အာရုံခံနိုင်စွမ်း ခွဲခြမ်းစိတ်ဖြာမှုပါရှိသော အထောက်အပံ့ ဗက်တာစက်ကို အသုံးပြု၍ ရေအရည်အသွေး အညွှန်းကိန်း ခန့်မှန်းချက် မြှင့်တင်ခြင်း

မလေးရှားနိုင်ငံ ပတ်ဝန်းကျင်ထိန်းသိမ်းရေးဌာန (DOE) သည် ၂၅ နှစ်ကြာ ရေအရည်အသွေး ညွှန်းကိန်း (WQI) ကို အကောင်အထည်ဖော်ခဲ့ပြီး အဓိက ရေအရည်အသွေး ညွှန်းကိန်းခြောက်ခုဖြစ်သည့် ပျော်ဝင်အောက်ဆီဂျင် (DO)၊ ဇီဝဓာတုအောက်ဆီဂျင် လိုအပ်ချက် (BOD)၊ ဓာတုအောက်ဆီဂျင် လိုအပ်ချက် (COD)၊ pH၊ အမိုးနီးယားနိုက်ထရိုဂျင် (AN) နှင့် ဆိုင်းငံ့ထားသော အစိုင်အခဲများ (SS) တို့ကို အသုံးပြုသည်။ ရေအရည်အသွေး ခွဲခြမ်းစိတ်ဖြာမှုသည် ရေအရင်းအမြစ်စီမံခန့်ခွဲမှု၏ အရေးကြီးသော အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး ညစ်ညမ်းမှုကြောင့် ဂေဟစနစ်ပျက်စီးမှုကို ကာကွယ်ရန်နှင့် ပတ်ဝန်းကျင်ဆိုင်ရာ စည်းမျဉ်းများနှင့် ကိုက်ညီမှုရှိစေရန် စနစ်တကျ စီမံခန့်ခွဲရမည်ဖြစ်သည်။ ၎င်းသည် ခွဲခြမ်းစိတ်ဖြာမှုအတွက် ထိရောက်သောနည်းလမ်းများကို သတ်မှတ်ရန် လိုအပ်ချက်ကို တိုးမြင့်စေသည်။ လက်ရှိကွန်ပျူတာ၏ အဓိကစိန်ခေါ်မှုများထဲမှ တစ်ခုမှာ အချိန်ကုန်သော၊ ရှုပ်ထွေးသော နှင့် အမှားအယွင်းများသော ဆပ်ညွှန်းကိန်း တွက်ချက်မှုများ အများအပြား လိုအပ်ခြင်းဖြစ်သည်။ ထို့အပြင် ရေအရည်အသွေး ညွှန်းကိန်းတစ်ခု သို့မဟုတ် တစ်ခုထက်ပို၍ ပျောက်ဆုံးနေပါက WQI ကို တွက်ချက်၍မရပါ။ ဤလေ့လာမှုတွင် လက်ရှိလုပ်ငန်းစဉ်၏ ရှုပ်ထွေးမှုအတွက် WQI ၏ အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်သည့်နည်းလမ်းကို တီထွင်ထားသည်။ ဒေတာမောင်းနှင်သည့် မော်ဒယ်လ်၏ အလားအလာ၊ ဆိုလိုသည်မှာ 10x cross-validation ပေါ်တွင် အခြေခံသည့် Nu-Radial basis function support vector machine (SVM) ကို Langat basin တွင် WQI ၏ ခန့်မှန်းချက်ကို မြှင့်တင်ရန် တီထွင်ပြီး စူးစမ်းလေ့လာခဲ့သည်။ WQI ခန့်မှန်းချက်တွင် မော်ဒယ်၏ ထိရောက်မှုကို ဆုံးဖြတ်ရန် အခြေအနေခြောက်ခုအောက်တွင် ပြည့်စုံသော sensitivity analysis တစ်ခုကို ပြုလုပ်ခဲ့သည်။ ပထမကိစ္စတွင် မော်ဒယ် SVM-WQI သည် DOE-WQI ကို ပုံတူကူးရန် အလွန်ကောင်းမွန်သောစွမ်းရည်ကို ပြသခဲ့ပြီး စာရင်းအင်းရလဒ်များ အလွန်မြင့်မားစွာ ရရှိခဲ့သည် (correlation coefficient r > 0.95၊ Nash Sutcliffe ထိရောက်မှု၊ NSE >0.88၊ Willmott's consistency index၊ WI > 0.96)။ ဒုတိယအခြေအနေတွင် မော်ဒယ်လ်လုပ်ငန်းစဉ်က WQI ကို parameter ခြောက်ခုမပါဘဲ ခန့်မှန်းနိုင်ကြောင်း ပြသသည်။ ထို့ကြောင့် DO parameter သည် WQI ကို ဆုံးဖြတ်ရာတွင် အရေးကြီးဆုံးအချက်ဖြစ်သည်။ pH သည် WQI အပေါ် အနည်းဆုံးအကျိုးသက်ရောက်မှုရှိသည်။ ထို့အပြင်၊ အခြေအနေ ၃ မှ ၆ အထိသည် မော်ဒယ်လ်ထည့်သွင်းမှုပေါင်းစပ်မှုတွင် variable အရေအတွက်ကို လျှော့ချခြင်းဖြင့် အချိန်နှင့် ကုန်ကျစရိတ်အရ မော်ဒယ်လ်၏ ထိရောက်မှုကို ပြသသည် (r > 0.6၊ NSE >0.5 (ကောင်း)၊ WI > 0.7 (အလွန်ကောင်း))။ အားလုံးကို ခြုံငုံကြည့်လျှင် မော်ဒယ်လ်သည် ရေအရည်အသွေးစီမံခန့်ခွဲမှုတွင် data-driven ဆုံးဖြတ်ချက်ချခြင်းကို သိသိသာသာ တိုးတက်စေပြီး အရှိန်မြှင့်ပေးမည်ဖြစ်ပြီး လူသားဝင်ရောက်စွက်ဖက်မှုမရှိဘဲ data ကို ပိုမိုရရှိနိုင်ပြီး ဆွဲဆောင်မှုရှိစေမည်ဖြစ်သည်။

