1. Predrag Dašić, SaTCIP Publisher Ltd., 36610 Vrnjačka Banja i Visoka tehnička mašinska škola strukovnih studija (VTM, Serbia
2. Sladjana Beljić Miletić, O.Š. Dobrica Ćosić, 37245 Velika Drenova (37240 Trstenik), , Serbia
3. Suzana Jakovljević, O.Š. Dobrica Ćosić, 37245 Velika Drenova, O.Š. Ljubivoje Bajić, 37244 Medveđa 37240 Trstenik, Serbia
Procena kvaliteta vode (WQA) je sveobuhvatni i složen multidisciplinarni postupak vrednovanja fizičkih, hemijskih i bioloških svojstava vode kako bi se utvrdilo njezino stanje s obzirom na ljudski uticaj i nameru upotrebe. Određivanje i vrednovanje WQA zahteva integraciju, analizu i interpretaciju velikih količina prostornih, vremenskih, ekoloških, hidrohemijskih i dr. podataka. Konvencionalni pristupi praćenju kvaliteta vode često se zasnivaju na merenjima dobijenim sa ograničenog broja lokacija za uzorkovanje i unapred definisanih intervala praćenja. Iako ovi pristupi pružaju vredne informacije o trenutnom stanju kvaliteta vode i vodnih resursa, oni možda ne predstavljaju adekvatno prostorne i vremenske varijacije u kvalitetu vode. Za prevazilaženje ovih ograničenja i integraciju heterogenih skupova podataka, identifikaciju složenih odnosa između parametara životne sredine, prostorno predviđanje i vizuelizaciju uslova kvaliteta vode poslednjih nekoliko godina sve više se koriste geografski informacioni sistemi (GIS) zasnovani na veštačkoj inteligenciji (AI-GIS ili GeoAI). AI-GIS sistemi kombinuju veštačku inteligenciju (AI), veštačke neuronske mreže (ANN), mašinsko učenje (ML), duboko učenje (DL) i računarski vid (CV) sa podacima prostornog mapiranja. Ova integracija automatizuje složenu prostornu analizu, izdvaja karakteristike iz satelitskih i snimaka dronova, obrađuje komande za mapiranje na prirodnom jeziku i pokreće modeliranje i predviđanje za stvarna okruženja.
U radu je data analiza i primena AI-GIS sistema za procenu kvaliteta vode (WQA) i podršku prostornom odlučivanju i planiranju. AI-GIS sistemi integrišu GIS mogućnosti sa veštačkom inteligencijom (AI) i veštačkim neuronskim mrežama (ANN), metodama mašinskog učenja (ML) i dubokog učenja (DL) kako bi se analizirali parametri kvaliteta vode i njihova prostorna i vremenska varijabilnost. Metodologija obuhvata prikupljanje i prethodnu obradu podataka o kvalitetu vode, georeferenciranje lokacija za uzorkovanje, integraciju hidrohemijskih i ekoloških promenljivih u GIS okruženje i primenu odabranih modela zasnovanih na veštačkoj inteligenciji za klasifikaciju, predviđanje i prostornu procenu kvaliteta vode. U zavisnosti od karakteristika raspoloživog skupa podataka, mogu se uzeti u obzir parametri kao što su: pH, temperatura, električna provodljivost, rastvoreni kiseonik, mutnoća, biohemijska potrošnja kiseonika, hemijska potrošnja kiseonika, nitrati, fosfati, koncentracije odabranih teških metala i sl. Neki autori u ove analize uključuju i dodatne prostorne faktore, uključujući korišćenje zemljišta, karakteristike zemljišta, hidrološke uslove, gustinu naseljenosti, industrijske aktivnosti, blizinu potencijalnih izvora zagađenja i sl.
Кључне речи :
Тематска област:
Датум:
25.08.2026.
Contemporary Materials 2026 - Savremeni Materijali
Датотека уз рад
(56.00 KB)
