ସମ୍ବେଦନଶୀଳତା ବିଶ୍ଳେଷଣ ସହିତ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ ବ୍ୟବହାର କରି ଜଳ ଗୁଣବତ୍ତା ସୂଚକାଙ୍କ ପୂର୍ବାନୁମାନର ବୃଦ୍ଧି।

25 ବର୍ଷ ଧରି, ମାଲେସିଆର ପରିବେଶ ବିଭାଗ (DOE) ଏକ ଜଳ ଗୁଣବତ୍ତା ସୂଚକାଙ୍କ (WQI) କାର୍ଯ୍ୟକାରୀ କରିଛି ଯାହା ଛଅଟି ପ୍ରମୁଖ ଜଳ ଗୁଣବତ୍ତା ପାରାମିଟର ବ୍ୟବହାର କରେ: ଦ୍ରବୀଭୂତ ଅମ୍ଳଜାନ (DO), ଜୈବ ରାସାୟନିକ ଅମ୍ଳଜାନ ଚାହିଦା (BOD), ରାସାୟନିକ ଅମ୍ଳଜାନ ଚାହିଦା (COD), pH, ଆମୋନିଆ ନାଇଟ୍ରୋଜେନ (AN) ଏବଂ ନିଲମ୍ବିତ କଠିନ (SS)। ଜଳ ଗୁଣବତ୍ତା ବିଶ୍ଳେଷଣ ଜଳ ସମ୍ପଦ ପରିଚାଳନାର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଉପାଦାନ ଏବଂ ପ୍ରଦୂଷଣରୁ ପରିବେଶଗତ କ୍ଷତିକୁ ରୋକିବା ଏବଂ ପରିବେଶଗତ ନିୟମାବଳୀର ଅନୁପାଳନ ସୁନିଶ୍ଚିତ କରିବା ପାଇଁ ଏହାକୁ ସଠିକ୍ ଭାବରେ ପରିଚାଳିତ କରାଯିବା ଆବଶ୍ୟକ। ଏହା ବିଶ୍ଳେଷଣ ପାଇଁ ପ୍ରଭାବଶାଳୀ ପଦ୍ଧତିଗୁଡ଼ିକୁ ପରିଭାଷିତ କରିବାର ଆବଶ୍ୟକତାକୁ ବୃଦ୍ଧି କରେ। ବର୍ତ୍ତମାନର କମ୍ପ୍ୟୁଟିଂର ମୁଖ୍ୟ ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକ ମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି ଏହାକୁ ସମୟସାପେକ୍ଷ, ଜଟିଳ ଏବଂ ତ୍ରୁଟି-ପ୍ରବଣ ଉପ-ସୂଚକ ଗଣନାର ଏକ ଶୃଙ୍ଖଳା ଆବଶ୍ୟକ। ଏହା ସହିତ, ଯଦି ଗୋଟିଏ କିମ୍ବା ଅଧିକ ଜଳ ଗୁଣବତ୍ତା ପାରାମିଟର ଅନୁପସ୍ଥିତ ଥାଏ ତେବେ WQI ଗଣନା କରାଯାଇପାରିବ ନାହିଁ। ଏହି ଅଧ୍ୟୟନରେ, ବର୍ତ୍ତମାନର ପ୍ରକ୍ରିୟାର ଜଟିଳତା ପାଇଁ WQI ର ଏକ ଅପ୍ଟିମାଇଜେସନ୍ ପଦ୍ଧତି ବିକଶିତ ହୋଇଛି। 