संवेदनशीलता विश्लेषणासह सपोर्ट वेक्टर मशीन वापरून पाण्याच्या गुणवत्तेच्या निर्देशांकाच्या अंदाजात वाढ.

२५ वर्षांपासून, मलेशियाच्या पर्यावरण विभागाने (DOE) पाण्याची गुणवत्ता निर्देशांक (WQI) लागू केला आहे जो सहा प्रमुख पाण्याच्या गुणवत्तेच्या पॅरामीटर्सचा वापर करतो: विरघळलेला ऑक्सिजन (DO), बायोकेमिकल ऑक्सिजन डिमांड (BOD), केमिकल ऑक्सिजन डिमांड (COD), pH, अमोनिया नायट्रोजन (AN) आणि निलंबित घन पदार्थ (SS). पाण्याच्या गुणवत्तेचे विश्लेषण हे जलसंपत्ती व्यवस्थापनाचा एक महत्त्वाचा घटक आहे आणि प्रदूषणामुळे होणारे पर्यावरणीय नुकसान टाळण्यासाठी आणि पर्यावरणीय नियमांचे पालन सुनिश्चित करण्यासाठी त्याचे योग्य व्यवस्थापन करणे आवश्यक आहे. यामुळे विश्लेषणासाठी प्रभावी पद्धती परिभाषित करण्याची आवश्यकता वाढते. सध्याच्या संगणनातील मुख्य आव्हानांपैकी एक म्हणजे त्यासाठी वेळखाऊ, जटिल आणि त्रुटी-प्रवण उप-निर्देशांक गणनांची मालिका आवश्यक आहे. याव्यतिरिक्त, एक किंवा अधिक पाण्याच्या गुणवत्तेचे पॅरामीटर्स गहाळ असल्यास WQI ची गणना करता येत नाही. या अभ्यासात, सध्याच्या प्रक्रियेच्या जटिलतेसाठी WQI ची ऑप्टिमायझेशन पद्धत विकसित केली आहे. डेटा-चालित मॉडेलिंगची क्षमता, म्हणजे 10x क्रॉस-व्हॅलिडेशनवर आधारित Nu-Radial बेसिस फंक्शन सपोर्ट वेक्टर मशीन (SVM) विकसित केली गेली आणि त्याचा शोध लावला गेला. WQI अंदाजात मॉडेलची कार्यक्षमता निश्चित करण्यासाठी सहा परिस्थितींमध्ये एक व्यापक संवेदनशीलता विश्लेषण करण्यात आले. पहिल्या प्रकरणात, मॉडेल SVM-WQI ने DOE-WQI ची प्रतिकृती तयार करण्याची उत्कृष्ट क्षमता दर्शविली आणि खूप उच्च पातळीचे सांख्यिकीय परिणाम प्राप्त केले (सहसंबंध गुणांक r > 0.95, नॅश सटक्लिफ कार्यक्षमता, NSE > 0.88, विल्मोटचा सुसंगतता निर्देशांक, WI > 0.96). दुसऱ्या परिस्थितीत, मॉडेलिंग प्रक्रिया दर्शवते की सहा पॅरामीटर्सशिवाय WQI चा अंदाज लावता येतो. अशा प्रकारे, DO पॅरामीटर WQI निश्चित करण्यात सर्वात महत्वाचा घटक आहे. pH चा WQI वर कमीत कमी प्रभाव पडतो. याव्यतिरिक्त, परिस्थिती 3 ते 6 मॉडेल इनपुट संयोजनात चलांची संख्या कमी करून वेळ आणि खर्चाच्या बाबतीत मॉडेलची कार्यक्षमता दर्शविते (r > 0.6, NSE > 0.5 (चांगले), WI > 0.7 (खूप चांगले)). एकत्रितपणे, मॉडेल पाण्याच्या गुणवत्ता व्यवस्थापनात डेटा-चालित निर्णय घेण्यास मोठ्या प्रमाणात सुधारणा करेल आणि गती देईल, मानवी हस्तक्षेपाशिवाय डेटा अधिक सुलभ आणि आकर्षक बनवेल.

