സെൻസിറ്റിവിറ്റി വിശകലനത്തോടുകൂടിയ സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ ഉപയോഗിച്ച് ജല ഗുണനിലവാര സൂചിക പ്രവചനത്തിന്റെ മെച്ചപ്പെടുത്തൽ.

25 വർഷമായി, മലേഷ്യയിലെ പരിസ്ഥിതി വകുപ്പ് (DOE) ആറ് പ്രധാന ജല ഗുണനിലവാര പാരാമീറ്ററുകൾ ഉപയോഗിക്കുന്ന ഒരു ജല ഗുണനിലവാര സൂചിക (WQI) നടപ്പിലാക്കി വരുന്നു: അലിഞ്ഞുചേർന്ന ഓക്സിജൻ (DO), ബയോകെമിക്കൽ ഓക്സിജൻ ഡിമാൻഡ് (BOD), കെമിക്കൽ ഓക്സിജൻ ഡിമാൻഡ് (COD), pH, അമോണിയ നൈട്രജൻ (AN), സസ്പെൻഡഡ് സോളിഡുകൾ (SS). ജലവിഭവ മാനേജ്മെന്റിന്റെ ഒരു പ്രധാന ഘടകമാണ് ജല ഗുണനിലവാര വിശകലനം, മലിനീകരണത്തിൽ നിന്നുള്ള പാരിസ്ഥിതിക നാശം തടയുന്നതിനും പരിസ്ഥിതി നിയന്ത്രണങ്ങൾ പാലിക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുന്നതിനും ഇത് ശരിയായി കൈകാര്യം ചെയ്യണം. വിശകലനത്തിനുള്ള ഫലപ്രദമായ രീതികൾ നിർവചിക്കേണ്ടതിന്റെ ആവശ്യകത ഇത് വർദ്ധിപ്പിക്കുന്നു. നിലവിലെ കമ്പ്യൂട്ടിംഗിന്റെ പ്രധാന വെല്ലുവിളികളിൽ ഒന്ന്, ഇതിന് സമയമെടുക്കുന്നതും സങ്കീർണ്ണവും പിശക് സാധ്യതയുള്ളതുമായ സബ്ഇൻഡെക്സ് കണക്കുകൂട്ടലുകളുടെ ഒരു പരമ്പര ആവശ്യമാണ് എന്നതാണ്. കൂടാതെ, ഒന്നോ അതിലധികമോ ജല ഗുണനിലവാര പാരാമീറ്ററുകൾ ഇല്ലെങ്കിൽ WQI കണക്കാക്കാൻ കഴിയില്ല. ഈ പഠനത്തിൽ, നിലവിലെ പ്രക്രിയയുടെ സങ്കീർണ്ണതയ്ക്കായി WQI യുടെ ഒരു ഒപ്റ്റിമൈസേഷൻ രീതി വികസിപ്പിച്ചെടുത്തിട്ടുണ്ട്. 10x ക്രോസ്-വാലിഡേഷനെ അടിസ്ഥാനമാക്കിയുള്ള ഡാറ്റാ-ഡ്രൈവൺ മോഡലിംഗിന്റെ സാധ്യത, അതായത് 10x ക്രോസ്-വാലിഡേഷനെ അടിസ്ഥാനമാക്കിയുള്ള ന്യൂ-റേഡിയൽ ബേസിസ് ഫംഗ്ഷൻ സപ്പോർട്ട് വെക്റ്റർ മെഷീൻ (SVM) വികസിപ്പിക്കുകയും പര്യവേക്ഷണം ചെയ്യുകയും ചെയ്തു. WQI