၁။ မိတ်ဆက်

“ရေညစ်ညမ်းမှု” ဟူသော ဝေါဟာရသည် မျက်နှာပြင်ရေ (သမုဒ္ဒရာ၊ ရေကန်နှင့် မြစ်များ) နှင့် မြေအောက်ရေ အပါအဝင် ရေအမျိုးအစားများစွာ၏ ညစ်ညမ်းမှုကို ရည်ညွှန်းသည်။ ဤပြဿနာကြီးထွားလာရခြင်း၏ အရေးပါသောအချက်တစ်ခုမှာ ညစ်ညမ်းပစ္စည်းများကို ရေပြင်များထဲသို့ တိုက်ရိုက် သို့မဟုတ် သွယ်ဝိုက်၍ မထုတ်လွှတ်မီ လုံလောက်စွာ မကုသခြင်းပင်ဖြစ်သည်။ ရေအရည်အသွေးပြောင်းလဲမှုများသည် ရေကြောင်းပတ်ဝန်းကျင်အပေါ်တွင်သာမက အများပြည်သူသုံးရေပေးဝေရေးနှင့် စိုက်ပျိုးရေးအတွက် ရေချိုရရှိနိုင်မှုအပေါ်တွင်လည်း သိသာထင်ရှားသော သက်ရောက်မှုရှိသည်။ ဖွံ့ဖြိုးဆဲနိုင်ငံများတွင် စီးပွားရေးတိုးတက်မှုမြန်ဆန်ခြင်းသည် အဖြစ်များပြီး ဤတိုးတက်မှုကို မြှင့်တင်ပေးသော စီမံကိန်းတိုင်းသည် ပတ်ဝန်းကျင်အတွက် အန္တရာယ်ဖြစ်စေနိုင်သည်။ ရေအရင်းအမြစ်များကို ရေရှည်စီမံခန့်ခွဲမှုနှင့် လူနှင့် ပတ်ဝန်းကျင်ကို ကာကွယ်ရန်အတွက် ရေအရည်အသွေးကို စောင့်ကြည့်ခြင်းနှင့် အကဲဖြတ်ခြင်းသည် မရှိမဖြစ်လိုအပ်သည်။ WQI ဟုလည်း လူသိများသော ရေအရည်အသွေးညွှန်းကိန်းကို ရေအရည်အသွေးဒေတာမှ ဆင်းသက်လာပြီး မြစ်ရေအရည်အသွေး၏ လက်ရှိအခြေအနေကို ဆုံးဖြတ်ရန် အသုံးပြုသည်။ ရေအရည်အသွေးပြောင်းလဲမှုအတိုင်းအတာကို အကဲဖြတ်ရာတွင် ကိန်းရှင်များစွာကို ထည့်သွင်းစဉ်းစားရမည်။ WQI သည် မည်သည့်အတိုင်းအတာမှ မပါဝင်သော အညွှန်းကိန်းတစ်ခုဖြစ်သည်။ ၎င်းတွင် သီးခြားရေအရည်အသွေး ကန့်သတ်ချက်များ ပါဝင်သည်။ WQI သည် သမိုင်းဝင်နှင့် လက်ရှိရေပြင်များ၏ အရည်အသွေးကို အမျိုးအစားခွဲခြားရန် နည်းလမ်းတစ်ခုကို ပေးသည်။ WQI ၏ အဓိပ္ပာယ်ရှိသောတန်ဖိုးသည် ဆုံးဖြတ်ချက်ချသူများ၏ ဆုံးဖြတ်ချက်များနှင့် လုပ်ဆောင်ချက်များကို လွှမ်းမိုးနိုင်သည်။ ၁ မှ ၁၀၀ အထိ စကေးတွင် အညွှန်းကိန်းမြင့်လေ၊ ရေအရည်အသွေး ပိုကောင်းလေဖြစ်သည်။ ယေဘုယျအားဖြင့် ရမှတ် ၈၀ နှင့်အထက်ရှိသော မြစ်ချောင်းစခန်းများ၏ ရေအရည်အသွေးသည် သန့်ရှင်းသောမြစ်များအတွက် စံနှုန်းများနှင့် ကိုက်ညီပါသည်။ WQI တန်ဖိုး ၄၀ အောက်ကို ညစ်ညမ်းသည်ဟု ယူဆပြီး WQI တန်ဖိုး ၄၀ မှ ၈၀ အကြားရှိလျှင် ရေအရည်အသွေး အနည်းငယ်ညစ်ညမ်းနေကြောင်း ညွှန်ပြသည်။