१ परिचय

"जल प्रदूषण" हा शब्द पृष्ठभागावरील पाणी (महासागर, तलाव आणि नद्या) आणि भूजल यासह अनेक प्रकारच्या पाण्याच्या प्रदूषणाचा संदर्भ देतो. या समस्येच्या वाढीतील एक महत्त्वाचा घटक म्हणजे प्रदूषकांना थेट किंवा अप्रत्यक्षपणे जलसाठ्यांमध्ये सोडण्यापूर्वी पुरेसे प्रक्रिया केली जात नाही. पाण्याच्या गुणवत्तेतील बदलांचा केवळ सागरी पर्यावरणावरच नव्हे तर सार्वजनिक पाणीपुरवठा आणि शेतीसाठी गोड्या पाण्याच्या उपलब्धतेवर देखील महत्त्वपूर्ण परिणाम होतो. विकसनशील देशांमध्ये, जलद आर्थिक वाढ सामान्य आहे आणि या वाढीला चालना देणारा प्रत्येक प्रकल्प पर्यावरणासाठी हानिकारक असू शकतो. जलसंपत्तीच्या दीर्घकालीन व्यवस्थापनासाठी आणि लोक आणि पर्यावरणाच्या संरक्षणासाठी, पाण्याच्या गुणवत्तेचे निरीक्षण आणि मूल्यांकन करणे आवश्यक आहे. जल गुणवत्ता निर्देशांक, ज्याला WQI असेही म्हणतात, पाण्याच्या गुणवत्तेच्या डेटावरून मिळवला जातो आणि नदीच्या पाण्याच्या गुणवत्तेची सध्याची स्थिती निश्चित करण्यासाठी वापरला जातो. पाण्याच्या गुणवत्तेतील बदलाची डिग्री मूल्यांकन करताना, अनेक चल विचारात घेतले पाहिजेत. WQI हा कोणताही आयाम नसलेला निर्देशांक आहे. त्यात विशिष्ट जल गुणवत्ता मापदंड असतात. WQI ऐतिहासिक आणि वर्तमान जलसाठ्यांच्या गुणवत्तेचे वर्गीकरण करण्यासाठी एक पद्धत प्रदान करते. WQI चे अर्थपूर्ण मूल्य निर्णय घेणाऱ्यांच्या निर्णयांवर आणि कृतींवर प्रभाव टाकू शकते. १ ते १०० च्या प्रमाणात, निर्देशांक जितका जास्त असेल तितका पाण्याचा दर्जा चांगला असेल. सर्वसाधारणपणे, ८० आणि त्याहून अधिक गुण असलेल्या नदी स्थानकांची पाण्याची गुणवत्ता स्वच्छ नद्यांच्या मानकांशी जुळते. ४० पेक्षा कमी WQI मूल्य दूषित मानले जाते, तर ४० ते ८० दरम्यान WQI मूल्य दर्शवते की पाण्याची गुणवत्ता खरोखरच थोडीशी दूषित आहे.

सर्वसाधारणपणे, WQI ची गणना करण्यासाठी उप-निर्देशांक परिवर्तनांचा एक संच आवश्यक असतो जो दीर्घ, गुंतागुंतीचा आणि त्रुटी-प्रवण असतो. WQI आणि इतर पाण्याच्या गुणवत्तेच्या पॅरामीटर्समध्ये जटिल नॉनलाइनर परस्परसंवाद असतात. WQI ची गणना करणे कठीण असू शकते आणि बराच वेळ लागू शकतो कारण वेगवेगळे WQI वेगवेगळे सूत्र वापरतात, ज्यामुळे त्रुटी येऊ शकतात. एक मोठे आव्हान म्हणजे जर एक किंवा अधिक पाण्याच्या गुणवत्तेचे पॅरामीटर्स गहाळ असतील तर WQI साठी सूत्र मोजणे अशक्य आहे. याव्यतिरिक्त, काही मानकांसाठी वेळखाऊ, संपूर्ण नमुना संकलन प्रक्रिया आवश्यक असतात ज्या प्रशिक्षित व्यावसायिकांनी नमुन्यांची अचूक तपासणी आणि निकाल प्रदर्शित करण्याची हमी देण्यासाठी केल्या पाहिजेत. तंत्रज्ञान आणि उपकरणांमध्ये सुधारणा असूनही, उच्च ऑपरेशनल आणि व्यवस्थापन खर्चामुळे व्यापक तात्पुरते आणि स्थानिक नदीच्या पाण्याच्या गुणवत्तेचे निरीक्षण करण्यात अडथळा आला आहे.

या चर्चेतून असे दिसून येते की WQI साठी कोणताही जागतिक दृष्टिकोन नाही. यामुळे संगणकीयदृष्ट्या कार्यक्षम आणि अचूक पद्धतीने WQI ची गणना करण्यासाठी पर्यायी पद्धती विकसित करण्याची आवश्यकता निर्माण होते. अशा सुधारणा पर्यावरणीय संसाधन व्यवस्थापकांना नदीच्या पाण्याच्या गुणवत्तेचे निरीक्षण आणि मूल्यांकन करण्यासाठी उपयुक्त ठरू शकतात. या संदर्भात, काही संशोधकांनी WQI चा अंदाज लावण्यासाठी AI चा यशस्वीरित्या वापर केला आहे; Ai-आधारित मशीन लर्निंग मॉडेलिंग उप-निर्देशांक गणना टाळते आणि WQI परिणाम जलद तयार करते. Ai-आधारित मशीन लर्निंग अल्गोरिदम त्यांच्या नॉन-लिनियर आर्किटेक्चर, जटिल घटनांचा अंदाज लावण्याची क्षमता, वेगवेगळ्या आकारांच्या डेटासह मोठ्या डेटा सेट व्यवस्थापित करण्याची क्षमता आणि अपूर्ण डेटाबद्दल असंवेदनशीलता यामुळे लोकप्रियता मिळवत आहेत. त्यांची भाकित करण्याची शक्ती पूर्णपणे डेटा संकलन आणि प्रक्रियेच्या पद्धती आणि अचूकतेवर अवलंबून असते.