Прогнозирование и классификация индекса качества грунтовых вод с использованием регрессионных моделей обучения

Прогнозирование и классификация индекса качества грунтовых вод с использованием регрессионных моделей обучения

Автор: Мери А., Джонсон И., Субраманиам К., Кертикеян М., Рошан Д.

Журнал: Российский журнал биомеханики @journal-biomech

Статья в выпуске: 2 (100) т.27, 2023 года.

Бесплатный доступ

Грунтовые воды - жизненно важный природный ресурс для бытового использования, в том числе и для питья, а также в сельском хозяйстве и промышленном секторе. Качество и количество грунтовых вод сильно меняется с течением времени и зависит от географической локации. Индекс качества воды зависит от множества параметров и остается главным индикатором качества воды, приводящим к эффективному управлению водными ресурсами. Автоматизированная система для прогнозирования качества воды позволила бы улучшить жизнь населения с точки зрения государственного управления. Основной целью исследования является разработка модели для прогнозирования качества воды в разных районах штата Тамилнад в Индии с помощью методов машинного обучения (МО). Базовые данные включают в себя физические и химические показатели грунтовых вод, такие как pH, электропроводность, жесткость воды, содержание Ca2+, Mg2+, Na+, HCO -, NO -, SO 2- и 3 3 4 Cl- наряду с их пригодностью для орошения и питьевых целей. В этом исследовании проведено сравнение нескольких алгоритмов машинного обучения. Результаты этого исследования могут быть усилены путем сравнения производительности различных моделей с учетом множества входных гидрохимических параметров.

Еще

Качество воды, модели исскуственного иетелекта, прогнозирование, индекс качества воды, классификация

Короткий адрес: https://sciup.org/146282746

IDR: 146282746   |   DOI: 10.15593/RZhBiomeh/2023.2.05

Список литературы Прогнозирование и классификация индекса качества грунтовых вод с использованием регрессионных моделей обучения

