Seit 25 Jahren verwendet das malaysische Umweltministerium (DOE) einen Wasserqualitätsindex (WQI), der sechs wichtige Wasserqualitätsparameter verwendet: gelösten Sauerstoff (DO), biochemischen Sauerstoffbedarf (BSB), chemischen Sauerstoffbedarf (CSB), pH-Wert, Ammoniakstickstoff (AN) und Schwebstoffe (SS). Die Wasserqualitätsanalyse ist ein wichtiger Bestandteil des Wasserressourcenmanagements und muss ordnungsgemäß durchgeführt werden, um ökologische Schäden durch Verschmutzung zu verhindern und die Einhaltung von Umweltvorschriften zu gewährleisten. Dies erhöht die Notwendigkeit, wirksame Analysemethoden zu definieren. Eine der größten Herausforderungen der aktuellen Computertechnik besteht darin, dass sie eine Reihe zeitaufwändiger, komplexer und fehleranfälliger Subindexberechnungen erfordert. Zudem kann der WQI nicht berechnet werden, wenn ein oder mehrere Wasserqualitätsparameter fehlen. In dieser Studie wird eine Optimierungsmethode für den WQI entwickelt, die der Komplexität des aktuellen Prozesses gerecht wird. Das Potenzial datengesteuerter Modellierung, nämlich der Nu-Radial-Basisfunktion Support Vector Machine (SVM) basierend auf 10-facher Kreuzvalidierung, wurde entwickelt und erforscht, um die Vorhersage des WQI im Langat-Becken zu verbessern. Um die Effizienz des Modells bei der WQI-Vorhersage zu ermitteln, wurde eine umfassende Sensitivitätsanalyse für sechs Szenarien durchgeführt. Im ersten Fall zeigte das Modell SVM-WQI eine hervorragende Fähigkeit zur Replikation von DOE-WQI und erzielte sehr hohe statistische Ergebnisse (Korrelationskoeffizient r > 0,95, Nash-Sutcliffe-Effizienz, NSE > 0,88, Willmott-Konsistenzindex, WI > 0,96). Im zweiten Szenario zeigt der Modellierungsprozess, dass WQI ohne sechs Parameter geschätzt werden kann. Somit ist der DO-Parameter der wichtigste Faktor bei der Bestimmung von WQI. Der pH-Wert hat den geringsten Einfluss auf WQI. Darüber hinaus zeigen die Szenarien 3 bis 6 die Effizienz des Modells in Bezug auf Zeit und Kosten durch Minimierung der Anzahl der Variablen in der Modell-Input-Kombination (r > 0,6, NSE > 0,5 (gut), WI > 0,7 (sehr gut)). Insgesamt wird das Modell die datengesteuerte Entscheidungsfindung im Wasserqualitätsmanagement erheblich verbessern und beschleunigen, indem es Daten ohne menschliches Eingreifen zugänglicher und ansprechender macht.
1 Einleitung
Der Begriff „Wasserverschmutzung“ bezeichnet die Verschmutzung verschiedener Gewässer, darunter Oberflächengewässer (Ozeane, Seen und Flüsse) und Grundwasser. Ein wesentlicher Faktor für die Verschärfung dieses Problems ist die unzureichende Behandlung von Schadstoffen, bevor sie direkt oder indirekt in Gewässer gelangen. Veränderungen der Wasserqualität haben nicht nur erhebliche Auswirkungen auf die Meeresumwelt, sondern auch auf die Verfügbarkeit von Süßwasser für die öffentliche Wasserversorgung und die Landwirtschaft. In Entwicklungsländern ist schnelles Wirtschaftswachstum weit verbreitet, und jedes Projekt, das dieses Wachstum fördert, kann sich negativ auf die Umwelt auswirken. Für die langfristige Bewirtschaftung der Wasserressourcen und den Schutz von Mensch und Umwelt ist die Überwachung und Bewertung der Wasserqualität unerlässlich. Der Wasserqualitätsindex, auch bekannt als WQI, wird aus Wasserqualitätsdaten abgeleitet und dient zur Bestimmung des aktuellen Zustands der Flusswasserqualität. Bei der Beurteilung des Ausmaßes der Veränderung der Wasserqualität müssen viele 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 WQI kann die Entscheidungen und Handlungen von Entscheidungsträgern beeinflussen. Auf einer Skala von 1 bis 100 gilt: Je höher der Index, desto besser die Wasserqualität. Im Allgemeinen entspricht die Wasserqualität von Flussstationen mit Werten ab 80 den Standards für saubere Flüsse. Ein WQI-Wert unter 40 gilt als verunreinigt, während ein WQI-Wert zwischen 40 und 80 darauf hinweist, dass die Wasserqualität tatsächlich leicht verunreinigt ist.
Im Allgemeinen erfordert die Berechnung des WQI eine Reihe von Subindex-Transformationen, die langwierig, komplex und fehleranfällig sind. Zwischen dem WQI und anderen Wasserqualitätsparametern bestehen komplexe nichtlineare Wechselwirkungen. Die Berechnung von WQIs kann schwierig sein und viel Zeit in Anspruch nehmen, da für verschiedene WQIs 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 Standards zeitaufwändige und umfassende Probenahmeverfahren, die von geschultem Fachpersonal durchgeführt werden müssen, um eine genaue Untersuchung der Proben und die Anzeige der Ergebnisse zu gewährleisten. Trotz technologischer und apparativer Verbesserungen wird eine umfassende zeitliche und räumliche Überwachung der Flusswasserqualität durch hohe Betriebs- und Verwaltungskosten erschwert.
Diese Diskussion zeigt, dass es keinen globalen Ansatz für den WQI gibt. Dies erfordert die Entwicklung alternativer Methoden zur rechnerisch effizienten und genauen Berechnung des WQI. Solche Verbesserungen können für Umweltressourcenmanager nützlich sein, um die Wasserqualität von Flüssen zu überwachen und zu bewerten. In diesem Zusammenhang haben einige Forscher KI erfolgreich zur Vorhersage des WQI eingesetzt; KI-basierte maschinelle Lernmodelle vermeiden die Berechnung von Subindizes und generieren schnell WQI-Ergebnisse. KI-basierte maschinelle Lernalgorithmen erfreuen sich aufgrund ihrer nichtlinearen Architektur, ihrer Fähigkeit zur Vorhersage komplexer Ereignisse, ihrer Fähigkeit, große Datensätze unterschiedlicher Größe zu verarbeiten, und ihrer Unempfindlichkeit gegenüber unvollständigen Daten zunehmender Beliebtheit. Ihre Vorhersagekraft hängt vollständig von der Methode und Präzision der Datenerhebung und -verarbeitung ab.
Veröffentlichungszeit: 21. November 2024