Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán Chất lượng Nước Ngầm Sử dụng Bảy Loại Mô Hình Xám Đơn Biến Cấp Một Đầu ở Lưu Vực Chishan, Đài Loan
Tóm tắt
Nghiên cứu này đại diện cho báo cáo đầu tiên về việc sử dụng sáng tạo bảy loại mô hình xám đơn biến cấp một, được viết tắt là mô hình GM (1, 1), để dự đoán toàn diện chất lượng nước ngầm trong lưu vực Chishan của Đài Loan, nơi một số khu vực có mức độ rủi ro nhất định đối với lũ lụt và hạn hán. Kết quả cho thấy mô hình GM (1, 1) có thể áp dụng vào việc dự đoán chất lượng nước ngầm. Hiệu suất dự đoán cho thấy rằng tỷ lệ sai số phần trăm tuyệt đối trung bình (MAPEs) cho pH và nhiệt độ thấp hơn 10%, cho thấy dự đoán có độ chính xác cao. MAPEs cho độ dẫn điện, clorua, và chất rắn hòa tan tổng lượng nằm trong khoảng từ 10 đến 20%, cho thấy dự đoán đạt yêu cầu tốt. MAPEs cho amoni, sulfat, độ cứng tổng, carbon hữu cơ tổng, sắt và mangan nằm trong khoảng từ 20 đến 50%, cho thấy dự đoán ở mức hợp lý. Tuy nhiên, mô hình này có dự đoán không chính xác cho độ kiềm tổng. Thông qua nghiên cứu, có thể phát triển một công cụ cảnh báo sớm để giảm thiểu rủi ro thiếu nước trong thời gian lũ và hạn hán do biến đổi khí hậu gây ra trong lưu vực.
Từ khóa
#mô hình xám #chất lượng nước ngầm #dự đoán #lưu vực Chishan #Đài Loan #rủi ro lũ lụt #hạn hánTài liệu tham khảo
Alagha, J. S., Said, M. A. M., Mogheir, Y., & Seyam, M. (2013). Modelling of chloride concentration in coastal aquifers using artificial neural networks–A case study: Khanyounis Governorate Gaza Strip-Palestine. Caspian Journal of Applied Sciences Research, 2, 158–165.
Ciampi, P., Esposito, C., & Papini, M. P. (2019). Hydrogeochemical model supporting the remediation strategy of a highly contaminated industrial site. Water, 11(7), 1371. https://doi.org/10.3390/w11071371
Coppola, E. A., McLane, C. F., Poulton, M. M., Szidarovszky, F., & Magelky, R. D. (2005). Predicting conductance due to upconing using neural networks. Groundwater, 43(6), 827–836.
Cunningham, W. P., & Cunningham, M. A. (2020). Principles of environmental science: Inquiry & applications. McGraw-Hill Company.
Deng, J. (2002). The foundation of grey theory. Huazhang University of Science and Technology Press.
Deng, J. (2005). The primary methods of grey system theory. Huazhang University of Science and Technology Press.
Gümrah, F., Öz, B., Güler, B., & Evin, S. (2000). The application of artificial neural networks for the prediction of water quality of polluted aquifer. Water, Air, & Soil Pollution, 119, 275–294.
Ilić, I., Puharić, M., & Ilić, D. (2021). Groundwater quality assessment and prediction of spatial variations in the area of the Danube River Basin (Serbia). Water, Air, & Soil Pollution, 232, 117.
Johnson, C. D., Nandi, A., Joyner, T. A., & Luffman, I. (2018). Iron and manganese in groundwater: Using kriging and GIS to locate high concentrations in Buncombe County, North Carolina. Groundwater, 56(1), 87–95.
Lal, A., & Datta, B. (2020). Performance evaluation of homogeneous and heterogeneous ensemble models for groundwater salinity predictions: A regional-scale comparison study. Water, Air, & Soil Pollution, 231, 320.
Lee, T. L., Chen, C. H., Pai, T. Y., & Wu, R. S. (2015). Development of a meteorological risk map for disaster mitigation and management in the Chishan Basin Taiwan. Sustainability, 7(1), 962–987. https://doi.org/10.3390/su7010962
Lewandowski, J., Meinikmann, K., & Krause, S. (2020). Groundwater–surface water interactions: Recent advances and interdisciplinary challenges. Water, 12(1), 296. https://doi.org/10.3390/w12010296
Lewis, C. D. (1982). Industrial and business forecasting methods. Butterworth-Heinemann.
