સંવેદનશીલતા વિશ્લેષણ સાથે સપોર્ટ વેક્ટર મશીનનો ઉપયોગ કરીને પાણીની ગુણવત્તા સૂચકાંક આગાહીમાં વધારો

25 વર્ષથી, મલેશિયાના પર્યાવરણ વિભાગ (DOE) એ પાણી ગુણવત્તા સૂચકાંક (WQI) લાગુ કર્યો છે જે છ મુખ્ય પાણીની ગુણવત્તા પરિમાણોનો ઉપયોગ કરે છે: ઓગળેલા ઓક્સિજન (DO), બાયોકેમિકલ ઓક્સિજન માંગ (BOD), રાસાયણિક ઓક્સિજન માંગ (COD), pH, એમોનિયા નાઇટ્રોજન (AN) અને સસ્પેન્ડેડ સોલિડ્સ (SS). પાણીની ગુણવત્તા વિશ્લેષણ એ જળ સંસાધન વ્યવસ્થાપનનો એક મહત્વપૂર્ણ ઘટક છે અને પ્રદૂષણથી ઇકોલોજીકલ નુકસાનને રોકવા અને પર્યાવરણીય નિયમોનું પાલન સુનિશ્ચિત કરવા માટે તેનું યોગ્ય રીતે સંચાલન કરવું આવશ્યક છે. આ વિશ્લેષણ માટે અસરકારક પદ્ધતિઓ વ્યાખ્યાયિત કરવાની જરૂરિયાત વધારે છે. વર્તમાન કમ્પ્યુટિંગના મુખ્ય પડકારોમાંનો એક એ છે કે તેને સમય માંગી લેતી, જટિલ અને ભૂલ-પ્રોન સબઇન્ડેક્સ ગણતરીઓની શ્રેણીની જરૂર છે. વધુમાં, જો એક અથવા વધુ પાણીની ગુણવત્તા પરિમાણો ખૂટે છે તો WQI ની ગણતરી કરી શકાતી નથી. આ અભ્યાસમાં, વર્તમાન પ્રક્રિયાની જટિલતા માટે WQI ની ઑપ્ટિમાઇઝેશન પદ્ધતિ વિકસાવવામાં આવી છે. ડેટા-આધારિત મોડેલિંગની સંભાવના, એટલે કે 10x ક્રોસ-વેલિડેશન પર આધારિત ન્યુ-રેડિયલ બેઝિસ ફંક્શન સપોર્ટ વેક્ટર મશીન (SVM) વિકસાવવામાં આવી હતી અને લંગટ બેસિનમાં WQI ની આગાહી સુધારવા માટે શોધ કરવામાં આવી હતી. WQI આગાહીમાં મોડેલની કાર્યક્ષમતા નક્કી કરવા માટે છ પરિસ્થિતિઓ હેઠળ એક વ્યાપક સંવેદનશીલતા વિશ્લેષણ કરવામાં આવ્યું હતું. પ્રથમ કિસ્સામાં, મોડેલ SVM-WQI એ DOE-WQI ની નકલ કરવાની ઉત્તમ ક્ષમતા દર્શાવી અને ખૂબ જ ઉચ્ચ સ્તરના આંકડાકીય પરિણામો મેળવ્યા (સહસંબંધ ગુણાંક r > 0.95, નેશ સટક્લિફ કાર્યક્ષમતા, NSE > 0.88, વિલ્મોટનો સુસંગતતા સૂચકાંક, WI > 0.96). બીજા દૃશ્યમાં, મોડેલિંગ પ્રક્રિયા દર્શાવે છે કે WQI નો અંદાજ છ પરિમાણો વિના કરી શકાય છે. આમ, DO પરિમાણ WQI નક્કી કરવામાં સૌથી મહત્વપૂર્ણ પરિબળ છે. pH WQI પર સૌથી ઓછી અસર કરે છે. વધુમાં, દૃશ્યો 3 થી 6 મોડેલ ઇનપુટ સંયોજનમાં ચલોની સંખ્યા ઘટાડીને સમય અને ખર્ચના સંદર્ભમાં મોડેલની કાર્યક્ષમતા દર્શાવે છે (r > 0.6, NSE > 0.5 (સારું), WI > 0.7 (ખૂબ સારું)). એકસાથે લેવામાં આવે તો, મોડેલ પાણીની ગુણવત્તા વ્યવસ્થાપનમાં ડેટા-આધારિત નિર્ણય-નિર્માણમાં ઘણો સુધારો કરશે અને વેગ આપશે, માનવ હસ્તક્ષેપ વિના ડેટાને વધુ સુલભ અને આકર્ષક બનાવશે.

