使用客观加权WQI和机器学习方法预测沿海地下水质量

科学领域:

• 环境科学 环境科学
• 水资源管理 水资源管理
• 人工智能的人工智能

背景情况:

• 沿海地区的地下水位正在下降,需要有效监测水质.
• 准确预测地下水状况对于可持续的水资源管理和公共卫生至关重要.

研究的目的:

• 为了比较和批判的基于重量的水质指数 (WQI) 方法.
• 开发和验证用于WQI预测的多层感知人工神经网络 (MLP-ANN) 模型.
• 使用地理信息系统 (GIS) 识别受污染的地区.

主要方法:

• 从印度东部 (2018-2022) 收集了1000个水样数据集.
• 估计基于的WQI (ENW-WQI) 和基于关键的WQI (CRITIC-WQI).
• 开发了使用不同数据分区和隐藏神经元数量的MLP-ANN模型,通过相关性和试错分析进行验证.
• 使用反向距离加权插值生成空间分布图.

主要成果:

• 65-67%的水样被评为非常好或适合饮用.
• 在CRITIC-WQI-MLP-ANN-II模型实现了最高的准确性 (R2=0.986,NSE=0.98,错误率=0.49%).
• 基于GIS的WQI地图确定了饮用水质量不同地区.

结论:

• 克里蒂克-WQI-MLP-ANN-II模型在WQI预测方面表现出卓越的性能.
• 地理信息系统绘制有效地可视化了地下水质量分布.
• 这些发现支持在沿海地区计划提供安全饮用水.