ಸೂಕ್ಷ್ಮತೆಯ ವಿಶ್ಲೇಷಣೆಯೊಂದಿಗೆ ಬೆಂಬಲ ವೆಕ್ಟರ್ ಯಂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ನೀರಿನ ಗುಣಮಟ್ಟ ಸೂಚ್ಯಂಕ ಮುನ್ಸೂಚನೆಯ ವರ್ಧನೆ.

25 ವರ್ಷಗಳಿಂದ, ಮಲೇಷ್ಯಾದ ಪರಿಸರ ಇಲಾಖೆ (DOE) ಆರು ಪ್ರಮುಖ ನೀರಿನ ಗುಣಮಟ್ಟದ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸುವ ನೀರಿನ ಗುಣಮಟ್ಟ ಸೂಚ್ಯಂಕ (WQI) ಅನ್ನು ಜಾರಿಗೆ ತಂದಿದೆ: ಕರಗಿದ ಆಮ್ಲಜನಕ (DO), ಜೀವರಾಸಾಯನಿಕ ಆಮ್ಲಜನಕ ಬೇಡಿಕೆ (BOD), ರಾಸಾಯನಿಕ ಆಮ್ಲಜನಕ ಬೇಡಿಕೆ (COD), pH, ಅಮೋನಿಯಾ ಸಾರಜನಕ (AN) ಮತ್ತು ಅಮಾನತುಗೊಂಡ ಘನವಸ್ತುಗಳು (SS). ನೀರಿನ ಗುಣಮಟ್ಟದ ವಿಶ್ಲೇಷಣೆಯು ಜಲ ಸಂಪನ್ಮೂಲ ನಿರ್ವಹಣೆಯ ಒಂದು ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ ಮತ್ತು ಮಾಲಿನ್ಯದಿಂದ ಪರಿಸರ ಹಾನಿಯನ್ನು ತಡೆಗಟ್ಟಲು ಮತ್ತು ಪರಿಸರ ನಿಯಮಗಳ ಅನುಸರಣೆಯನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಅದನ್ನು ಸರಿಯಾಗಿ ನಿರ್ವಹಿಸಬೇಕು. ಇದು ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಪರಿಣಾಮಕಾರಿ ವಿಧಾನಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವ ಅಗತ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಪ್ರಸ್ತುತ ಕಂಪ್ಯೂಟಿಂಗ್‌ನ ಪ್ರಮುಖ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದು, ಇದಕ್ಕೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ, ಸಂಕೀರ್ಣ ಮತ್ತು ದೋಷ-ಪೀಡಿತ ಉಪಸೂಚ್ಯಂಕ ಲೆಕ್ಕಾಚಾರಗಳ ಸರಣಿಯ ಅಗತ್ಯವಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ನೀರಿನ ಗುಣಮಟ್ಟದ ನಿಯತಾಂಕಗಳು ಕಾಣೆಯಾಗಿದ್ದರೆ WQI ಅನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುವುದಿಲ್ಲ. ಈ ಅಧ್ಯಯನದಲ್ಲಿ, ಪ್ರಸ್ತುತ ಪ್ರಕ್ರಿಯೆಯ ಸಂಕೀರ್ಣತೆಗಾಗಿ WQI ನ ಆಪ್ಟಿಮೈಸೇಶನ್ ವಿಧಾನವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ. 