10x କ୍ରସ୍-ବ୍ୟାଲିଡେସନ୍ ଉପରେ ଆଧାରିତ ତଥ୍ୟ-ଚାଳିତ ମଡେଲିଂର ସମ୍ଭାବନା, ଅର୍ଥାତ୍ Nu-Radial ଆଧାର ଫଙ୍କସନ୍ ସପୋର୍ଟ ଭେକ୍ଟର ମେସିନ୍ (SVM), ଲାଙ୍ଗାଟ୍ ବେସିନରେ WQI ର ପୂର୍ବାନୁମାନକୁ ଉନ୍ନତ କରିବା ପାଇଁ ବିକଶିତ ଏବଂ ଅନୁସନ୍ଧାନ କରାଯାଇଥିଲା। WQI ପୂର୍ବାନୁମାନରେ ମଡେଲର ଦକ୍ଷତା ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ଛଅଟି ପରିସ୍ଥିତିରେ ଏକ ବ୍ୟାପକ ସମ୍ବେଦନଶୀଳତା ବିଶ୍ଳେଷଣ କରାଯାଇଥିଲା। ପ୍ରଥମ ପରିସ୍ଥିତିରେ, ମଡେଲ SVM-WQI DOE-WQI କୁ ପ୍ରତିକୃତି କରିବାର ଉତ୍କୃଷ୍ଟ କ୍ଷମତା ଦେଖାଇଥିଲା ଏବଂ ବହୁତ ଉଚ୍ଚ ସ୍ତରର ପରିସଂଖ୍ୟାନ ଫଳାଫଳ ପାଇଥିଲା (ସମ୍ପର୍କ ଗୁଣାତ୍ମକ r > 0.95, ନାସ୍ ସଟକ୍ଲିଫ୍ ଦକ୍ଷତା, NSE > 0.88, ୱିଲମଟ୍‌ଙ୍କ ସ୍ଥିରତା ସୂଚକାଙ୍କ, WI > 0.96)। ଦ୍ୱିତୀୟ ପରିସ୍ଥିତିରେ, ମଡେଲିଂ ପ୍ରକ୍ରିୟା ଦର୍ଶାଏ ଯେ ଛଅଟି ପାରାମିଟର ବିନା WQI ଆକଳନ କରାଯାଇପାରିବ। ତେଣୁ, DO ପାରାମିଟର ହେଉଛି WQI ନିର୍ଣ୍ଣୟ କରିବାରେ ସବୁଠାରୁ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ। pH WQI ଉପରେ ସବୁଠାରୁ କମ୍ ପ୍ରଭାବ ପକାଏ। ଏହା ବ୍ୟତୀତ, ପରିସ୍ଥିତି 3 ରୁ 6 ମଡେଲ ଇନପୁଟ୍ ମିଶ୍ରଣରେ ଚଳକ ସଂଖ୍ୟାକୁ ହ୍ରାସ କରି ସମୟ ଏବଂ ମୂଲ୍ୟ ଦୃଷ୍ଟିରୁ ମଡେଲର ଦକ୍ଷତା ଦେଖାଏ (r > 0.6, NSE > 0.5 (ଭଲ), WI > 0.7 (ଭଲ))। ଏକତ୍ରିତ ଭାବରେ, ମଡେଲ ଜଳ ଗୁଣବତ୍ତା ପରିଚାଳନାରେ ତଥ୍ୟ-ଚାଳିତ ନିଷ୍ପତ୍ତି ଗ୍ରହଣକୁ ବହୁଳ ଭାବରେ ଉନ୍ନତ ଏବଂ ତ୍ୱରାନ୍ୱିତ କରିବ, ମାନବ ହସ୍ତକ୍ଷେପ ବିନା ତଥ୍ୟକୁ ଅଧିକ ସୁଗମ ଏବଂ ଆକର୍ଷଣୀୟ କରିବ।

୧ ପରିଚୟ

"ଜଳ ପ୍ରଦୂଷଣ" ଶବ୍ଦଟି ବିଭିନ୍ନ ପ୍ରକାରର ଜଳର ପ୍ରଦୂଷଣକୁ ବୁଝାଏ, ଯେଉଁଥିରେ ପୃଷ୍ଠ ଜଳ (ସମୁଦ୍ର, ହ୍ରଦ ଏବଂ ନଦୀ) ଏବଂ ଭୂତଳ ଜଳ ଅନ୍ତର୍ଭୁକ୍ତ। ଏହି ସମସ୍ୟାର ବୃଦ୍ଧିର ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ କାରଣ ହେଉଛି ପ୍ରଦୂଷକମାନଙ୍କୁ ପ୍ରତ୍ୟକ୍ଷ କିମ୍ବା ପରୋକ୍ଷ ଭାବରେ ଜଳ ଉତ୍ସରେ ଛାଡ଼ିବା ପୂର୍ବରୁ ପର୍ଯ୍ୟାପ୍ତ ଭାବରେ ବିଶୋଧନ କରାଯାଏ ନାହିଁ। ଜଳ ଗୁଣବତ୍ତା ପରିବର୍ତ୍ତନ କେବଳ ସାମୁଦ୍ରିକ ପରିବେଶ ଉପରେ ନୁହେଁ, ବରଂ ସାର୍ବଜନୀନ ଜଳ ଯୋଗାଣ ଏବଂ କୃଷି ପାଇଁ ମଧୁର ଜଳର ଉପଲବ୍ଧତା ଉପରେ ମଧ୍ୟ ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ପ୍ରଭାବ ପକାଇଥାଏ। ବିକାଶଶୀଳ ଦେଶଗୁଡ଼ିକରେ, ଦ୍ରୁତ ଆର୍ଥିକ ଅଭିବୃଦ୍ଧି ସାଧାରଣ, ଏବଂ ଏହି ଅଭିବୃଦ୍ଧିକୁ ପ୍ରୋତ୍ସାହିତ କରୁଥିବା ପ୍ରତ୍ୟେକ ପ୍ରକଳ୍ପ ପରିବେଶ ପାଇଁ କ୍ଷତିକାରକ ହୋଇପାରେ। ଜଳ ସମ୍ପଦର ଦୀର୍ଘକାଳୀନ ପରିଚାଳନା ଏବଂ ଲୋକ ଏବଂ ପରିବେଶର ସୁରକ୍ଷା ପାଇଁ, ଜଳ ଗୁଣବତ୍ତା ନିରୀକ୍ଷଣ ଏବଂ ମୂଲ୍ୟାଙ୍କନ ଅତ୍ୟାବଶ୍ୟକ। ଜଳ ଗୁଣବତ୍ତା ସୂଚକାଙ୍କ, ଯାହାକୁ WQI ମଧ୍ୟ କୁହାଯାଏ, ଜଳ ଗୁଣବତ୍ତା ତଥ୍ୟରୁ ଉତ୍ପନ୍ନ ହୋଇଥାଏ ଏବଂ ନଦୀ ଜଳ ଗୁଣବତ୍ତାର ବର୍ତ୍ତମାନର ସ୍ଥିତି ନିର୍ଣ୍ଣୟ କରିବା ପାଇଁ ବ୍ୟବହାର କରାଯାଏ। ଜଳ ଗୁଣବତ୍ତା ପରିବର୍ତ୍ତନର ପରିମାଣ ମୂଲ୍ୟାଙ୍କନ କରିବାରେ, ଅନେକ ଚଳକ ବିଚାର କରିବାକୁ ପଡିବ। WQI କୌଣସି ପରିମାଣ ବିନା ଏକ ସୂଚକାଙ୍କ। ଏଥିରେ ନିର୍ଦ୍ଦିଷ୍ଟ ଜଳ ଗୁଣବତ୍ତା