૧ પરિચય

"જળ પ્રદૂષણ" શબ્દનો અર્થ સપાટી પરના પાણી (મહાસાગરો, તળાવો અને નદીઓ) અને ભૂગર્ભજળ સહિત અનેક પ્રકારના પાણીના પ્રદૂષણ થાય છે. આ સમસ્યાના વિકાસમાં એક મહત્વપૂર્ણ પરિબળ એ છે કે પ્રદૂષકોને સીધા કે આડકતરી રીતે જળાશયોમાં છોડતા પહેલા યોગ્ય રીતે શુદ્ધ કરવામાં આવતા નથી. પાણીની ગુણવત્તામાં ફેરફાર માત્ર દરિયાઈ પર્યાવરણ પર જ નહીં, પરંતુ જાહેર પાણી પુરવઠા અને કૃષિ માટે તાજા પાણીની ઉપલબ્ધતા પર પણ નોંધપાત્ર અસર કરે છે. વિકાસશીલ દેશોમાં, ઝડપી આર્થિક વિકાસ સામાન્ય છે, અને આ વૃદ્ધિને પ્રોત્સાહન આપતો દરેક પ્રોજેક્ટ પર્યાવરણ માટે હાનિકારક હોઈ શકે છે. જળ સંસાધનોના લાંબા ગાળાના સંચાલન અને લોકો અને પર્યાવરણના રક્ષણ માટે, પાણીની ગુણવત્તાનું નિરીક્ષણ અને મૂલ્યાંકન જરૂરી છે. પાણી ગુણવત્તા સૂચકાંક, જેને WQI તરીકે પણ ઓળખવામાં આવે છે, તે પાણીની ગુણવત્તાના ડેટામાંથી લેવામાં આવે છે અને તેનો ઉપયોગ નદીના પાણીની ગુણવત્તાની વર્તમાન સ્થિતિ નક્કી કરવા માટે થાય છે. પાણીની ગુણવત્તામાં ફેરફારની ડિગ્રીનું મૂલ્યાંકન કરતી વખતે, ઘણા ચલોને ધ્યાનમાં લેવા જોઈએ. WQI એ કોઈપણ પરિમાણ વિનાનો સૂચકાંક છે. તેમાં ચોક્કસ પાણીની ગુણવત્તા પરિમાણોનો સમાવેશ થાય છે. WQI ઐતિહાસિક અને વર્તમાન જળ સંસ્થાઓની ગુણવત્તાનું વર્ગીકરણ કરવા માટે એક પદ્ધતિ પ્રદાન કરે છે. WQI નું અર્થપૂર્ણ મૂલ્ય નિર્ણય લેનારાઓના નિર્ણયો અને ક્રિયાઓને પ્રભાવિત કરી શકે છે. 1 થી 100 ના સ્કેલ પર, ઇન્ડેક્સ જેટલો ઊંચો હશે, પાણીની ગુણવત્તા એટલી જ સારી હશે. સામાન્ય રીતે, 80 અને તેથી વધુ સ્કોર ધરાવતા નદી સ્ટેશનોની પાણીની ગુણવત્તા સ્વચ્છ નદીઓના ધોરણોને પૂર્ણ કરે છે. 40 થી નીચેનો WQI મૂલ્ય દૂષિત માનવામાં આવે છે, જ્યારે 40 અને 80 ની વચ્ચેનો WQI મૂલ્ય સૂચવે છે કે પાણીની ગુણવત્તા ખરેખર થોડી દૂષિત છે.