പ്രവചനത്തിൽ മോഡലിന്റെ കാര്യക്ഷമത നിർണ്ണയിക്കാൻ ആറ് സാഹചര്യങ്ങളിൽ സമഗ്രമായ ഒരു സംവേദനക്ഷമത വിശകലനം നടത്തി. ആദ്യ സാഹചര്യത്തിൽ, മോഡൽ SVM-WQI DOE-WQI പകർത്താനുള്ള മികച്ച കഴിവ് കാണിക്കുകയും വളരെ ഉയർന്ന സ്റ്റാറ്റിസ്റ്റിക്കൽ ഫലങ്ങൾ നേടുകയും ചെയ്തു (പരസ്പരബന്ധ ഗുണകം r > 0.95, നാഷ് സട്ട്ക്ലിഫ് കാര്യക്ഷമത, NSE >0.88, വിൽമോട്ടിന്റെ സ്ഥിരത സൂചിക, WI > 0.96). രണ്ടാമത്തെ സാഹചര്യത്തിൽ, ആറ് പാരാമീറ്ററുകൾ ഇല്ലാതെ WQI കണക്കാക്കാൻ കഴിയുമെന്ന് മോഡലിംഗ് പ്രക്രിയ കാണിക്കുന്നു. അതിനാൽ, WQI നിർണ്ണയിക്കുന്നതിൽ DO പാരാമീറ്റർ ഏറ്റവും പ്രധാനപ്പെട്ട ഘടകമാണ്. pH WQI-യിൽ ഏറ്റവും കുറഞ്ഞ സ്വാധീനം ചെലുത്തുന്നു. കൂടാതെ, മോഡൽ ഇൻപുട്ട് കോമ്പിനേഷനിലെ വേരിയബിളുകളുടെ എണ്ണം കുറയ്ക്കുന്നതിലൂടെ സമയത്തിന്റെയും ചെലവിന്റെയും കാര്യത്തിൽ മോഡലിന്റെ കാര്യക്ഷമത 3 മുതൽ 6 വരെയുള്ള സാഹചര്യങ്ങൾ കാണിക്കുന്നു (r > 0.6, NSE >0.5 (നല്ലത്), WI > 0.7 (വളരെ നല്ലത്)). ഒരുമിച്ച് എടുത്താൽ, ജല ഗുണനിലവാര മാനേജ്മെന്റിൽ ഡാറ്റാധിഷ്ഠിത തീരുമാനമെടുക്കൽ മോഡൽ വളരെയധികം മെച്ചപ്പെടുത്തുകയും ത്വരിതപ്പെടുത്തുകയും ചെയ്യും, ഡാറ്റ കൂടുതൽ ആക്‌സസ് ചെയ്യാവുന്നതും മനുഷ്യന്റെ ഇടപെടലില്ലാതെ ഇടപഴകുന്നതുമാക്കുന്നു.

1 ആമുഖം

"ജല മലിനീകരണം" എന്ന പദം ഉപരിതല ജലം (സമുദ്രങ്ങൾ, തടാകങ്ങൾ, നദികൾ), ഭൂഗർഭജലം എന്നിവയുൾപ്പെടെ നിരവധി തരം ജലത്തിന്റെ മലിനീകരണത്തെ സൂചിപ്പിക്കുന്നു. ഈ പ്രശ്നത്തിന്റെ വളർച്ചയിലെ ഒരു പ്രധാന ഘടകം, മാലിന്യങ്ങൾ നേരിട്ടോ അല്ലാതെയോ ജലാശയങ്ങളിലേക്ക് വിടുന്നതിന് മുമ്പ് വേണ്ടത്ര സംസ്കരിക്കപ്പെടുന്നില്ല എന്നതാണ്. ജലത്തിന്റെ ഗുണനിലവാരത്തിലെ മാറ്റങ്ങൾ സമുദ്ര പരിസ്ഥിതിയിൽ മാത്രമല്ല, പൊതു ജലവിതരണത്തിനും കൃഷിക്കും വേണ്ടിയുള്ള ശുദ്ധജല ലഭ്യതയിലും കാര്യമായ സ്വാധീനം ചെലുത്തുന്നു. വികസ്വര രാജ്യങ്ങളിൽ, ദ്രുതഗതിയിലുള്ള സാമ്പത്തിക വളർച്ച സാധാരണമാണ്, ഈ വളർച്ചയെ പ്രോത്സാഹിപ്പിക്കുന്ന ഓരോ പദ്ധതിയും പരിസ്ഥിതിക്ക് ദോഷകരമാകും. ജലസ്രോതസ്സുകളുടെ ദീർഘകാല മാനേജ്മെന്റിനും ജനങ്ങളുടെയും പരിസ്ഥിതിയുടെയും സംരക്ഷണത്തിനും, ജലത്തിന്റെ ഗുണനിലവാരം നിരീക്ഷിക്കുകയും വിലയിരുത്തുകയും ചെയ്യേണ്ടത് അത്യാവശ്യമാണ്. WQI എന്നും അറിയപ്പെടുന്ന ജല ഗുണനിലവാര സൂചിക, ജല ഗുണനിലവാര ഡാറ്റയിൽ നിന്നാണ് ഉരുത്തിരിഞ്ഞത്, നദിയിലെ ജല ഗുണനിലവാരത്തിന്റെ നിലവിലെ അവസ്ഥ നിർണ്ണയിക്കാൻ ഇത് ഉപയോഗിക്കുന്നു. ജല ഗുണനിലവാരത്തിലെ മാറ്റത്തിന്റെ അളവ് വിലയിരുത്തുന്നതിൽ, നിരവധി വേരിയബിളുകൾ പരിഗണിക്കേണ്ടതുണ്ട്. WQI ഒരു അളവുകോലുമില്ലാത്ത ഒരു സൂചികയാണ്. ഇതിൽ നിർദ്ദിഷ്ട ജല ഗുണനിലവാര പാരാമീറ്ററുകൾ അടങ്ങിയിരിക്കുന്നു. ചരിത്രപരവും നിലവിലുള്ളതുമായ ജലാശയങ്ങളുടെ ഗുണനിലവാരം തരംതിരിക്കുന്നതിനുള്ള ഒരു രീതി WQI നൽകുന്നു. WQI യുടെ അർത്ഥവത്തായ മൂല്യം തീരുമാനമെടുക്കുന്നവരുടെ തീരുമാനങ്ങളെയും പ്രവർത്തനങ്ങളെയും സ്വാധീനിക്കും. 1 മുതൽ 100 വരെയുള്ള സ്കെയിലിൽ, സൂചിക ഉയർന്നാൽ, ജലത്തിന്റെ ഗുണനിലവാരം മെച്ചപ്പെടും. പൊതുവേ, 80 അല്ലെങ്കിൽ അതിൽ കൂടുതൽ സ്കോറുകളുള്ള നദീതടങ്ങളിലെ ജലത്തിന്റെ ഗുണനിലവാരം ശുദ്ധമായ നദികളുടെ മാനദണ്ഡങ്ങൾ പാലിക്കുന്നു. 40 ന് താഴെയുള്ള WQI മൂല്യം മലിനമായി കണക്കാക്കപ്പെടുന്നു, അതേസമയം 40 നും 80 നും ഇടയിലുള്ള WQI മൂല്യം ജലത്തിന്റെ ഗുണനിലവാരം നേരിയ തോതിൽ മലിനമാണെന്ന് സൂചിപ്പിക്കുന്നു.

