22/3/15
Korattur Lake技術報告
資料描述
地理位置資訊
Korattur 是欽奈的西部郊區，北部與 Madhananguppam 接壤，東部與 Kolathur 接壤，西部與 Pattaravakkam/Ambattur 接壤，南部與 Padi 接壤。該地區擁有廣闊的 Korattur 湖，如今其面積可能在 600-990 英畝之間變化。這可以很容易地被命名為城市西部最大的湖泊之一，但實際上卻被忽視了，更糟糕的是，嚴重受害。正式地，它屬於公共工程部的 Kosasthalaiyar 部門和蒂魯瓦盧爾行政區的限制。連線該湖與其他水體的運河是該地區曾經盛行的農業實踐的遺蹟。有兩條主要運河 - 一條從 Ambattur 湖引出，吸收多餘的水併為 Korattur 湖（位於南部）供水；另一個跑到 Retteri 湖，從 Korattur 湖（位於北部）排出多餘的水。第一條運河現已封堵，顯然是為了防止工業廢水進入湖中，並在季風中機械地破壞以防止鄰近地區發生洪水。城市規劃可以很好地放在我們在進化過程中失去的特徵列表中，這些運河就是證明！而且我們也是可憐的利用者，因為在今天的後農業時代，我們還沒有將這些贈予充分利用。除了這兩條主要運河，
選擇的研究區域是位於欽奈-阿拉科南鐵路線以北的 Korattur 湖。它是城市西部最大的湖泊之一。它是由三個湖泊組成的鏈，包括 Ambattur 湖、Madhavaram 湖和 Korattur 湖 。
水質引數的具體含義
Korattur 湖是欽奈市最大的湖泊之一。它佔地 990 英畝，位於欽奈北部。大約 18 年來，它一直是飲用水的主要來源。我們工作的資料集是從 Korattur 湖收集的。該資料集由連續 10 年以上（2010 年至 2019 年）的水資料組成。該資料集由兩個5,000 條記錄的表格組成，根據水質不同分類方法劃分
從收集的水樣中測量水質引數，如 pH 值、總溶解鹽、濁度、磷酸鹽、硝酸鹽、鐵、化學需氧量、氯化物和鈉
各個水質引數的數值範圍區間
可以將不同水質引數的具體範圍進行柱狀圖的展示，觀察異常值，看數值是否符合正太分佈，是否是一個連續的特徵
資料分為二類（好和壞水樣）和多類（優秀、好、平均、壞和差水樣）
WOI水質指標的分類：
根基公式，計算出相應發WOI的值按照等級進行水質的劃分
導致水質惡化的一些汙染物是重金屬，如鉛、鉻、鎘和汞、殺蟲劑、藥物化合物、個人護理產品、芳香胺等新興汙染物，這些汙染物對人體健康有害，因為它們有毒並可能致癌.
技術說明
資料處理辦法
相關性分析：我們進行了相關性分析以提取引數之間的可能關係。可以使用最常用和最有效Pearson 相關
歸一化處理：特別是水質引數，使其在0～100範圍內擬合，便於指標計算
標準縮放：對資料進行縮放，其中值以具有單位標準偏差的平均值為中心
Synthetic Minority Oversampling Technique (SMOTE)：對不同種類的記錄分佈不均勻，採過取樣技術進行處理過取樣的公式和解釋
模型
目前看到較多的是，採用機器學習的方法進行水質的預測分析，深度學習模型用於預測水質的準確性、精度和執行時間。具體的演算法模型有Artificial neural network（ANN）、Recurrent neural network（RNN）、Long short term memory（LSTM）還有很多混合模型如ANN-NAR 、CNN-LSTM 、Bi-LSTM
Automating water quality analysis using ML and auto ML techniques
（該篇論文采用的技術和實驗結果，採用Korattur Lake資料集）
Water quality analysis in a lake using deep learning methodology: prediction and validation
（該篇論文采用的技術和實驗結果，採用Korattur Lake資料集）
Water quality assessment of a river using deep learning Bi-LSTM methodology: forecasting and validation
（該篇論文采用的技術和實驗結果，未採用Korattur Lake資料集）
Efficient Water Quality Prediction Using Supervised Machine Learning（尋找最簡單的元素之間的聯絡分析）
進行相關性分析之後，根據關聯性，進行多引數的分析，有四引數和三引數
評價指標
迴歸指標：：
準確率，錯誤率，召回率，F1-score，ROC曲線， AUC等指標，