ପାରାମିଟର ରହିଛି। WQI ଐତିହାସିକ ଏବଂ ବର୍ତ୍ତମାନର ଜଳ ଉତ୍ସଗୁଡ଼ିକର ଗୁଣବତ୍ତା ବର୍ଗୀକରଣ ପାଇଁ ଏକ ପଦ୍ଧତି ପ୍ରଦାନ କରେ। WQIର ଅର୍ଥପୂର୍ଣ୍ଣ ମୂଲ୍ୟ ନିଷ୍ପତ୍ତି ଗ୍ରହଣକାରୀଙ୍କ ନିଷ୍ପତ୍ତି ଏବଂ କାର୍ଯ୍ୟକୁ ପ୍ରଭାବିତ କରିପାରେ। 1 ରୁ 100 ସ୍କେଲରେ, ସୂଚକାଙ୍କ ଯେତେ ଅଧିକ ହେବ, ଜଳ ଗୁଣବତ୍ତା ସେତେ ଭଲ ହେବ। ସାଧାରଣତଃ, 80 ଏବଂ ତା'ଠାରୁ ଅଧିକ ସ୍କୋର ଥିବା ନଦୀ ଷ୍ଟେସନଗୁଡ଼ିକର ଜଳ ଗୁଣବତ୍ତା ସ୍ୱଚ୍ଛ ନଦୀ ପାଇଁ ମାନଦଣ୍ଡ ପୂରଣ କରେ। 40 ରୁ କମ୍ WQI ମୂଲ୍ୟକୁ ପ୍ରଦୂଷିତ ବୋଲି ବିବେଚନା କରାଯାଏ, ଯେତେବେଳେ 40 ରୁ 80 ମଧ୍ୟରେ WQI ମୂଲ୍ୟ ସୂଚାଇଥାଏ ଯେ ଜଳ ଗୁଣବତ୍ତା ପ୍ରକୃତରେ ସାମାନ୍ୟ ପ୍ରଦୂଷିତ।

ସାଧାରଣତଃ, WQI ଗଣନା କରିବା ପାଇଁ ଏକ ସବଇଣ୍ଡେକ୍ସ ପରିବର୍ତ୍ତନର ଏକ ସେଟ୍ ଆବଶ୍ୟକ ଯାହା ଦୀର୍ଘ, ଜଟିଳ ଏବଂ ତ୍ରୁଟିପ୍ରବଣ। WQI ଏବଂ ଅନ୍ୟାନ୍ୟ ଜଳ ଗୁଣବତ୍ତା ପାରାମିଟର ମଧ୍ୟରେ ଜଟିଳ ଅଣ-ରେଖିକ ପାରସ୍ପରିକ କ୍ରିୟା ଅଛି। WQI ଗଣନା କରିବା କଷ୍ଟକର ହୋଇପାରେ ଏବଂ ବହୁତ ସମୟ ନେଇପାରେ କାରଣ ବିଭିନ୍ନ WQI ବିଭିନ୍ନ ସୂତ୍ର ବ୍ୟବହାର କରନ୍ତି, ଯାହା ତ୍ରୁଟି ସୃଷ୍ଟି କରିପାରେ। ଏକ ପ୍ରମୁଖ ଚ୍ୟାଲେଞ୍ଜ ହେଉଛି ଯେ ଯଦି ଗୋଟିଏ କିମ୍ବା ଅଧିକ ଜଳ ଗୁଣବତ୍ତା ପାରାମିଟର ଅନୁପସ୍ଥିତ ଥାଏ ତେବେ WQI ପାଇଁ ସୂତ୍ର ଗଣନା କରିବା ଅସମ୍ଭବ। ଏହା ବ୍ୟତୀତ, କିଛି ମାନଦଣ୍ଡ ପାଇଁ ସମୟସାପେକ୍ଷ, ସମ୍ପୂର୍ଣ୍ଣ ନମୁନା ସଂଗ୍ରହ ପ୍ରକ୍ରିୟା ଆବଶ୍ୟକ ଯାହା ନମୁନାର ସଠିକ୍ ପରୀକ୍ଷା ଏବଂ ଫଳାଫଳ ପ୍ରଦର୍ଶନ ଗ୍ୟାରେଣ୍ଟି ଦେବା ପାଇଁ ପ୍ରଶିକ୍ଷିତ ବୃତ୍ତିଗତମାନଙ୍କ ଦ୍ୱାରା କରାଯିବା ଆବଶ୍ୟକ। ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ଏବଂ ଉପକରଣରେ ଉନ୍ନତି ସତ୍ତ୍ୱେ, ଉଚ୍ଚ କାର୍ଯ୍ୟକ୍ଷମ ଏବଂ ପରିଚାଳନା ଖର୍ଚ୍ଚ ଦ୍ୱାରା ବ୍ୟାପକ ସାମୟିକ ଏବଂ ସ୍ଥାନିକ ନଦୀ ଜଳ ଗୁଣବତ୍ତା ନିରୀକ୍ଷଣ ବାଧାପ୍ରାପ୍ତ ହୋଇଛି।

ଏହି ଆଲୋଚନା ଦର୍ଶାଉଛି ଯେ WQI ପ୍ରତି କୌଣସି ବିଶ୍ୱସ୍ତରୀୟ ଦୃଷ୍ଟିକୋଣ ନାହିଁ। ଏହା ଏକ ଗଣନାାତ୍ମକ ଭାବରେ ଦକ୍ଷ ଏବଂ ସଠିକ୍ ଉପାୟରେ WQI ଗଣନା ପାଇଁ ବିକଳ୍ପ ପଦ୍ଧତି ବିକଶିତ କରିବାର ଆବଶ୍ୟକତାକୁ ବୃଦ୍ଧି କରେ। ନଦୀ ଜଳ ଗୁଣବତ୍ତା ନିରୀକ୍ଷଣ ଏବଂ ମୂଲ୍ୟାଙ୍କନ କରିବା ପାଇଁ ପରିବେଶଗତ ସମ୍ବଳ ପରିଚାଳକମାନଙ୍କ ପାଇଁ ଏପରି ଉନ୍ନତି ଉପଯୋଗୀ ହୋଇପାରେ। ଏହି ପରିପ୍ରେକ୍ଷୀରେ, କିଛି ଗବେଷକ WQI ପୂର୍ବାନୁମାନ କରିବା ପାଇଁ ସଫଳତାର ସହିତ AI ବ୍ୟବହାର କରିଛନ୍ତି; Ai-ଆଧାରିତ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ମଡେଲିଂ ସବ୍-ଇଣ୍ଡେକ୍ସ ଗଣନାକୁ ଏଡ଼ାଇ ଦିଏ ଏବଂ ଶୀଘ୍ର WQI ଫଳାଫଳ ସୃଷ୍ଟି କରେ। Ai-ଆଧାରିତ ମେସିନ୍ ଲର୍ଣ୍ଣିଂ ଆଲଗୋରିଦମଗୁଡ଼ିକ ସେମାନଙ୍କର ଅଣ-ରୈଖିକ ସ୍ଥାପତ୍ୟ, ଜଟିଳ ଘଟଣାଗୁଡ଼ିକର ପୂର୍ବାନୁମାନ କରିବାର କ୍ଷମତା, ବିଭିନ୍ନ ଆକାରର ତଥ୍ୟ ସମେତ ବଡ଼ ତଥ୍ୟ ସେଟ୍ ପରିଚାଳନା କରିବାର କ୍ଷମତା ଏବଂ ଅସମ୍ପୂର୍ଣ୍ଣ ତଥ୍ୟ ପ୍ରତି ଅସମ୍ବେଦନଶୀଳତା ଯୋଗୁଁ ଲୋକପ୍ରିୟତା ହାସଲ କରୁଛନ୍ତି। ସେମାନଙ୍କର ପୂର୍ବାନୁମାନ ଶକ୍ତି ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ତଥ୍ୟ ସଂଗ୍ରହ ଏବଂ ପ୍ରକ୍ରିୟାକରଣର ପଦ୍ଧତି ଏବଂ ସଠିକତା ଉପରେ ନିର୍ଭର କରେ।