10x ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನವನ್ನು ಆಧರಿಸಿದ ಡೇಟಾ-ಚಾಲಿತ ಮಾಡೆಲಿಂಗ್‌ನ ಸಾಮರ್ಥ್ಯವನ್ನು, ಅವುಗಳೆಂದರೆ ನು-ರೇಡಿಯಲ್ ಬೇಸಿಸ್ ಫಂಕ್ಷನ್ ಸಪೋರ್ಟ್ ವೆಕ್ಟರ್ ಮೆಷಿನ್ (SVM), ಲ್ಯಾಂಗಟ್ ಜಲಾನಯನ ಪ್ರದೇಶದಲ್ಲಿ WQI ನ ಭವಿಷ್ಯವನ್ನು ಸುಧಾರಿಸಲು ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗಿದೆ ಮತ್ತು ಅನ್ವೇಷಿಸಲಾಗಿದೆ. WQI ಮುನ್ಸೂಚನೆಯಲ್ಲಿ ಮಾದರಿಯ ದಕ್ಷತೆಯನ್ನು ನಿರ್ಧರಿಸಲು ಆರು ಸನ್ನಿವೇಶಗಳ ಅಡಿಯಲ್ಲಿ ಸಮಗ್ರ ಸೂಕ್ಷ್ಮತೆಯ ವಿಶ್ಲೇಷಣೆಯನ್ನು ನಡೆಸಲಾಯಿತು. ಮೊದಲ ಸಂದರ್ಭದಲ್ಲಿ, ಮಾದರಿ SVM-WQI DOE-WQI ಅನ್ನು ಪುನರಾವರ್ತಿಸುವ ಅತ್ಯುತ್ತಮ ಸಾಮರ್ಥ್ಯವನ್ನು ತೋರಿಸಿತು ಮತ್ತು ಹೆಚ್ಚಿನ ಮಟ್ಟದ ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯಿತು (ಪರಸ್ಪರ ಸಂಬಂಧ ಗುಣಾಂಕ r > 0.95, ನ್ಯಾಶ್ ಸಟ್‌ಕ್ಲಿಫ್ ದಕ್ಷತೆ, NSE >0.88, ವಿಲ್‌ಮಾಟ್‌ನ ಸ್ಥಿರತೆ ಸೂಚ್ಯಂಕ, WI > 0.96). ಎರಡನೆಯ ಸನ್ನಿವೇಶದಲ್ಲಿ, ಮಾಡೆಲಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯು ಆರು ನಿಯತಾಂಕಗಳಿಲ್ಲದೆ WQI ಅನ್ನು ಅಂದಾಜು ಮಾಡಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ. ಹೀಗಾಗಿ, DO ನಿಯತಾಂಕವು WQI ಅನ್ನು ನಿರ್ಧರಿಸುವಲ್ಲಿ ಪ್ರಮುಖ ಅಂಶವಾಗಿದೆ. pH WQI ಮೇಲೆ ಕಡಿಮೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಇದರ ಜೊತೆಗೆ, ಸನ್ನಿವೇಶಗಳು 3 ರಿಂದ 6 ಮಾದರಿ ಇನ್‌ಪುಟ್ ಸಂಯೋಜನೆಯಲ್ಲಿನ ಅಸ್ಥಿರಗಳ ಸಂಖ್ಯೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವ ಮೂಲಕ ಸಮಯ ಮತ್ತು ವೆಚ್ಚದ ವಿಷಯದಲ್ಲಿ ಮಾದರಿಯ ದಕ್ಷತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ (r > 0.6, NSE >0.5 (ಒಳ್ಳೆಯದು), WI > 0.7 (ತುಂಬಾ ಒಳ್ಳೆಯದು)). ಒಟ್ಟಿಗೆ ತೆಗೆದುಕೊಂಡರೆ, ಮಾದರಿಯು ನೀರಿನ ಗುಣಮಟ್ಟ ನಿರ್ವಹಣೆಯಲ್ಲಿ ಡೇಟಾ-ಚಾಲಿತ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಹೆಚ್ಚು ಸುಧಾರಿಸುತ್ತದೆ ಮತ್ತು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಡೇಟಾವನ್ನು ಹೆಚ್ಚು ಪ್ರವೇಶಿಸಬಹುದು ಮತ್ತು ಮಾನವ ಹಸ್ತಕ್ಷೇಪವಿಲ್ಲದೆ ತೊಡಗಿಸಿಕೊಳ್ಳುತ್ತದೆ.

