22/3/15

Korattur Lake技术报告

数据描述

地理位置信息

Korattur 是钦奈的西部郊区，北部与 Madhananguppam 接壤，东部与 Kolathur 接壤，西部与Pattaravakkam/Ambattur 接壤，南部与 Padi 接壤。该地区拥有广阔的 Korattur 湖，如今其面积可能在 600-990 英亩之间变化。这可以很容易地被命名为城市西部最大的湖泊之一，但实际上却被忽视了，更糟糕的是，严重受害。正式地，它属于公共工程部的 Kosasthalaiyar 部门和蒂鲁瓦卢尔行政区的限制。连接该湖与其他水体的运河是该地区曾经盛行的农业实践的遗迹。有两条主要运河 - 一条从 Ambattur 湖引出，吸收多余的水并为Korattur 湖（位于南部）供水；另一个跑到 Retteri 湖，从 Korattur 湖（位于北部）排出多余的水。第一条运河现已封堵，显然是为了防止工业废水进入湖中，并在季风中机械地破坏以防止邻近地区发生洪水。

选择的研究区域是位于钦奈-阿拉科南铁路线以北的 Korattur 湖。它是城市西部最大的湖泊之一。它是由三个湖泊组成的链，包括 Ambattur 湖、Madhavaram 湖和 Korattur 湖 。

水质参数的具体含义

Korattur 湖是钦奈市最大的湖泊之一。它占地 990 英亩，位于钦奈北部。大约 18 年来，它一直是饮用水的主要来源。我们工作的数据集是从 Korattur 湖收集的。该数据集由连续 10 年以上（2010 年至 2019 年）的水数据组成。该数据集由两个5,000 条记录的表格组成，根据水质不同分类方法划分

从收集的水样中测量水质参数，如 pH 值、总溶解盐、浊度、磷酸盐、硝酸盐、铁、化学需氧量、氯化物和钠

各个水质参数的数值范围区间

可以将不同水质参数的具体范围进行柱状图的展示，观察异常值，看数值是否符合正太分布，是否是一个连续的特征

数据分为二类（好和坏水样）和多类（优秀、好、平均、坏和差水样）

WOI水质指标的分类：

根基公式，计算出相应发WOI的值按照等级进行水质的划分

导致水质恶化的一些污染物是重金属，如铅、铬、镉和汞、杀虫剂、药物化合物、个人护理产品、芳香胺等新兴污染物，这些污染物对人体健康有害，因为它们有毒并可能致癌.

技术说明

数据处理办法

相关性分析：我们进行了相关性分析以提取参数之间的可能关系。可以使用最常用和最有效Pearson 相关

归一化处理：特别是水质参数，使其在0～100范围内拟合，便于指标计算

标准缩放：对数据进行缩放，其中值以具有单位标准偏差的平均值为中心

Synthetic Minority Oversampling Technique (SMOTE)：对不同种类的记录分布不均匀，采过采样技术进行处理过采样的公式和解释

模型

目前看到较多的是，采用机器学习的方法进行水质的预测分析，深度学习模型用于预测水质的准确性、精度和执行时间。具体的算法模型有Artificial neural network（ANN）、Recurrent neural network（RNN）、Long short term memory（LSTM）还有很多混合模型如ANN-NAR 、CNN-LSTM 、Bi-LSTM

Automating water quality analysis using ML and auto ML techniques

（该篇论文采用的技术和实验结果，采用Korattur Lake数据集）

Water quality analysis in a lake using deep learning methodology: prediction and validation

（该篇论文采用的技术和实验结果，采用Korattur Lake数据集）

Water quality assessment of a river using deep learning Bi-LSTM methodology: forecasting and validation

（该篇论文采用的技术和实验结果，未采用Korattur Lake数据集）

Efficient Water Quality Prediction Using Supervised Machine Learning（寻找最简单的元素之间的联系分析）

进行相关性分析之后，根据关联性，进行多参数的分析，有四参数和三参数

评价指标

回归指标：：

准确率，错误率，召回率，F1-score，ROC曲线， AUC等指标，

主要的思路

1、对多个特征进行关联性分析，分析特性与水质结果WQI的内在联系，最后通过实验加以验证。改进水质测定的繁琐性和高额成本，只需要简单的测定几个相关的数据，就能确定水质的基础级别

2、单纯的改进算法，达到更高的预测精准度，更少的时间花费（目前看到的水质分析模型都是些比较经典的模型，初步打算是加入某些新算法模型的算法部件，应为水质参数是纯数值的参数，具有广泛是适用性）