DOI: https://doi.org/10.1007/s12665-025-12793-1
تاريخ النشر: 2026-02-05
المؤلف: Prince Kumar وآخرون
الموضوع الرئيسي: المياه الجوفية وكيمياء النظائر
نظرة عامة
تبحث الدراسة في جودة المياه الجوفية في منطقة رايبور، تشاتيسغار، الهند، باستخدام مجموعة بيانات شاملة تضم 237 عينة تم جمعها خلال موسم ما قبل الأمطار (مايو-يونيو 2024). تستخدم الدراسة ثلاث طرق لتقييم الجودة: مؤشر جودة المياه التقليدي (WQI)، ومؤشر جودة المياه القائم على الإنتروبيا (EWQI)، ومؤشر جودة المياه القائم على الخرائط الذاتية التنظيم (SWQI). أظهر مؤشر SWQI موثوقية عالية مع دقة (0.952)، وعقلانية (0.985)، وقوة (0.977)، ومرونة (0.918)، إلى جانب عدم يقين منخفض بنسبة 3% كما تحدده محاكاة مونت كارلو. تم تطبيق خوارزميات التعلم الآلي (ML)، بما في ذلك الغابة العشوائية، والانحدار باستخدام العمليات الغاوسية، وآلة الدعم الناقل، والتعلم العميق، للتنبؤ بمؤشرات جودة المياه الجوفية، حيث حقق التعلم العميق أعلى دقة (قيم R² تبلغ 0.909، 0.960، و0.985 لمؤشرات WQI، EWQI، وSWQI، على التوالي).
تشير النتائج إلى أن جودة المياه الجوفية في المناطق الشمالية الشرقية والجنوبية من منطقة الدراسة مناسبة للشرب والاستخدام المنزلي، بينما قد تتطلب المناطق المصنفة تحت فئة UFD مصادر مياه بديلة. تبرز الدراسة فعالية SWQI، الذي يدمج الأوزان المستمدة من تقنية الخرائط الذاتية التنظيم، مما يسمح بتقييم أكثر دقة لجودة المياه الجوفية مقارنة بالطرق التقليدية. تؤكد البحث على إمكانية دمج منهجيات WQI المتقدمة مع تقنيات ML لتعزيز تقييمات جودة المياه الجوفية، مشيرة إلى أن المزيد من التحقق والتطبيق عبر سياقات مكانية وزمانية متنوعة قد يحسن موثوقية النموذج وفائدته للمعنيين بإدارة موارد المياه.
مقدمة
تسلط المقدمة الضوء على الأهمية الحاسمة لتقييم جودة المياه لضمان إمدادات مياه آمنة ومستدامة، خاصة في المناطق التي تواجه تحديات كبيرة في التلوث والندرة. على مستوى العالم، يفتقر حوالي 1.1 مليار شخص إلى خدمات الصرف الصحي الكافية، حيث تفاقمت ندرة المياه بسبب النمو السكاني المتوقع أن يصل إلى ثلاثة مليارات بحلول منتصف القرن الحادي والعشرين، خاصة في المناطق التي تعاني من ندرة المياه مثل الهند. على الرغم من تلقيها هطول أمطار سنوي كبير، تواجه الهند نقصًا حادًا في المياه، كما يتضح من انخفاض بنسبة 70% في توافر المياه للفرد من 1950 إلى 2014، ومن المتوقع أن ينخفض بنسبة 18% أخرى بحلول 2050. أصبحت المياه الجوفية ذات أهمية متزايدة، حيث توفر حوالي 85% من احتياجات المياه الريفية و62% من الري، ومع ذلك، أدى الاعتماد المفرط عليها إلى أزمات في النضوب والتلوث.