പൊതുവേ, WQI കണക്കാക്കുന്നതിന് ദീർഘവും സങ്കീർണ്ണവും പിശകുകൾക്ക് സാധ്യതയുള്ളതുമായ ഒരു കൂട്ടം ഉപസൂചിക പരിവർത്തനങ്ങൾ ആവശ്യമാണ്. WQI-യും മറ്റ് ജല ഗുണനിലവാര പാരാമീറ്ററുകളും തമ്മിൽ സങ്കീർണ്ണമായ നോൺ-ലീനിയർ ഇടപെടലുകൾ ഉണ്ട്. വ്യത്യസ്ത WQI-കൾ വ്യത്യസ്ത ഫോർമുലകൾ ഉപയോഗിക്കുന്നതിനാൽ WQI-കൾ കണക്കാക്കുന്നത് ബുദ്ധിമുട്ടുള്ളതും വളരെ സമയമെടുക്കുന്നതുമാണ്, ഇത് പിശകുകൾക്ക് കാരണമാകും. ഒന്നോ അതിലധികമോ ജല ഗുണനിലവാര പാരാമീറ്ററുകൾ ഇല്ലെങ്കിൽ WQI-യുടെ ഫോർമുല കണക്കാക്കുന്നത് അസാധ്യമാണ് എന്നതാണ് ഒരു പ്രധാന വെല്ലുവിളി. കൂടാതെ, ചില മാനദണ്ഡങ്ങൾക്ക് സാമ്പിളുകളുടെ കൃത്യമായ പരിശോധനയും ഫലങ്ങളുടെ പ്രദർശനവും ഉറപ്പാക്കാൻ പരിശീലനം ലഭിച്ച പ്രൊഫഷണലുകൾ നടത്തേണ്ട സമയമെടുക്കുന്നതും സമഗ്രവുമായ സാമ്പിൾ ശേഖരണ നടപടിക്രമങ്ങൾ ആവശ്യമാണ്. സാങ്കേതികവിദ്യയിലും ഉപകരണങ്ങളിലും പുരോഗതിയുണ്ടായിട്ടും, ഉയർന്ന പ്രവർത്തന, മാനേജ്മെന്റ് ചെലവുകൾ കാരണം വിപുലമായ താൽക്കാലികവും സ്ഥലപരവുമായ നദീജല ഗുണനിലവാര നിരീക്ഷണം തടസ്സപ്പെട്ടിരിക്കുന്നു.

WQI-യ്ക്ക് ആഗോളതലത്തിൽ ഒരു സമീപനവുമില്ലെന്ന് ഈ ചർച്ച കാണിക്കുന്നു. കമ്പ്യൂട്ടേഷണൽ കാര്യക്ഷമവും കൃത്യവുമായ രീതിയിൽ WQI കണക്കാക്കുന്നതിനുള്ള ബദൽ രീതികൾ വികസിപ്പിക്കേണ്ടതിന്റെ ആവശ്യകത ഇത് ഉയർത്തുന്നു. പരിസ്ഥിതി റിസോഴ്‌സ് മാനേജർമാർക്ക് നദിയിലെ ജലത്തിന്റെ ഗുണനിലവാരം നിരീക്ഷിക്കാനും വിലയിരുത്താനും ഇത്തരം മെച്ചപ്പെടുത്തലുകൾ ഉപയോഗപ്രദമാകും. ഈ സാഹചര്യത്തിൽ, WQI പ്രവചിക്കാൻ ചില ഗവേഷകർ AI വിജയകരമായി ഉപയോഗിച്ചു; Ai-അധിഷ്ഠിത മെഷീൻ ലേണിംഗ് മോഡലിംഗ് ഉപ-സൂചിക കണക്കുകൂട്ടൽ ഒഴിവാക്കുകയും WQI ഫലങ്ങൾ വേഗത്തിൽ സൃഷ്ടിക്കുകയും ചെയ്യുന്നു. Ai-അധിഷ്ഠിത മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ അവയുടെ നോൺ-ലീനിയർ ആർക്കിടെക്ചർ, സങ്കീർണ്ണമായ സംഭവങ്ങൾ പ്രവചിക്കാനുള്ള കഴിവ്, വ്യത്യസ്ത വലുപ്പത്തിലുള്ള ഡാറ്റ ഉൾപ്പെടെയുള്ള വലിയ ഡാറ്റ സെറ്റുകൾ കൈകാര്യം ചെയ്യാനുള്ള കഴിവ്, അപൂർണ്ണമായ ഡാറ്റയോടുള്ള സംവേദനക്ഷമതയില്ലായ്മ എന്നിവ കാരണം ജനപ്രീതി നേടുന്നു. അവയുടെ പ്രവചന ശക്തി പൂർണ്ണമായും ഡാറ്റ ശേഖരണത്തിന്റെയും പ്രോസസ്സിംഗിന്റെയും രീതിയെയും കൃത്യതയെയും ആശ്രയിച്ചിരിക്കുന്നു.