שיפור חיזוי מדד איכות המים באמצעות מכונת וקטור תמיכה עם ניתוח רגישות

במשך 25 שנה, משרד הסביבה של מלזיה (DOE) יישם מדד איכות מים (WQI) המשתמש בשישה פרמטרים מרכזיים של איכות מים: חמצן מומס (DO), דרישת חמצן ביוכימית (BOD), דרישת חמצן כימית (COD), pH, חנקן אמוניה (AN) ומוצקים מרחפים (SS). ניתוח איכות מים הוא מרכיב חשוב בניהול משאבי מים ויש לנהלו כראוי כדי למנוע נזק אקולוגי כתוצאה מזיהום ולהבטיח עמידה בתקנות סביבתיות. עובדה זו מגדילה את הצורך להגדיר שיטות יעילות לניתוח. אחד האתגרים העיקריים של המחשוב הנוכחי הוא שהוא דורש סדרה של חישובי תת-אינדקס גוזלי זמן, מורכבים ומועדים לטעויות. בנוסף, לא ניתן לחשב את WQI אם חסר פרמטר או יותר של איכות המים. במחקר זה, פותחה שיטת אופטימיזציה של WQI עבור מורכבות התהליך הנוכחי. פותח ונחקר הפוטנציאל של מידול מונחה נתונים, כלומר מכונת וקטור תמיכה בפונקציית בסיס Nu-Radial (SVM) המבוססת על אימות צולב של פי 10, כדי לשפר את ניבוי WQI באגן לנגט. ניתוח רגישות מקיף בוצע תחת שישה תרחישים כדי לקבוע את יעילות המודל בחיזוי איכות המים (WQI). במקרה הראשון, המודל SVM-WQI הראה יכולת מצוינת לשכפל את DOE-WQI והשיג רמות גבוהות מאוד של תוצאות סטטיסטיות (מקדם מתאם r > 0.95, יעילות נאש סאטקליף, NSE > 0.88, מדד העקביות של ווילמוט, WI > 0.96). בתרחיש השני, תהליך המידול מראה שניתן לאמוד את ה-WQI ללא שישה פרמטרים. לפיכך, פרמטר ה-DO הוא הגורם החשוב ביותר בקביעת ה-WQI. ל-pH יש את ההשפעה הקטנה ביותר על ה-WQI. בנוסף, תרחישים 3 עד 6 מראים את יעילות המודל מבחינת זמן ועלות על ידי מזעור מספר המשתנים בשילוב הקלט של המודל (r > 0.6, NSE > 0.5 (טוב), WI > 0.7 (טוב מאוד)). יחד, המודל ישפר ויאיץ מאוד קבלת החלטות מונחות נתונים בניהול איכות מים, ויהפוך את הנתונים לנגישים ומרתקים יותר ללא התערבות אנושית.

1 מבוא

המונח "זיהום מים" מתייחס לזיהום של מספר סוגי מים, כולל מי שטח (אוקיינוסים, אגמים ונהרות) ומי תהום. גורם משמעותי בהתגברות בעיה זו הוא שמזהמים אינם מטופלים כראוי לפני שהם משתחררים ישירות או בעקיפין לגופי מים. שינויים באיכות המים משפיעים באופן משמעותי לא רק על הסביבה הימית, אלא גם על זמינות המים המתוקים לאספקת מים ציבורית ולחקלאות. במדינות מתפתחות, צמיחה כלכלית מהירה נפוצה, וכל פרויקט המקדם צמיחה זו עלול להזיק לסביבה. לניהול ארוך טווח של משאבי מים ולהגנת האנשים והסביבה, ניטור והערכת איכות המים חיוניים. מדד איכות המים, המכונה גם WQI, נגזר מנתוני איכות מים ומשמש לקביעת המצב הנוכחי של איכות מי הנהרות. בהערכת מידת השינוי באיכות המים, יש לקחת בחשבון משתנים רבים. WQI הוא מדד ללא כל ממד. הוא מורכב מפרמטרים ספציפיים של איכות מים. ה-WQI מספק שיטה לסיווג איכותם של גופי מים היסטוריים ובהווה. הערך המשמעותי של WQI יכול להשפיע על החלטותיהם ופעולותיהם של מקבלי ההחלטות. בסולם של 1 עד 100, ככל שהמדד גבוה יותר, כך איכות המים טובה יותר. באופן כללי, איכות המים של תחנות נהרות עם ציונים של 80 ומעלה עומדת בסטנדרטים לנהרות נקיים. ערך WQI מתחת ל-40 נחשב מזוהם, בעוד שערך WQI בין 40 ל-80 מצביע על כך שאיכות המים אכן מזוהמת קלות.

באופן כללי, חישוב מדד איכות המים (WQI) דורש קבוצה של טרנספורמציות תת-אינדקס שהן ארוכות, מורכבות ונוטות לטעויות. קיימות אינטראקציות מורכבות ולא ליניאריות בין מדד איכות המים לבין פרמטרים אחרים של איכות המים. חישוב מדד איכות המים יכול להיות קשה ולקחת זמן רב מכיוון שמדדים שונים של איכות המים משתמשים בנוסחאות שונות, מה שעלול להוביל לשגיאות. אתגר עיקרי אחד הוא שאי אפשר לחשב את הנוסחה עבור מדד איכות המים אם חסר פרמטר אחד או יותר של איכות המים. בנוסף, חלק מהתקנים דורשים הליכי איסוף דגימות גוזלי זמן ומקיפים שחייבים להתבצע על ידי אנשי מקצוע מיומנים כדי להבטיח בדיקה מדויקת של דגימות והצגת תוצאות. למרות השיפורים בטכנולוגיה ובציוד, ניטור נרחב של איכות מי הנהרות בזמן ובמרחב הופחת על ידי עלויות תפעול וניהול גבוהות.

דיון זה מראה כי אין גישה גלובלית לאיכות חיים של נהרות. עובדה זו מעלה את הצורך לפתח שיטות חלופיות לחישוב איכות חיים של נהרות באופן יעיל ומדויק מבחינה חישובית. שיפורים כאלה עשויים להיות שימושיים עבור מנהלי משאבים סביבתיים לניטור והערכת איכות מי הנהרות. בהקשר זה, חוקרים מסוימים השתמשו בהצלחה בבינה מלאכותית כדי לחזות איכות חיים של נהרות; מודלים של למידת מכונה מבוססי בינה מלאכותית נמנעים מחישוב תת-אינדקס ומייצרים במהירות תוצאות של איכות חיים של נהרות. אלגוריתמים של למידת מכונה מבוססי בינה מלאכותית צוברים פופולריות בשל הארכיטקטורה הלא לינארית שלהם, היכולת לחזות אירועים מורכבים, היכולת לנהל מערכי נתונים גדולים הכוללים נתונים בגדלים משתנים, וחוסר הרגישות לנתונים לא שלמים. כוח הניבוי שלהם תלוי לחלוטין בשיטת ובדיוק של איסוף ועיבוד הנתונים.