Seit 25 Jahren verwendet das malaysische Umweltministerium (DOE) einen Wasserqualitätsindex (WQI), der sechs wichtige Wasserqualitätsparameter berücksichtigt: gelöster Sauerstoff (DO), biochemischer Sauerstoffbedarf (BSB), chemischer Sauerstoffbedarf (CSB), pH-Wert, Ammoniakstickstoff (AN) und Schwebstoffe (SS). Die Wasserqualitätsanalyse ist ein wichtiger Bestandteil des Wassermanagements und muss sorgfältig durchgeführt werden, um ökologische Schäden durch Verschmutzung zu verhindern und die Einhaltung von Umweltauflagen zu gewährleisten. Dies erhöht den Bedarf an effektiven Analysemethoden. Eine der größten Herausforderungen der aktuellen Berechnungsverfahren besteht darin, dass sie eine Reihe zeitaufwändiger, komplexer und fehleranfälliger Teilindexberechnungen erfordern. Zudem kann der WQI nicht berechnet werden, wenn einer oder mehrere Wasserqualitätsparameter fehlen. In dieser Studie wird daher eine Optimierungsmethode für den WQI entwickelt, um die Komplexität des aktuellen Verfahrens zu reduzieren. Das Potenzial datengetriebener Modellierung, insbesondere einer Nu-Radialbasis-Funktions-Support-Vector-Machine (SVM) basierend auf 10-facher Kreuzvalidierung, wurde entwickelt und untersucht, um die Vorhersage des WQI im Langat-Becken zu verbessern. Um die Effizienz des Modells bei der WQI-Vorhersage zu bestimmen, wurde eine umfassende Sensitivitätsanalyse in sechs Szenarien durchgeführt. Im ersten Fall zeigte das SVM-WQI-Modell eine ausgezeichnete Fähigkeit zur Replikation des DOE-WQI-Modells und erzielte sehr hohe statistische Ergebnisse (Korrelationskoeffizient r > 0,95, Nash-Sutcliffe-Effizienz NSE > 0,88, Willmott-Konsistenzindex WI > 0,96). Im zweiten Szenario zeigte die Modellierung, dass der WQI ohne sechs Parameter geschätzt werden kann. Somit ist der Sauerstoffgehalt (DO) der wichtigste Faktor für die Bestimmung des WQI. Der pH-Wert hat den geringsten Einfluss. Darüber hinaus belegen die Szenarien 3 bis 6 die Effizienz des Modells hinsichtlich Zeit und Kosten durch Minimierung der Anzahl der Variablen in der Modelleingabekombination (r > 0,6, NSE > 0,5 (gut), WI > 0,7 (sehr gut)). Zusammengenommen wird das Modell die datengestützte Entscheidungsfindung im Bereich des Wassergütemanagements erheblich verbessern und beschleunigen, indem es Daten ohne menschliches Eingreifen zugänglicher und ansprechender macht.
1 Einleitung
Der Begriff „Wasserverschmutzung“ bezeichnet die Verschmutzung verschiedener Gewässerarten, darunter Oberflächengewässer (Ozeane, Seen und Flüsse) und Grundwasser. Ein wesentlicher Faktor für die Verschärfung dieses Problems ist die unzureichende Aufbereitung von Schadstoffen vor ihrer direkten oder indirekten Einleitung in Gewässer. Veränderungen der Wasserqualität haben erhebliche Auswirkungen nicht nur auf die Meeresumwelt, sondern auch auf die Verfügbarkeit von Trinkwasser für die öffentliche Wasserversorgung und die Landwirtschaft. In Entwicklungsländern ist ein rasantes Wirtschaftswachstum weit verbreitet, und jedes Projekt, das dieses Wachstum fördert, kann umweltschädlich sein. Für die langfristige Bewirtschaftung der Wasserressourcen und den Schutz von Mensch und Umwelt ist die Überwachung und Bewertung der Wasserqualität unerlässlich. Der Wasserqualitätsindex (WQI) wird aus Wasserqualitätsdaten abgeleitet und dient der Bestimmung des aktuellen Zustands der Flusswasserqualität. Bei der Bewertung des Ausmaßes von Veränderungen der Wasserqualität müssen zahlreiche Variablen berücksichtigt werden. Der WQI ist ein dimensionsloser Index. Er besteht aus spezifischen Wasserqualitätsparametern. Der WQI bietet eine Methode zur Klassifizierung der Qualität historischer und aktueller Gewässer. Der aussagekräftige Wert des Wasserqualitätsindex (WQI) kann die Entscheidungen und Maßnahmen von Entscheidungsträgern beeinflussen. Auf einer Skala von 1 bis 100 gilt: Je höher der Indexwert, desto besser die Wasserqualität. Im Allgemeinen entspricht die Wasserqualität von Flussmessstellen mit einem Wert von 80 und darüber den Standards für saubere Flüsse. Ein WQI-Wert unter 40 gilt als verunreinigt, während ein Wert zwischen 40 und 80 auf eine leichte Verunreinigung des Wassers hinweist.
Die Berechnung des Wasserqualitätsindex (WQI) erfordert im Allgemeinen eine Reihe von Subindex-Transformationen, die langwierig, komplex und fehleranfällig sind. Zwischen dem WQI und anderen Wasserqualitätsparametern bestehen komplexe, nichtlineare Wechselwirkungen. Die Berechnung des WQI kann schwierig und zeitaufwendig sein, da für verschiedene WQI unterschiedliche Formeln verwendet werden, was zu Fehlern führen kann. Eine große Herausforderung besteht darin, dass die Formel für den WQI nicht berechnet werden kann, wenn ein oder mehrere Wasserqualitätsparameter fehlen. Darüber hinaus erfordern einige Normen zeitaufwändige und umfassende Probenahmeverfahren, die von geschultem Fachpersonal durchgeführt werden müssen, um eine genaue Untersuchung der Proben und die korrekte Darstellung der Ergebnisse zu gewährleisten. Trotz technologischer und gerätetechnischer Verbesserungen wird die flächendeckende zeitliche und räumliche Überwachung der Flusswasserqualität durch hohe Betriebs- und Verwaltungskosten erschwert.
Diese Diskussion zeigt, dass es keinen globalen Ansatz für den Wasserqualitätsindex (WQI) gibt. Dies unterstreicht die Notwendigkeit, alternative Methoden zur effizienten und präzisen Berechnung des WQI zu entwickeln. Solche Verbesserungen könnten für Umweltmanager hilfreich sein, um die Wasserqualität von Flüssen zu überwachen und zu bewerten. In diesem Zusammenhang haben einige Forscher KI erfolgreich zur WQI-Vorhersage eingesetzt. KI-basierte Modelle des maschinellen Lernens vermeiden die Berechnung von Teilindizes und liefern schnell WQI-Ergebnisse. KI-basierte Algorithmen des maschinellen Lernens gewinnen aufgrund ihrer nichtlinearen Architektur, ihrer Fähigkeit, komplexe Ereignisse vorherzusagen, ihrer Fähigkeit, große Datensätze mit unterschiedlichen Datengrößen zu verarbeiten, und ihrer Unempfindlichkeit gegenüber unvollständigen Daten zunehmend an Popularität. Ihre Vorhersagekraft hängt vollständig von der Methode und Präzision der Datenerfassung und -verarbeitung ab.
Veröffentlichungsdatum: 21. November 2024