تناقش هذه الفقرة منهجيات مختلفة لتقييم جودة المياه الجوفية، بما في ذلك الطرق القائمة على الإنتروبيا، وTOPSIS، وAHP الضبابي، كل منها له مزايا وقيود مميزة. بشكل ملحوظ، تم اقتراح إدخال مؤشر جودة المياه القائم على الخرائط الذاتية التنظيم (SWQI) كنهج جديد لتحديد أوزان المعلمات في تقييم جودة المياه الجوفية. تهدف هذه الطريقة إلى تعزيز القدرات التنبؤية والكفاءة في إدارة جودة المياه من خلال دمج تقنيات التعلم الآلي، مما يعالج تعقيدات بيانات جودة المياه. تقيم الدراسة ثلاثة نهج مختلفة لتقييم جودة المياه الجوفية في منطقة رايبور، حيث تعتبر المياه الجوفية حاسمة لتلبية احتياجات مياه الشرب، مما يبرز الحاجة إلى استراتيجيات إدارة فعالة في مواجهة التحديات المستمرة لجودة المياه.
طرق
تشمل المنهجية المستخدمة في هذه الدراسة حساب مؤشرات جودة المياه باستخدام مؤشر جودة المياه (WQI)، ومؤشر جودة المياه الموسع (EWQI)، ومؤشر جودة المياه تحت السطح (SWQI)، مع تضمين تركيزات متغيرة من أحد عشر معلمة فيزيائية وكيميائية. بعد ذلك، تم استخدام مجموعة بيانات جودة المياه الجوفية لتطوير نماذج تنبؤ بالتعلم الآلي (ML)، والتي تم تقييم أدائها لاحقًا. كما تم إجراء تحليل عدم اليقين للنموذج المقترح لتقييم موثوقيته وقوته. تم توضيح الخطوات التفصيلية للمنهجية في الشكل 2.
النتائج
تؤكد نتائج الدراسة على أهمية استخدام تقنية فعالة لتقييم جودة المياه الجوفية، خاصة من خلال نموذج التعلم العميق (DL) الذي يتضمن عدة طبقات مخفية لالتقاط العلاقات المعقدة والتنبؤ بالوظائف غير الخطية. تم تحسين هيكل النموذج باستخدام بحث الشبكة لتقليل خطأ الجذر التربيعي المتوسط (RMSE) أثناء الاختبار. تضمنت الميزات الرئيسية للهيكل ثلاث طبقات مخفية كثيفة مع وظائف تنشيط وحدة خطية مصححة (ReLU)، مما يعزز الندرة والكفاءة الحسابية. تم تحسين الشبكة العصبية ذات الانتشار العكسي باستخدام انحدار تدرج الدفعات الصغيرة (MBGD) للتخفيف من الإفراط في التكيف وتحسين الاستقرار. تم تنفيذ تقنيات التنظيم، وخاصة تنظيم L2 (الحدود) والتسرب، لتعزيز تعميم النموذج وتقليل الأخطاء.
بالإضافة إلى ذلك، تم إجراء تحليل عدم اليقين باستخدام محاكاة مونت كارلو (MC) ضمن منصة RStudio. تم إنشاء مخططات دالة كثافة الاحتمال (PDF) ودالة التوزيع التراكمي (CDF) لتقييم عدم اليقين لمؤشر جودة المياه السطحية المقترح (SWQI). كشفت التحليلات أن المتبقيات من النموذج انحرفت بشكل ضئيل عن الصفر، مما يشير إلى أداء موثوق، كما يتضح من النطاق الربعي (IQR) لمخطط الصندوق المتبقي. وهذا يشير إلى أن نموذج DL المقترح موثوق وفعال في تقييم جودة المياه الجوفية.
