होऊ शकतात. एक मोठे आव्हान हे आहे की, जर पाण्याच्या गुणवत्तेचे एक किंवा अधिक मापदंड उपलब्ध नसतील, तर WQI चे सूत्र मोजणे अशक्य होते. याव्यतिरिक्त, काही मानकांसाठी वेळखाऊ आणि सखोल नमुना संकलन प्रक्रियेची आवश्यकता असते, जी नमुन्यांची अचूक तपासणी आणि निकालांचे प्रदर्शन सुनिश्चित करण्यासाठी प्रशिक्षित व्यावसायिकांकडूनच पार पाडली जाणे आवश्यक असते. तंत्रज्ञान आणि उपकरणांमध्ये सुधारणा होऊनही, उच्च परिचालन आणि व्यवस्थापन खर्चामुळे नदीच्या पाण्याच्या गुणवत्तेच्या व्यापक कालिक आणि स्थानिक देखरेखीमध्ये अडथळा निर्माण झाला आहे.

या चर्चेतून असे दिसून येते की जल गुणवत्ता निर्देशांकासाठी (WQI) कोणताही जागतिक दृष्टिकोन नाही. यामुळे, संगणकीयदृष्ट्या कार्यक्षम आणि अचूक पद्धतीने WQI ची गणना करण्यासाठी पर्यायी पद्धती विकसित करण्याची गरज निर्माण होते. अशा सुधारणा पर्यावरण संसाधन व्यवस्थापकांना नदीच्या पाण्याची गुणवत्ता तपासण्यासाठी आणि तिचे मूल्यांकन करण्यासाठी उपयुक्त ठरू शकतात. या संदर्भात, काही संशोधकांनी WQI चा अंदाज लावण्यासाठी AI चा यशस्वीपणे वापर केला आहे; AI-आधारित मशीन लर्निंग मॉडेलिंग उप-निर्देशांकांची गणना टाळते आणि WQI चे निकाल त्वरीत निर्माण करते. AI-आधारित मशीन लर्निंग अल्गोरिदम त्यांच्या नॉन-लिनियर आर्किटेक्चरमुळे, गुंतागुंतीच्या घटनांचा अंदाज लावण्याच्या क्षमतेमुळे, विविध आकारांच्या डेटासह मोठ्या डेटा सेटचे व्यवस्थापन करण्याच्या क्षमतेमुळे आणि अपूर्ण डेटाप्रती असलेल्या असंवेदनशीलतेमुळे लोकप्रियता मिळवत आहेत. त्यांची अंदाज लावण्याची क्षमता पूर्णपणे डेटा संकलन आणि प्रक्रियेच्या पद्धतीवर आणि अचूकतेवर अवलंबून असते.