Da 25 anni, il Dipartimento dell'Ambiente (DOE) della Malesia utilizza un Indice di Qualità dell'Acqua (WQI) che si basa su sei parametri chiave: ossigeno disciolto (DO), domanda biochimica di ossigeno (BOD), domanda chimica di ossigeno (COD), pH, azoto ammoniacale (AN) e solidi sospesi (SS). L'analisi della qualità dell'acqua è una componente importante della gestione delle risorse idriche e deve essere gestita correttamente per prevenire danni ecologici dovuti all'inquinamento e garantire la conformità alle normative ambientali. Ciò aumenta la necessità di definire metodi di analisi efficaci. Una delle principali sfide dell'attuale calcolo è che richiede una serie di calcoli di sottoindici complessi, dispendiosi in termini di tempo e soggetti a errori. Inoltre, il WQI non può essere calcolato se uno o più parametri di qualità dell'acqua sono mancanti. In questo studio, viene sviluppato un metodo di ottimizzazione del WQI per affrontare la complessità del processo attuale. Il potenziale della modellazione basata sui dati, in particolare la macchina a vettori di supporto (SVM) con funzione di base Nu-Radial basata su convalida incrociata 10x, è stato sviluppato ed esplorato per migliorare la previsione del WQI nel bacino di Langat. È stata condotta un'analisi di sensibilità completa in sei scenari per determinare l'efficienza del modello nella previsione dell'indice di qualità dell'acqua (WQI). Nel primo caso, il modello SVM-WQI ha mostrato un'eccellente capacità di replicare il modello DOE-WQI e ha ottenuto livelli molto elevati di risultati statistici (coefficiente di correlazione r > 0,95, efficienza di Nash-Sutcliffe, NSE > 0,88, indice di consistenza di Willmott, WI > 0,96). Nel secondo scenario, il processo di modellazione mostra che il WQI può essere stimato senza sei parametri. Pertanto, il parametro DO è il fattore più importante nel determinare il WQI. Il pH ha l'effetto minore sul WQI. Inoltre, gli scenari da 3 a 6 mostrano l'efficienza del modello in termini di tempo e costi, minimizzando il numero di variabili nella combinazione di input del modello (r > 0,6, NSE > 0,5 (buono), WI > 0,7 (ottimo)). Nel complesso, il modello migliorerà e accelererà notevolmente il processo decisionale basato sui dati nella gestione della qualità dell'acqua, rendendo i dati più accessibili e coinvolgenti senza intervento umano.
1 Introduzione
Il termine "inquinamento idrico" si riferisce all'inquinamento di diverse tipologie di acqua, tra cui le acque superficiali (oceani, laghi e fiumi) e le acque sotterranee. Un fattore significativo nella crescita di questo problema è la mancata adeguata depurazione degli inquinanti prima del loro rilascio, diretto o indiretto, nei corpi idrici. Le variazioni della qualità dell'acqua hanno un impatto significativo non solo sull'ambiente marino, ma anche sulla disponibilità di acqua dolce per l'approvvigionamento idrico pubblico e per l'agricoltura. Nei paesi in via di sviluppo, la rapida crescita economica è comune e ogni progetto che la promuove può essere dannoso per l'ambiente. Per la gestione a lungo termine delle risorse idriche e la tutela delle persone e dell'ambiente, il monitoraggio e la valutazione della qualità dell'acqua sono essenziali. L'Indice di Qualità dell'Acqua (WQI) deriva da dati sulla qualità dell'acqua e viene utilizzato per determinare lo stato attuale della qualità delle acque fluviali. Nella valutazione del grado di variazione della qualità dell'acqua, è necessario considerare numerose variabili. Il WQI è un indice adimensionale, composto da specifici parametri di qualità dell'acqua. Il WQI fornisce un metodo per classificare la qualità storica e attuale dei corpi idrici. Il valore significativo dell'indice di qualità dell'acqua (WQI) può influenzare le decisioni e le azioni dei responsabili. Su una scala da 1 a 100, un valore più alto indica una migliore qualità dell'acqua. In generale, la qualità dell'acqua delle stazioni fluviali con un punteggio pari o superiore a 80 soddisfa gli standard per i fiumi puliti. Un valore WQI inferiore a 40 è considerato indice di contaminazione, mentre un valore compreso tra 40 e 80 indica una leggera contaminazione.
In generale, il calcolo dell'indice di qualità dell'acqua (WQI) richiede una serie di trasformazioni di sottoindici che risultano lunghe, complesse e soggette a errori. Esistono complesse interazioni non lineari tra il WQI e altri parametri di qualità dell'acqua. Il calcolo del WQI può essere difficile e richiedere molto tempo perché i diversi indici utilizzano formule differenti, il che può portare a errori. Una delle principali difficoltà risiede nell'impossibilità di calcolare la formula del WQI se mancano uno o più parametri di qualità dell'acqua. Inoltre, alcuni standard richiedono procedure di campionamento lunghe ed esaustive, che devono essere eseguite da professionisti qualificati per garantire un'analisi accurata dei campioni e la corretta visualizzazione dei risultati. Nonostante i miglioramenti tecnologici e delle attrezzature, il monitoraggio esteso della qualità delle acque fluviali, sia a livello temporale che spaziale, è stato ostacolato dagli elevati costi operativi e di gestione.
Questa discussione dimostra che non esiste un approccio globale all'indice di qualità dell'acqua (WQI). Ciò evidenzia la necessità di sviluppare metodi alternativi per il calcolo del WQI in modo computazionalmente efficiente e accurato. Tali miglioramenti potrebbero essere utili ai gestori delle risorse ambientali per monitorare e valutare la qualità dell'acqua dei fiumi. In questo contesto, alcuni ricercatori hanno utilizzato con successo l'intelligenza artificiale (IA) per prevedere il WQI; la modellazione basata sull'apprendimento automatico e sull'IA evita il calcolo dei sotto-indici e genera rapidamente i risultati del WQI. Gli algoritmi di apprendimento automatico basati sull'IA stanno guadagnando popolarità grazie alla loro architettura non lineare, alla capacità di prevedere eventi complessi, alla capacità di gestire grandi insiemi di dati, inclusi dati di dimensioni variabili, e all'insensibilità ai dati incompleti. Il loro potere predittivo dipende interamente dal metodo e dalla precisione della raccolta e dell'elaborazione dei dati.
Data di pubblicazione: 21 novembre 2024