  • Abyaneh H.Z. Evaluation of multivariate linear regression and artificial neural networks in prediction of ground quality parameters // Journal of Environmental Science and Health. -2014. - Vol. 12, No. 40. - P. 12-23.
  • Alias Ecosystem Health Assessment of Sungai Pengkalan Chepa Basin: Water Quality and Heavy Metal Analysis. Saint Malays // S.W.A.N. - 2020. - Vol. 49, No. 1. - P. 179-187.
  • Al-Othman A. A. Evaluation of the suitability of surface water from riyadh mainstream saudi arabia for a variety of uses // Arabian Journal of Chemistry. - 2019. - Vol. 12, No. 8. -Р. 2104-2110.
  • Al-Badaii F., Shuhaimi-Othman M., Gasim M.B. Water quality assessment of the Semenyih river, Selangor, Malaysia // Journal of Chemistry. - 2013. - Vol. 46, No. 4. -P. 34-46.
  • Agrawal P., Sinha A., Kumar S., Agarwal A., Banerjee A., Villuri V.G.K., Annavarapu C.S.R., Dwivedi R., Dera V.V.R., Sinha J., Pasupuleti S. Exploring artificial intelligence techniques for groundwater quality assessment // Water. -2021. - Vol. 13, No. 117. - P. 98-114.
  • Ahmad Z., Rahim N., Bahadori A., Zhang J. Improving water quality index prediction in the Perak River basin Malaysia through a combination of multiple neural networks // International Journal of River Basin Management. - 2017. -Vol. 15, No. 2. - Р. 79-87.
  • Asadollah S.B.H.S., Sharafati A., Motta D., Yaseen Z.M. River water quality index prediction and uncertainty analysis: A comparative study of machine learning models // Journal of Environmental Chemical. - 2021. - Vol. 9, No. 3 -P. 105-109.
  • Azad A., Karami H., Farzin S., Saeedian A., Kashi H., Sayyahi F. Prediction of water quality parameters using ANFIS optimized by intelligence algorithms (case study: Gorganrood river) // KSCE Journal of Civil Engineering. -2018. - Vol. 22. - P. 2206-2213.
  • Bui X.N., Nguyen H, Le H.A., Bui H.B., Do N.H. Prediction of Blast-induced Air Overpressure in Open-Pit Mine: Assessment of Different Artificial Intelligence Techniques Natural Resources Research. - 2019. doi: 10.1007/s11053-019-09461-0
  • Bui D.T., Khosravi K., Tiefenbacher J., Nguyen H., Kazakis N. Improving prediction of water quality indices using novel hybrid machine-learning algorithms // Science of the Total Environment. - 2020. - Vol. 721. - No. 137612. - P. 1-14.
  • Chou J.S., Ho C.C., Hoang H.S. Determining the quality of water in a reservoir using machine learning // Ecological Informatics. - 2018. - Vol. 44. - P. 57-75.
  • Danades A., Pratama D., Anggraini D., Anggriani D. Comparison of accuracy level K-nearest neighbor algorithm and support vector machine algorithm in classification water quality status // 6th International Conference on System Engineering and Technology (ICSET). - 2016. - P. 137-141.
  • Das Kangabam, Bhoominathan S.D., Kanagaraj S., Govindaraju M. Development of a water quality index (WQI) for the Loktak Lake in India // Applied Water Science. -2017. - Vol. 7, No. 6. - P. 2907-2918.
  • Gazzaz N.M., Yusoff M.K., Aris A.Z., Juahir H., Ramli M.F. Artificial neural network modeling of the water quality index for Kinta River (Malaysia) using water quality variables as predictors // The Marine Pollution Bulletin. - 2012. -Vol. 64. - P. 2409-2420.
  • Haghiabi A.H., Nasrolahi A.H., Parsaie A. Water quality prediction using machine learning methods // Water Quality Research Journal. - 2018. - Vol. 53. - P. 3-12.
  • Hamzeh Haghibi A., Nasrolahi A., Parsaie A. Water quality prediction using machine learning methods // Water Quality Research Journal. - 2018. - Vol. 53, No. 1. - P. 3-13.
  • Jaloree S., Rajput A., Sanjeev G. Decision tree approach to build a model for water quality // Binary Journal of Data Mining & Networking. - 2014. - Vol. 4. - P. 25-28.
  • Kulisz M., Kujawska J., Przysucha B., Cel W. Forecasting water quality index in groundwater using artificial neural network // Energies. - 2021. - Vol. 14, No. 5875.
  • Kulisz M., Kujawska J. Application of artificial neural network (ANN) for water quality index (WQI) prediction for the river Warta, Poland // Journal of Physics: Conference Series. - 2021.
  • Liu J., Yu C., Hu Z. et al. Accurate prediction scheme of water quality in smart mariculture with deep Bi-S-SRU learning network // IEEE Access. - 2020. - Vol. 8. - P. 24784-24798.
  • Leong W.C., Bahadori A., Zhang J, Ahmad H. Prediction of water quality index (WQI) using support vector machine (SVM) and least square-support vector machine (LS-SVM) // International Journal of River Basin Management. - 2019.
  • Machiwal D., Cloutier V., Guler C., Kazakis N. A Review of GIS - Integrated Statistical Techniques for Groundwater Quality Evaluation and Protection // Environmental Earth Science. - 2018. - Vol. 77, No. 681.
  • Nayan A.A., Kibria M.G., Rahman M.O., Saha J. River Water Quality Analysis and Prediction Using GBM. - 2021. -No. 11. P. 219-224.
  • Ogutu J.O., Schulz-Streeck T., Piepho H.P. Genomic selection using regularized linear regression models: Ridge regression, lasso, elastic net, and their extensions // BMC Proc. - 2012. -Vol. 6, No. 10. - P. 34-46.
  • Rankovic V., Radulovic J., Radojevic I., Ostojic A., Comic L. Neural network modeling of dissolved oxygen in the Gruza reservoir, Serbia // Ecological Modelling. - 2010. -Vol. 221. - P. 1239-1244.
  • Rose L., Mary X.A., Johnson I. et al. Polyaza functionalized graphene oxide nanomaterial based sensor for Escherichia coli detection in water matrices // Scientific Reports. - 2021. -No. 11. https://doi.org/10.1038/s41598-021-96539-6
  • Rose L., Mary X.A., Karthik C. Integration of sensors for dam water quality analysis - a prototype // Water Science and Technology. - 2021. - No. 11. doi: 10.2166/wst.2021.246.
  • Schneider A., Hommel G., Blettner M. Linear regression analysis: Part 14 of a series on evaluation of scientific publications // Deutsches Arzteblatt International. - 2010. -Vol. 107. - No. 776-78.
  • Shafi U., Mumtaz R., Anwar H., Qamar A.M., Khurshid H. Surface water pollution detection using internet of things // 15th International Conference on Smart Cities: Improving Quality of Life Using ICT & IoT (HONET-ICT). - 2018. -P. 92-96.
  • Sudhakar S., Pasupuleti S., Singha S.S., Singh R., Kumar S. Prediction of groundwater quality using efficient machine learning technique // Chemosphere. - 2021. - Vol. 276. -No. 130265.
  • Tyagi S., Sharma B., Singh P., Dobhal R. Water quality assessment in terms of water quality index // American Journal of Water Resources. - 2013. - Vol. 1, No. 3. - P. 34-38.
  • Zhang W., Wu C., Zhong H., Li Y., Wang L. Prediction of undrained shear strength using extreme gradient boosting and random forest based on Bayesian optimization // Geoscience Frontiers. - 2021. - Vol. 12, No. 1. - P. 469-477.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp