Trong 25 năm qua, Bộ Môi trường Malaysia (DOE) đã triển khai Chỉ số Chất lượng Nước (WQI) sử dụng sáu thông số chất lượng nước chính: oxy hòa tan (DO), nhu cầu oxy sinh hóa (BOD), nhu cầu oxy hóa học (COD), pH, nitơ amoni (AN) và chất rắn lơ lửng (SS). Phân tích chất lượng nước là một thành phần quan trọng của quản lý tài nguyên nước và cần được quản lý đúng cách để ngăn ngừa thiệt hại sinh thái do ô nhiễm và đảm bảo tuân thủ các quy định môi trường. Điều này làm tăng nhu cầu xác định các phương pháp phân tích hiệu quả. Một trong những thách thức chính của việc tính toán hiện tại là nó đòi hỏi một loạt các phép tính chỉ số phụ tốn thời gian, phức tạp và dễ xảy ra lỗi. Ngoài ra, WQI không thể được tính toán nếu thiếu một hoặc nhiều thông số chất lượng nước. Trong nghiên cứu này, một phương pháp tối ưu hóa WQI được phát triển để giải quyết sự phức tạp của quy trình hiện tại. Tiềm năng của mô hình dựa trên dữ liệu, cụ thể là máy vectơ hỗ trợ hàm cơ sở xuyên tâm Nu (Nu-Radial basis function support vector machine - SVM) dựa trên phương pháp kiểm chứng chéo 10x, đã được phát triển và khám phá để cải thiện khả năng dự đoán WQI trong lưu vực Langat. Một phân tích độ nhạy toàn diện đã được thực hiện theo sáu kịch bản để xác định hiệu quả của mô hình trong dự đoán chỉ số chất lượng nước (WQI). Trong trường hợp đầu tiên, mô hình SVM-WQI cho thấy khả năng xuất sắc trong việc tái tạo DOE-WQI và đạt được mức độ kết quả thống kê rất cao (hệ số tương quan r > 0,95, hiệu quả Nash Sutcliffe, NSE > 0,88, chỉ số nhất quán Willmott, WI > 0,96). Trong kịch bản thứ hai, quá trình mô hình hóa cho thấy WQI có thể được ước tính mà không cần sáu tham số. Do đó, tham số DO là yếu tố quan trọng nhất trong việc xác định WQI. Độ pH có ảnh hưởng ít nhất đến WQI. Ngoài ra, các kịch bản từ 3 đến 6 cho thấy hiệu quả của mô hình về thời gian và chi phí bằng cách giảm thiểu số lượng biến trong tổ hợp đầu vào của mô hình (r > 0,6, NSE > 0,5 (tốt), WI > 0,7 (rất tốt)). Tóm lại, mô hình sẽ cải thiện và đẩy nhanh đáng kể việc ra quyết định dựa trên dữ liệu trong quản lý chất lượng nước, giúp dữ liệu dễ tiếp cận và hấp dẫn hơn mà không cần sự can thiệp của con người.
1. Giới thiệu
Thuật ngữ “ô nhiễm nước” đề cập đến sự ô nhiễm của nhiều loại nguồn nước, bao gồm nước mặt (đại dương, hồ và sông) và nước ngầm. Một yếu tố quan trọng trong sự gia tăng của vấn đề này là các chất gây ô nhiễm không được xử lý đúng cách trước khi thải trực tiếp hoặc gián tiếp vào các nguồn nước. Sự thay đổi chất lượng nước có tác động đáng kể không chỉ đến môi trường biển mà còn đến nguồn nước ngọt cho sinh hoạt cộng đồng và nông nghiệp. Ở các nước đang phát triển, tăng trưởng kinh tế nhanh chóng là điều phổ biến, và mọi dự án thúc đẩy sự tăng trưởng này đều có thể gây hại cho môi trường. Để quản lý lâu dài nguồn nước và bảo vệ con người và môi trường, việc giám sát và đánh giá chất lượng nước là rất cần thiết. Chỉ số chất lượng nước, hay còn gọi là WQI, được xây dựng dựa trên dữ liệu chất lượng nước và được sử dụng để xác định hiện trạng chất lượng nước sông. Trong việc đánh giá mức độ thay đổi chất lượng nước, cần phải xem xét nhiều biến số. WQI là một chỉ số không có chiều. Nó bao gồm các thông số chất lượng nước cụ thể. WQI cung cấp một phương pháp để phân loại chất lượng của các nguồn nước trong quá khứ và hiện tại. Giá trị có ý nghĩa của WQI có thể ảnh hưởng đến các quyết định và hành động của những người ra quyết định. Trên thang điểm từ 1 đến 100, chỉ số càng cao thì chất lượng nước càng tốt. Nhìn chung, chất lượng nước của các trạm sông có điểm số từ 80 trở lên đáp ứng tiêu chuẩn sông sạch. Giá trị WQI dưới 40 được coi là bị ô nhiễm, trong khi giá trị WQI từ 40 đến 80 cho thấy chất lượng nước bị ô nhiễm nhẹ.
Nhìn chung, việc tính toán chỉ số chất lượng nước (WQI) đòi hỏi một tập hợp các phép biến đổi chỉ số phụ dài dòng, phức tạp và dễ xảy ra lỗi. Có những tương tác phi tuyến phức tạp giữa WQI và các thông số chất lượng nước khác. Việc tính toán WQI có thể khó khăn và mất nhiều thời gian vì các WQI khác nhau sử dụng các công thức khác nhau, điều này có thể dẫn đến sai sót. Một thách thức lớn là không thể tính toán công thức cho WQI nếu thiếu một hoặc nhiều thông số chất lượng nước. Ngoài ra, một số tiêu chuẩn yêu cầu các quy trình thu thập mẫu tốn thời gian và công phu, phải được thực hiện bởi các chuyên gia được đào tạo để đảm bảo việc kiểm tra mẫu chính xác và hiển thị kết quả. Mặc dù công nghệ và thiết bị đã được cải tiến, việc giám sát chất lượng nước sông theo thời gian và không gian trên diện rộng vẫn bị cản trở bởi chi phí vận hành và quản lý cao.
Cuộc thảo luận này cho thấy không có phương pháp tiếp cận toàn cầu nào đối với chỉ số chất lượng nước (WQI). Điều này đặt ra nhu cầu phát triển các phương pháp thay thế để tính toán WQI một cách hiệu quả về mặt tính toán và chính xác. Những cải tiến như vậy có thể hữu ích cho các nhà quản lý tài nguyên môi trường trong việc giám sát và đánh giá chất lượng nước sông. Trong bối cảnh này, một số nhà nghiên cứu đã sử dụng thành công trí tuệ nhân tạo (AI) để dự đoán WQI; mô hình học máy dựa trên AI tránh được việc tính toán các chỉ số phụ và nhanh chóng tạo ra kết quả WQI. Các thuật toán học máy dựa trên AI đang ngày càng phổ biến nhờ kiến trúc phi tuyến tính, khả năng dự đoán các sự kiện phức tạp, khả năng quản lý các tập dữ liệu lớn bao gồm dữ liệu có kích thước khác nhau và không nhạy cảm với dữ liệu không đầy đủ. Khả năng dự đoán của chúng phụ thuộc hoàn toàn vào phương pháp và độ chính xác của việc thu thập và xử lý dữ liệu.
Thời gian đăng bài: 21/11/2024