સામાન્ય રીતે, WQI ની ગણતરી કરવા માટે સબઇન્ડેક્સ ટ્રાન્સફોર્મેશનનો સમૂહ જરૂરી છે જે લાંબા, જટિલ અને ભૂલ-સંભવિત હોય છે. WQI અને અન્ય પાણીની ગુણવત્તા પરિમાણો વચ્ચે જટિલ બિન-રેખીય ક્રિયાપ્રતિક્રિયાઓ હોય છે. WQI ની ગણતરી કરવી મુશ્કેલ અને લાંબો સમય લાગી શકે છે કારણ કે વિવિધ WQI વિવિધ સૂત્રોનો ઉપયોગ કરે છે, જે ભૂલો તરફ દોરી શકે છે. એક મોટો પડકાર એ છે કે જો એક અથવા વધુ પાણીની ગુણવત્તા પરિમાણો ખૂટે છે તો WQI માટે ફોર્મ્યુલાની ગણતરી કરવી અશક્ય છે. વધુમાં, કેટલાક ધોરણો માટે સમય માંગી લે તેવી, સંપૂર્ણ નમૂના સંગ્રહ પ્રક્રિયાઓની જરૂર પડે છે જે નમૂનાઓની સચોટ તપાસ અને પરિણામો પ્રદર્શિત કરવાની ખાતરી આપવા માટે પ્રશિક્ષિત વ્યાવસાયિકો દ્વારા હાથ ધરવામાં આવશ્યક છે. ટેકનોલોજી અને સાધનોમાં સુધારા છતાં, ઉચ્ચ કાર્યકારી અને વ્યવસ્થાપન ખર્ચને કારણે વ્યાપક ટેમ્પોરલ અને અવકાશી નદીના પાણીની ગુણવત્તા દેખરેખ અવરોધાય છે.

આ ચર્ચા દર્શાવે છે કે WQI માટે કોઈ વૈશ્વિક અભિગમ નથી. આનાથી ગણતરીત્મક રીતે કાર્યક્ષમ અને સચોટ રીતે WQI ની ગણતરી કરવા માટે વૈકલ્પિક પદ્ધતિઓ વિકસાવવાની જરૂરિયાત ઉભી થાય છે. આવા સુધારાઓ પર્યાવરણીય સંસાધન સંચાલકો માટે નદીના પાણીની ગુણવત્તાનું નિરીક્ષણ અને મૂલ્યાંકન કરવા માટે ઉપયોગી થઈ શકે છે. આ સંદર્ભમાં, કેટલાક સંશોધકોએ WQI ની આગાહી કરવા માટે AI નો સફળતાપૂર્વક ઉપયોગ કર્યો છે; Ai-આધારિત મશીન લર્નિંગ મોડેલિંગ સબ-ઇન્ડેક્સ ગણતરીને ટાળે છે અને ઝડપથી WQI પરિણામો ઉત્પન્ન કરે છે. Ai-આધારિત મશીન લર્નિંગ અલ્ગોરિધમ્સ તેમના બિન-રેખીય સ્થાપત્ય, જટિલ ઘટનાઓની આગાહી કરવાની ક્ષમતા, વિવિધ કદના ડેટા સહિત મોટા ડેટા સેટનું સંચાલન કરવાની ક્ષમતા અને અપૂર્ણ ડેટા પ્રત્યે અસંવેદનશીલતાને કારણે લોકપ્રિયતા મેળવી રહ્યા છે. તેમની આગાહી શક્તિ સંપૂર્ણપણે ડેટા સંગ્રહ અને પ્રક્રિયાની પદ્ધતિ અને ચોકસાઈ પર આધારિત છે.