೧ ಪರಿಚಯ

"ಜಲ ಮಾಲಿನ್ಯ" ಎಂಬ ಪದವು ಮೇಲ್ಮೈ ನೀರು (ಸಾಗರಗಳು, ಸರೋವರಗಳು ಮತ್ತು ನದಿಗಳು) ಮತ್ತು ಅಂತರ್ಜಲ ಸೇರಿದಂತೆ ಹಲವಾರು ರೀತಿಯ ನೀರಿನ ಮಾಲಿನ್ಯವನ್ನು ಸೂಚಿಸುತ್ತದೆ. ಈ ಸಮಸ್ಯೆಯ ಬೆಳವಣಿಗೆಯಲ್ಲಿ ಗಮನಾರ್ಹ ಅಂಶವೆಂದರೆ ಮಾಲಿನ್ಯಕಾರಕಗಳನ್ನು ನೇರವಾಗಿ ಅಥವಾ ಪರೋಕ್ಷವಾಗಿ ಜಲಮೂಲಗಳಿಗೆ ಬಿಡುಗಡೆ ಮಾಡುವ ಮೊದಲು ಸಮರ್ಪಕವಾಗಿ ಸಂಸ್ಕರಿಸದಿರುವುದು. ನೀರಿನ ಗುಣಮಟ್ಟದಲ್ಲಿನ ಬದಲಾವಣೆಗಳು ಸಮುದ್ರ ಪರಿಸರದ ಮೇಲೆ ಮಾತ್ರವಲ್ಲದೆ, ಸಾರ್ವಜನಿಕ ನೀರು ಸರಬರಾಜು ಮತ್ತು ಕೃಷಿಗೆ ಶುದ್ಧ ನೀರಿನ ಲಭ್ಯತೆಯ ಮೇಲೂ ಗಮನಾರ್ಹ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ. ಅಭಿವೃದ್ಧಿಶೀಲ ರಾಷ್ಟ್ರಗಳಲ್ಲಿ, ತ್ವರಿತ ಆರ್ಥಿಕ ಬೆಳವಣಿಗೆ ಸಾಮಾನ್ಯವಾಗಿದೆ ಮತ್ತು ಈ ಬೆಳವಣಿಗೆಯನ್ನು ಉತ್ತೇಜಿಸುವ ಪ್ರತಿಯೊಂದು ಯೋಜನೆಯು ಪರಿಸರಕ್ಕೆ ಹಾನಿಕಾರಕವಾಗಿದೆ. ನೀರಿನ ಸಂಪನ್ಮೂಲಗಳ ದೀರ್ಘಕಾಲೀನ ನಿರ್ವಹಣೆ ಮತ್ತು ಜನರು ಮತ್ತು ಪರಿಸರದ ರಕ್ಷಣೆಗಾಗಿ, ನೀರಿನ ಗುಣಮಟ್ಟವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ಮತ್ತು ನಿರ್ಣಯಿಸುವುದು ಅತ್ಯಗತ್ಯ. WQI ಎಂದೂ ಕರೆಯಲ್ಪಡುವ ನೀರಿನ ಗುಣಮಟ್ಟ ಸೂಚ್ಯಂಕವನ್ನು ನೀರಿನ ಗುಣಮಟ್ಟದ ದತ್ತಾಂಶದಿಂದ ಪಡೆಯಲಾಗಿದೆ ಮತ್ತು ನದಿ ನೀರಿನ ಗುಣಮಟ್ಟದ ಪ್ರಸ್ತುತ ಸ್ಥಿತಿಯನ್ನು ನಿರ್ಧರಿಸಲು ಇದನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ನೀರಿನ ಗುಣಮಟ್ಟದಲ್ಲಿನ ಬದಲಾವಣೆಯ ಮಟ್ಟವನ್ನು ನಿರ್ಣಯಿಸುವಲ್ಲಿ, ಅನೇಕ ಅಸ್ಥಿರಗಳನ್ನು ಪರಿಗಣಿಸಬೇಕು. WQI ಯಾವುದೇ ಆಯಾಮವಿಲ್ಲದ ಸೂಚ್ಯಂಕವಾಗಿದೆ. ಇದು ನಿರ್ದಿಷ್ಟ ನೀರಿನ ಗುಣಮಟ್ಟದ ನಿಯತಾಂಕಗಳನ್ನು ಒಳಗೊಂಡಿದೆ. ಐತಿಹಾಸಿಕ ಮತ್ತು ಪ್ರಸ್ತುತ ಜಲಮೂಲಗಳ ಗುಣಮಟ್ಟವನ್ನು ವರ್ಗೀಕರಿಸಲು WQI ಒಂದು ವಿಧಾನವನ್ನು ಒದಗಿಸುತ್ತದೆ. WQI ಯ ಅರ್ಥಪೂರ್ಣ ಮೌಲ್ಯವು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವವರ ನಿರ್ಧಾರಗಳು ಮತ್ತು ಕ್ರಿಯೆಗಳ ಮೇಲೆ ಪ್ರಭಾವ ಬೀರಬಹುದು. 