المناقشة
في هذه الدراسة، تم تقييم جودة المياه الجوفية في 237 موقعًا في منطقة رايبور، تشاتيسغار، الهند، خلال موسم ما قبل الأمطار لعام 2024. تم جمع عينات المياه الجوفية من أعماق مختلفة، وتم تحليل أحد عشر معلمة فيزيائية وكيميائية، بما في ذلك الرقم الهيدروجيني، والكالسيوم ($\text{Ca}^{2+}$)، والمغنيسيوم ($\text{Mg}^{2+}$)، والصوديوم ($\text{Na}^{+}$)، والمواد الصلبة الذائبة الكلية (TDS)، والبوتاسيوم ($\text{K}^{+}$)، والبيكربونات ($\text{HCO}_3^-$)، والكلوريد ($\text{Cl}^-$)، والكبريتات ($\text{SO}_4^{2-}$)، والنترات ($\text{NO}_3^-$)، والفلوريد ($\text{F}^-$). أشارت النتائج إلى أن حوالي 52% من العينات أظهرت جودة مياه معتدلة، بينما تم تصنيف حوالي 35% على أنها رديئة، مع اعتبار 12% منها رديئة جدًا أو غير صالحة للشرب. أكدت الدراسة على أهمية التقييمات المنهجية لجودة المياه الجوفية، خاصة في المناطق الزراعية، واقترحت مؤشر جودة المياه القائم على الخرائط الذاتية التنظيم (SOM)-SWQI جنبًا إلى جنب مع المؤشرات التقليدية (WQI وEWQI) لتعزيز تقييم جودة المياه الجوفية.
استكشفت البحث أيضًا تقنيات التعلم الآلي (ML)، وخاصة الغابة العشوائية (RF)، وآلة الدعم الناقل (SVM)، والانحدار باستخدام العمليات الغاوسية (GPR)، والتعلم العميق (DL)، للتنبؤ بجودة المياه الجوفية. استخدمت النماذج المعلمات الفيزيائية والكيميائية كمتغيرات إدخال وأظهرت أداءً متفوقًا في التنبؤ بجودة المياه، مما قد يسهل إدارة أفضل لموارد المياه. بالإضافة إلى ذلك، تم استخدام محاكاة مونت كارلو لتحليل عدم اليقين في تنبؤات النموذج، مما كشف عن علاقات كبيرة بين المعلمات المختلفة التي تؤثر على مؤشرات جودة المياه. بشكل عام، تؤكد الدراسة على إمكانية دمج الأساليب الحسابية المتقدمة مع تقنيات تقييم جودة المياه التقليدية لتحسين موثوقية ودقة تقييمات جودة المياه الجوفية.
DOI: https://doi.org/10.1007/s12665-025-12793-1
Publication Date: 2026-02-05
Author(s): Prince Kumar et al.
Primary Topic: Groundwater and Isotope Geochemistry
Overview
The research investigates groundwater quality in Raipur District, Chhattisgarh, India, utilizing a comprehensive dataset of 237 samples collected during the pre-monsoon season (May-June 2024). The study employs three quality indexing methods: the traditional Water Quality Index (WQI), the Entropy Water Quality Index (EWQI), and a novel Self-Organizing Map-based Water Quality Index (SWQI). The SWQI demonstrated high reliability with precision (0.952), rationality (0.985), robustness (0.977), and versatility (0.918), alongside a low uncertainty of 3% as determined by Monte Carlo simulations. Machine learning (ML) algorithms, including Random Forest, Gaussian Process Regression, Support Vector Machine, and Deep Learning, were applied to predict the groundwater quality indices, with Deep Learning yielding the highest accuracy (R² values of 0.909, 0.960, and 0.985 for WQI, EWQI, and SWQI, respectively).
The findings indicate that groundwater quality in the northeastern and southern regions of the study area is suitable for drinking and household use, while areas classified under the UFD category may require alternative water sources. The study highlights the effectiveness of the SWQI, which integrates weights derived from the Self-Organizing Map technique, allowing for a more nuanced assessment of groundwater quality compared to traditional methods. The research underscores the potential of combining advanced WQI methodologies with ML techniques to enhance groundwater quality evaluations, suggesting that further validation and application across diverse spatiotemporal contexts could improve the model’s reliability and utility for stakeholders involved in water resource management.
Introduction
The introduction highlights the critical importance of evaluating water quality for ensuring safe and sustainable water supplies, particularly in regions facing significant pollution and scarcity challenges. Globally, approximately 1.1 billion people lack adequate sanitation services, with water scarcity exacerbated by population growth projected to reach three billion by the mid-21st century, especially in water-scarce areas like India. Despite receiving substantial annual precipitation, India faces severe water shortages, evidenced by a 70% decline in per capita water availability from 1950 to 2014, and a projected further decrease of 18% by 2050. Groundwater has become increasingly vital, supplying around 85% of rural water needs and 62% of irrigation, yet its over-reliance has led to depletion and contamination crises.
