Durante 25 años, el Departamento de Medio Ambiente de Malasia (DOE) ha implementado un Índice de Calidad del Agua (ICA) que utiliza seis parámetros clave de calidad del agua: oxígeno disuelto (OD), demanda bioquímica de oxígeno (DBO), demanda química de oxígeno (DQO), pH, nitrógeno amoniacal (NA) y sólidos suspendidos (SS). El análisis de la calidad del agua es un componente importante de la gestión de los recursos hídricos y debe gestionarse adecuadamente para prevenir el daño ecológico por contaminación y garantizar el cumplimiento de las regulaciones ambientales. Esto aumenta la necesidad de definir métodos efectivos para el análisis. Uno de los principales desafíos de la computación actual es que requiere una serie de cálculos de subíndices que consumen mucho tiempo, son complejos y propensos a errores. Además, el ICA no se puede calcular si faltan uno o más parámetros de calidad del agua. En este estudio, se desarrolla un método de optimización del ICA para la complejidad del proceso actual. El potencial del modelado basado en datos, a saber, la máquina de vectores de soporte de función de base Nu-Radial (SVM) basada en validación cruzada 10x, se desarrolló y exploró para mejorar la predicción del ICA en la cuenca de Langat. Se realizó un análisis de sensibilidad exhaustivo bajo seis escenarios para determinar la eficiencia del modelo en la predicción del WQI. En el primer caso, el modelo SVM-WQI mostró una excelente capacidad para replicar el DOE-WQI y obtuvo resultados estadísticos muy altos (coeficiente de correlación r > 0,95, eficiencia de Nash-Sutcliffe, NSE > 0,88, índice de consistencia de Willmott, WI > 0,96). En el segundo escenario, el proceso de modelado muestra que el WQI puede estimarse sin seis parámetros. Por lo tanto, el parámetro DO es el factor más importante para determinar el WQI. El pH tiene el menor efecto sobre el WQI. Además, los escenarios 3 a 6 muestran la eficiencia del modelo en términos de tiempo y costo al minimizar el número de variables en la combinación de entrada del modelo (r > 0,6, NSE > 0,5 (bueno), WI > 0,7 (muy bueno)). En conjunto, el modelo mejorará y acelerará enormemente la toma de decisiones basada en datos en la gestión de la calidad del agua, haciendo que los datos sean más accesibles y atractivos sin intervención humana.
1 Introducción
El término "contaminación del agua" se refiere a la contaminación de diversos tipos de agua, incluyendo aguas superficiales (océanos, lagos y ríos) y subterráneas. Un factor significativo en el crecimiento de este problema es la falta de tratamiento adecuado de los contaminantes antes de ser liberados directa o indirectamente en los cuerpos de agua. Los cambios en la calidad del agua tienen un impacto significativo no solo en el medio marino, sino también en la disponibilidad de agua dulce para el suministro público de agua y la agricultura. En los países en desarrollo, el rápido crecimiento económico es común, y cualquier proyecto que promueva este crecimiento puede ser perjudicial para el medio ambiente. Para la gestión a largo plazo de los recursos hídricos y la protección de las personas y el medio ambiente, el monitoreo y la evaluación de la calidad del agua son esenciales. El Índice de Calidad del Agua, también conocido como ICA, se deriva de datos de calidad del agua y se utiliza para determinar el estado actual de la calidad del agua de los ríos. Al evaluar el grado de cambio en la calidad del agua, se deben considerar muchas variables. El ICA es un índice sin dimensión. Consiste en parámetros específicos de calidad del agua. El ICA proporciona un método para clasificar la calidad de los cuerpos de agua históricos y actuales. El valor significativo del ICA puede influir en las decisiones y acciones de los responsables de la toma de decisiones. En una escala del 1 al 100, cuanto mayor sea el índice, mejor será la calidad del agua. En general, la calidad del agua de las estaciones fluviales con puntuaciones de 80 o más cumple con los estándares de ríos limpios. Un valor del ICA inferior a 40 se considera contaminado, mientras que un valor entre 40 y 80 indica que la calidad del agua está, de hecho, ligeramente contaminada.
En general, el cálculo del ICA requiere un conjunto de transformaciones de subíndices largas, complejas y propensas a errores. Existen interacciones no lineales complejas entre el ICA y otros parámetros de calidad del agua. El cálculo del ICA puede ser difícil y llevar mucho tiempo, ya que cada ICA utiliza fórmulas diferentes, lo que puede generar errores. Un desafío importante es la imposibilidad de calcular la fórmula del ICA si faltan uno o más parámetros de calidad del agua. Además, algunas normas exigen procedimientos de recolección de muestras exhaustivos y laboriosos, que deben ser realizados por profesionales capacitados para garantizar la precisión del análisis de las muestras y la presentación de los resultados. A pesar de las mejoras en tecnología y equipos, el monitoreo exhaustivo, tanto temporal como espacial, de la calidad del agua fluvial se ha visto obstaculizado por los altos costos operativos y de gestión.
Este debate demuestra que no existe un enfoque global para el ICA. Esto plantea la necesidad de desarrollar métodos alternativos para calcular el ICA de forma computacionalmente eficiente y precisa. Estas mejoras pueden ser útiles para que los gestores de recursos ambientales monitoreen y evalúen la calidad del agua fluvial. En este contexto, algunos investigadores han utilizado con éxito la IA para predecir el ICA; el modelado de aprendizaje automático basado en IA evita el cálculo de subíndices y genera rápidamente resultados del ICA. Los algoritmos de aprendizaje automático basados en IA están ganando popularidad gracias a su arquitectura no lineal, su capacidad para predecir eventos complejos, su capacidad para gestionar grandes conjuntos de datos, incluyendo datos de diversos tamaños, y su insensibilidad a datos incompletos. Su capacidad predictiva depende completamente del método y la precisión de la recopilación y el procesamiento de datos.
Hora de publicación: 21 de noviembre de 2024