1 ರಿಂದ 100 ರವರೆಗಿನ ಪ್ರಮಾಣದಲ್ಲಿ, ಸೂಚ್ಯಂಕ ಹೆಚ್ಚಾದಷ್ಟೂ ನೀರಿನ ಗುಣಮಟ್ಟ ಉತ್ತಮವಾಗಿರುತ್ತದೆ. ಸಾಮಾನ್ಯವಾಗಿ, 80 ಮತ್ತು ಅದಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಅಂಕಗಳನ್ನು ಹೊಂದಿರುವ ನದಿ ಕೇಂದ್ರಗಳ ನೀರಿನ ಗುಣಮಟ್ಟವು ಶುದ್ಧ ನದಿಗಳ ಮಾನದಂಡಗಳನ್ನು ಪೂರೈಸುತ್ತದೆ. 40 ಕ್ಕಿಂತ ಕಡಿಮೆ WQI ಮೌಲ್ಯವನ್ನು ಕಲುಷಿತವೆಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಆದರೆ 40 ಮತ್ತು 80 ರ ನಡುವಿನ WQI ಮೌಲ್ಯವು ನೀರಿನ ಗುಣಮಟ್ಟವು ಸ್ವಲ್ಪ ಕಲುಷಿತವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

ಸಾಮಾನ್ಯವಾಗಿ, WQI ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ದೀರ್ಘ, ಸಂಕೀರ್ಣ ಮತ್ತು ದೋಷ-ಪೀಡಿತ ಉಪಸೂಚ್ಯಂಕ ರೂಪಾಂತರಗಳ ಒಂದು ಸೆಟ್ ಅಗತ್ಯವಿದೆ. WQI ಮತ್ತು ಇತರ ನೀರಿನ ಗುಣಮಟ್ಟದ ನಿಯತಾಂಕಗಳ ನಡುವೆ ಸಂಕೀರ್ಣವಾದ ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂವಹನಗಳಿವೆ. ವಿಭಿನ್ನ WQIಗಳು ವಿಭಿನ್ನ ಸೂತ್ರಗಳನ್ನು ಬಳಸುವುದರಿಂದ WQIಗಳನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಕಷ್ಟಕರವಾಗಿರುತ್ತದೆ ಮತ್ತು ಬಹಳ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು, ಇದು ದೋಷಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ಒಂದು ಅಥವಾ ಹೆಚ್ಚಿನ ನೀರಿನ ಗುಣಮಟ್ಟದ ನಿಯತಾಂಕಗಳು ಕಾಣೆಯಾಗಿದ್ದರೆ WQI ಗಾಗಿ ಸೂತ್ರವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಅಸಾಧ್ಯ ಎಂಬುದು ಒಂದು ಪ್ರಮುಖ ಸವಾಲು. ಇದರ ಜೊತೆಗೆ, ಕೆಲವು ಮಾನದಂಡಗಳಿಗೆ ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ, ಸಮಗ್ರ ಮಾದರಿ ಸಂಗ್ರಹಣಾ ಕಾರ್ಯವಿಧಾನಗಳು ಬೇಕಾಗುತ್ತವೆ, ಇದನ್ನು ಮಾದರಿಗಳ ನಿಖರವಾದ ಪರೀಕ್ಷೆ ಮತ್ತು ಫಲಿತಾಂಶಗಳ ಪ್ರದರ್ಶನವನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ತರಬೇತಿ ಪಡೆದ ವೃತ್ತಿಪರರು ಕೈಗೊಳ್ಳಬೇಕು. ತಂತ್ರಜ್ಞಾನ ಮತ್ತು ಸಲಕರಣೆಗಳಲ್ಲಿನ ಸುಧಾರಣೆಗಳ ಹೊರತಾಗಿಯೂ, ಹೆಚ್ಚಿನ ಕಾರ್ಯಾಚರಣೆ ಮತ್ತು ನಿರ್ವಹಣಾ ವೆಚ್ಚಗಳಿಂದ ವ್ಯಾಪಕವಾದ ತಾತ್ಕಾಲಿಕ ಮತ್ತು ಪ್ರಾದೇಶಿಕ ನದಿ ನೀರಿನ ಗುಣಮಟ್ಟದ ಮೇಲ್ವಿಚಾರಣೆಗೆ ಅಡ್ಡಿಯಾಗಿದೆ.

ಈ ಚರ್ಚೆಯು WQI ಗೆ ಜಾಗತಿಕ ವಿಧಾನವಿಲ್ಲ ಎಂದು ತೋರಿಸುತ್ತದೆ. ಇದು WQI ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಗಣಕೀಯವಾಗಿ ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ನಿಖರವಾದ ರೀತಿಯಲ್ಲಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಪರ್ಯಾಯ ವಿಧಾನಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಅಗತ್ಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ನದಿ ನೀರಿನ ಗುಣಮಟ್ಟವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲು ಮತ್ತು ನಿರ್ಣಯಿಸಲು ಪರಿಸರ ಸಂಪನ್ಮೂಲ ವ್ಯವಸ್ಥಾಪಕರಿಗೆ ಇಂತಹ ಸುಧಾರಣೆಗಳು ಉಪಯುಕ್ತವಾಗಬಹುದು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಕೆಲವು ಸಂಶೋಧಕರು WQI ಅನ್ನು ಊಹಿಸಲು AI ಅನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಬಳಸಿದ್ದಾರೆ; Ai-ಆಧಾರಿತ ಯಂತ್ರ ಕಲಿಕೆ ಮಾಡೆಲಿಂಗ್ ಉಪ-ಸೂಚ್ಯಂಕ ಲೆಕ್ಕಾಚಾರವನ್ನು ತಪ್ಪಿಸುತ್ತದೆ ಮತ್ತು WQI ಫಲಿತಾಂಶಗಳನ್ನು ತ್ವರಿತವಾಗಿ ಉತ್ಪಾದಿಸುತ್ತದೆ. Ai-ಆಧಾರಿತ ಯಂತ್ರ ಕಲಿಕೆ ಅಲ್ಗಾರಿದಮ್‌ಗಳು ಅವುಗಳ ರೇಖಾತ್ಮಕವಲ್ಲದ ವಾಸ್ತುಶಿಲ್ಪ, ಸಂಕೀರ್ಣ ಘಟನೆಗಳನ್ನು ಊಹಿಸುವ ಸಾಮರ್ಥ್ಯ, ವಿಭಿನ್ನ ಗಾತ್ರದ ಡೇಟಾ ಸೇರಿದಂತೆ ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್‌ಗಳನ್ನು ನಿರ್ವಹಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಅಪೂರ್ಣ ಡೇಟಾಗೆ ಸೂಕ್ಷ್ಮತೆಯಿಲ್ಲದ ಕಾರಣ ಜನಪ್ರಿಯತೆಯನ್ನು ಗಳಿಸುತ್ತಿವೆ. ಅವುಗಳ ಮುನ್ಸೂಚಕ ಶಕ್ತಿಯು ಡೇಟಾ ಸಂಗ್ರಹಣೆ ಮತ್ತು ಸಂಸ್ಕರಣೆಯ ವಿಧಾನ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಅವಲಂಬಿಸಿರುತ್ತದೆ.