Madonia, P., Cangemi, M., Oliveri, Y., & Germani, C. (2020). hydrogeochemical characters of karst aquifers in Central Italy and relationship with neotectonics. Water, 12(7), 1926. https://doi.org/10.3390/w12071926
Okello, C., Greggio, N., Giambastiani, B. M. S., Wambiji, N., Nzeve, J., & Antonellini, M. (2020). Modelling projected changes in soil water budget in coastal Kenya under different long-term climate change scenarios. Water, 12(9), 2455. https://doi.org/10.3390/w12092455
Pai, T. Y., Tsai, Y. P., Lo, H. M., Tsai, C. H., & Lin, C. Y. (2007). Grey and neural network prediction of suspended solids and chemical oxygen demand in hospital wastewater treatment plant effluent. Computers and Chemical Engineering, 31(10), 1272–1281.
Pai, T. Y., Chiou, R. J., & Wen, H. H. (2008a). Evaluating impact level of different factors in environmental impact assessment for incinerator plants using GM (1, N) model. Waste Management, 28(10), 1915–1922.
Pai, T. Y., Chuang, S. H., Ho, H. H., Yu, L. F., Su, H. C., & Hu, H. C. (2008b). Predicting performance of grey and neural network in industrial effluent using online monitoring parameters. Process Biochemistry, 43(2), 199–205.
Pai, T. Y., Chuang, S. H., Wan, T. J., Lo, H. M., Tsai, Y. P., Su, H. C., Yu, L. F., Hu, H. C., & Sung, P. J. (2008c). Comparisons of grey and neural network prediction of industrial park wastewater effluent using influent quality and online monitoring parameters. Environmental Monitoring and Assessment, 146(1–3), 51–66.
Pai, T. Y., Ho, C. L., Chen, S. W., Lo, H. M., Sung, P. J., Lin, S. W., Lai, W. J., Tseng, S. C., Ciou, S. P., Kuo, J. L., & Kao, J. T. (2011). Using seven types of GM (1, 1) model to forecast hourly particulate matter concentration in Banciao City of Taiwan. Water, Air, and Soil Pollution, 217(1–4), 25–33.
Pai, T. Y., Hanaki, K., & Chiou, R. J. (2013). Forecasting hourly roadside particulate matter in Taipei County of Taiwan based on first-order and one-variable grey model. Clean - Soil, Air, Water, 41(8), 737–742.
Pai, T. Y., Lo, H. M., Wan, T. J., Chen, L., Hung, P. S., Lo, H. H., Lai, W. J., & Lee, H. Y. (2015). Predicting air pollutant emissions from a medical incinerator using grey model and neural network. Applied Mathematical Modelling, 39(5–6), 1513–1525.
Porowski, A., Porowska, D., & Halas, S. (2019). Identification of sulfate sources and biogeochemical processes in an aquifer affected by peatland: Insights from monitoring the isotopic composition of groundwater sulfate in Kampinos National Park Poland. Water, 11(7), 1388. https://doi.org/10.3390/w11071388
Sabour, M. R., Jalali, S. H. S., & Dezvareh, G. (2017). Comprehensive model for remediation of sandy soils contaminated with volatile organic compounds using thermal enhancement of soil vapor extraction method. Water, Air, & Soil Pollution, 228, 239.
Shang, F., Ren, S., Yang, P., Li, C., Xue, Y., & Huang, L. (2016). Modeling the risk of the salt for polluting groundwater irrigation with recycled water and ground water using HYDRUS-1 D. Water, Air, & Soil Pollution, 227, 189.
Stackelberg, P. E., Belitz, K., Brown, C. J., Erickson, M. L., Elliott, S. M., Kauffman, L. J., Ransom, K. M., & Reddy, J. E. (2021). Machine learning predictions of pH in the glacial aquifer system, Northern USA. Groundwater, 59(3), 352–368.
Taiwan Environmental Protection Administration, R.O.C. (2021, June 9). environmental water quality information. Retrieved June 9, 2021, from https://wq.epa.gov.tw/EWQP/en/EnvWaterMonitoring/Groundwater.aspx
Taiwan Ministry of Economic Affairs (2014). Demarcation plan of geologically sensitive areas for groundwater recharge, G0002, Pingtung Plain. Taipei, Taiwan: Ministry of Economic Affairs (In Chinese).
Tung, Y. T., & Pai, T. Y. (2015). Water management for agriculture, energy and social security in Taiwan. Clean - Soil, Air, Water, 43(5), 627–632. https://doi.org/10.1002/clen.201300275
Zou, Y., Huang, G. H., & Nie, X. (2009). Filtered stepwise clustering method for predicting fate of contaminants in groundwater remediation systems: A case study in Western Canada. Water, Air, & Soil Pollution, 199, 389–405.