The section discusses various methodologies for assessing groundwater quality, including entropy-based methods, TOPSIS, and fuzzy AHP, each with distinct advantages and limitations. Notably, the introduction of a self-organizing map-based water quality index (SWQI) is proposed as a novel approach for determining parameter weights in groundwater quality assessment. This method aims to enhance predictive capabilities and efficiency in water quality management by integrating machine learning techniques, thereby addressing the complexities of water quality data. The study evaluates three different groundwater quality indexing approaches in the Raipur district, where groundwater is crucial for meeting drinking water demands, underscoring the need for effective management strategies in the face of ongoing water quality challenges.
Methods
The methodology employed in this study involves the calculation of water quality indices using the Water Quality Index (WQI), the Extended Water Quality Index (EWQI), and the Subsurface Water Quality Index (SWQI), incorporating varying concentrations of eleven physico-chemical parameters. Following this, a groundwater quality dataset was utilized to develop machine learning (ML) prediction models, which were subsequently evaluated for their performance. An uncertainty analysis of the proposed ML model was also conducted to assess its reliability and robustness. Detailed steps of the methodology are illustrated in Figure 2.
Results
The results of the study emphasize the significance of employing an efficient technique for assessing groundwater quality, particularly through a deep learning (DL) model that incorporates multiple hidden layers to capture complex relationships and predict nonlinear functions. The model architecture was optimized using a grid search to minimize the root mean square error (RMSE) during testing. Key features of the architecture included three dense hidden layers with rectified linear unit (ReLU) activation functions, which enhance sparsity and computational efficiency. The back-propagation neural network was further refined using mini-batch gradient descent (MBGD) to mitigate overfitting and improve stability. Regularization techniques, specifically L2 (ridge) regularization and dropout, were implemented to enhance model generalization and reduce errors.
Additionally, uncertainty analysis was conducted using Monte Carlo (MC) simulations within the RStudio platform. Probability density function (PDF) and cumulative distribution function (CDF) plots were generated to evaluate the uncertainty of the proposed Surface Water Quality Index (SWQI). The analysis revealed that the residuals from the model deviated minimally from zero, indicating a reliable performance, as evidenced by the interquartile range (IQR) of the residual box plot. This suggests that the proposed DL model is both trustworthy and effective in assessing groundwater quality.
Discussion
In this study, groundwater quality was assessed at 237 locations in Raipur District, Chhattisgarh, India, during the premonsoon season of 2024. Groundwater samples were collected from various depths, and eleven physico-chemical parameters were analyzed, including pH, calcium ($\text{Ca}^{2+}$), magnesium ($\text{Mg}^{2+}$), sodium ($\text{Na}^{+}$), total dissolved solids (TDS), potassium ($\text{K}^{+}$), bicarbonate ($\text{HCO}_3^-$), chloride ($\text{Cl}^-$), sulfate ($\text{SO}_4^{2-}$), nitrate ($\text{NO}_3^-$), and fluoride ($\text{F}^-$). The findings indicated that approximately 52% of the samples exhibited moderate water quality, while about 35% were classified as poor, with 12% deemed very poor or unfit for drinking. The study emphasized the importance of systematic groundwater quality assessments, particularly in agricultural regions, and proposed a novel Self-Organizing Map (SOM)-based Water Quality Index (SWQI) alongside traditional indices (WQI and EWQI) to enhance groundwater quality evaluation.
The research also explored machine learning (ML) techniques, specifically Random Forest (RF), Support Vector Machine (SVM), Gaussian Process Regression (GPR), and Deep Learning (DL), to predict groundwater quality. The models utilized physico-chemical parameters as input variables and demonstrated superior performance in forecasting water quality, which could facilitate better management of water resources. Additionally, Monte Carlo simulation was employed to analyze uncertainties in the model predictions, revealing significant correlations among various parameters that influence water quality indices. Overall, the study underscores the potential of integrating advanced computational methods with traditional water quality assessment techniques to improve the reliability and accuracy of groundwater quality evaluations.