ယေဘုယျအားဖြင့် WQI တွက်ချက်ရာတွင် ရှည်လျားရှုပ်ထွေးပြီး အမှားအယွင်းများသော subindex transformations အစုံတစ်ခု လိုအပ်ပါသည်။ WQI နှင့် အခြားရေအရည်အသွေး parameters များအကြား ရှုပ်ထွေးသော nonlinear interactions များရှိပါသည်။ WQI တွက်ချက်ခြင်းသည် ခက်ခဲပြီး အချိန်ကြာမြင့်နိုင်သည်၊ အဘယ်ကြောင့်ဆိုသော် မတူညီသော WQI များသည် မတူညီသော ဖော်မြူလာများကို အသုံးပြုကြပြီး အမှားအယွင်းများ ဖြစ်ပေါ်စေနိုင်သောကြောင့်ဖြစ်သည်။ အဓိကစိန်ခေါ်မှုတစ်ခုမှာ ရေအရည်အသွေး parameters တစ်ခု သို့မဟုတ် တစ်ခုထက်ပို၍ ပျောက်ဆုံးနေပါက WQI အတွက် ဖော်မြူလာကို တွက်ချက်ရန် မဖြစ်နိုင်ခြင်းဖြစ်သည်။ ထို့အပြင်၊ အချို့သောစံနှုန်းများသည် အချိန်ကုန်ပြီး ပြည့်စုံသော နမူနာစုဆောင်းမှုလုပ်ထုံးလုပ်နည်းများ လိုအပ်ပြီး နမူနာများကို တိကျစွာစစ်ဆေးခြင်းနှင့် ရလဒ်များပြသခြင်းကို အာမခံရန် လေ့ကျင့်ထားသော ပညာရှင်များက ဆောင်ရွက်ရမည်ဖြစ်သည်။ နည်းပညာနှင့် ပစ္စည်းကိရိယာများတွင် တိုးတက်မှုများရှိသော်လည်း၊ ကျယ်ပြန့်သော အချိန်နှင့် နေရာဒေသဆိုင်ရာ မြစ်ရေအရည်အသွေး စောင့်ကြည့်ခြင်းသည် မြင့်မားသော လုပ်ငန်းလည်ပတ်မှုနှင့် စီမံခန့်ခွဲမှုကုန်ကျစရိတ်များကြောင့် အဟန့်အတားဖြစ်စေခဲ့သည်။

ဤဆွေးနွေးချက်က WQI အတွက် ကမ္ဘာလုံးဆိုင်ရာချဉ်းကပ်မှုမရှိကြောင်း ပြသနေသည်။ ၎င်းသည် WQI ကို တွက်ချက်ရာတွင် ထိရောက်ပြီး တိကျသောနည်းလမ်းဖြင့် တွက်ချက်ရန် အခြားနည်းလမ်းများ တီထွင်ရန် လိုအပ်ချက်ကို မြင့်တက်စေသည်။ ထိုကဲ့သို့သော တိုးတက်မှုများသည် ပတ်ဝန်းကျင်အရင်းအမြစ်မန်နေဂျာများအတွက် မြစ်ရေအရည်အသွေးကို စောင့်ကြည့်အကဲဖြတ်ရန်အတွက် အသုံးဝင်နိုင်ပါသည်။ ဤအခြေအနေတွင် သုတေသီအချို့သည် WQI ကို ခန့်မှန်းရန် AI ကို အောင်မြင်စွာအသုံးပြုခဲ့ကြသည်။ Ai-based machine learning modeling သည် sub-index တွက်ချက်မှုကို ရှောင်ရှားပြီး WQI ရလဒ်များကို လျင်မြန်စွာထုတ်ပေးသည်။ Ai-based machine learning algorithms များသည် ၎င်းတို့၏ non-linear architecture၊ ရှုပ်ထွေးသောဖြစ်ရပ်များကို ခန့်မှန်းနိုင်စွမ်း၊ အရွယ်အစားအမျိုးမျိုးရှိသော data များအပါအဝင် data set ကြီးများကို စီမံခန့်ခွဲနိုင်စွမ်းနှင့် မပြည့်စုံသော data များအပေါ် အာရုံမစိုက်နိုင်မှုတို့ကြောင့် ရေပန်းစားလာနေသည်။ ၎င်းတို့၏ ခန့်မှန်းနိုင်စွမ်းသည် data စုဆောင်းခြင်းနှင့် လုပ်ဆောင်ခြင်း၏ နည်းလမ်းနှင့် တိကျမှုပေါ်တွင် အပြည့်အဝမူတည်သည်။