ਲਾਭ:
- AI ਦੇ ਡੇਟਾ ਦੀ ਤਿਆਰੀ ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਯੋਗਦਾਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਐਕੁਆਇਰ ਚਰਿੱਤਰੀਕਰਨ ਅਤੇ ਭੂਮੀਗਤ ਪਾਣੀ ਦੇ ਪ੍ਰਵਾਹ ਮਾਡਲਿੰਗ ਵਿੱਚ।
- ਏਆਈ ਅਤੇ ਵਿਗਾੜ ਖੋਜ ਦੇ ਨਾਲ ਪਾਣੀ ਦੀ ਗੁਣਵੱਤਾ, ਪੱਧਰ ਅਤੇ ਪ੍ਰਵਾਹ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਪੁੰਜ ਸੰਭਾਲ, ਹਾਈਡ੍ਰੌਲਿਕ ਪ੍ਰਸ਼ੰਸਾਯੋਗਤਾ ਅਤੇ ਫੀਲਡ ਮਾਪ ਨਾਲ ਮਾਡਲ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
ਭੂਮੀਗਤ ਪਾਣੀ ਉਹ ਕੁਦਰਤੀ ਸਰੋਤ ਹੈ ਜਿਸ ਨੂੰ ਅਸੀਂ ਦੇਖ ਨਹੀਂ ਸਕਦੇ ਪਰ ਇਸ ਬਾਰੇ ਸਭ ਤੋਂ ਵੱਧ ਫੈਸਲੇ ਲੈ ਸਕਦੇ ਹਾਂ। ਇੱਕ ਖੂਹ ਤੋਂ ਕਿੰਨਾ ਪਾਣੀ ਨਿਕਲਦਾ ਹੈ, ਇੱਕ ਖਾਣ ਵਿੱਚ ਕਿੰਨਾ ਪਾਣੀ ਨਿਕਲਦਾ ਹੈ, ਇੱਕ ਪ੍ਰਦੂਸ਼ਕ ਨੂੰ ਪੀਣ ਵਾਲੇ ਪਾਣੀ ਦੀ ਸਪਲਾਈ ਤੱਕ ਪਹੁੰਚਣ ਵਿੱਚ ਕਿੰਨਾ ਸਮਾਂ ਲੱਗਦਾ ਹੈ—ਇਹ ਸਭ ਪਾਣੀ ਦੇ ਵਿਵਹਾਰ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਭੂਮੀਗਤ ਛਾਲਿਆਂ ਅਤੇ ਤਰੇੜਾਂ ਰਾਹੀਂ ਹੌਲੀ-ਹੌਲੀ ਅੱਗੇ ਵਧਦਾ ਹੈ। ਹਾਈਡਰੋਜੀਓਲੋਜੀ (ਭੂਮੀਗਤ ਪਾਣੀ ਦਾ ਵਿਗਿਆਨ) ਸਪਾਰਸ ਨਿਰੀਖਣ ਖੂਹਾਂ, ਭੂ-ਵਿਗਿਆਨਕ ਅੰਤਰ-ਭਾਗਾਂ, ਅਤੇ ਭੌਤਿਕ ਨਿਯਮਾਂ ਤੋਂ ਇਸ ਅਦਿੱਖ ਪ੍ਰਵਾਹ ਦਾ ਪੁਨਰਗਠਨ ਕਰਦਾ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਕੰਮ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ: ਇਹ ਗੜਬੜ ਸਮੇਂ ਦੀ ਲੜੀ ਨੂੰ ਸਾਫ਼ ਕਰਦੀ ਹੈ, ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਦੀ ਹੈ, ਵਿਗਾੜਾਂ ਨੂੰ ਫੜਦੀ ਹੈ ਅਤੇ ਮਾਡਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ। ਪਰ ਇੱਕ ਕਾਨੂੰਨ ਸਭ ਉੱਤੇ ਹਾਵੀ ਹੈ: ਪੁੰਜ ਦੀ ਸੰਭਾਲ। ਸਿਸਟਮ ਵਿਚ ਦਾਖਲ ਹੋਣ, ਛੱਡਣ ਅਤੇ ਸਟੋਰ ਕਰਨ ਵਾਲੇ ਪਾਣੀ ਦੀ ਮਾਤਰਾ ਇਕਸਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ; ਕੋਈ ਵੀ ਬੁੱਧੀਮਾਨ ਮਾਡਲ ਇਸ ਸੰਤੁਲਨ ਦੀ ਉਲੰਘਣਾ ਨਹੀਂ ਕਰ ਸਕਦਾ.
ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਅਸੀਂ ਭੂਮੀਗਤ ਪਾਣੀ ਦੇ ਅਧਿਐਨ ਦੇ ਤਿੰਨ AI ਪਹਿਲੂਆਂ ਨੂੰ ਕਵਰ ਕਰਾਂਗੇ: ਡੇਟਾ ਤਿਆਰ ਕਰਨਾ ਅਤੇ ਵਿਗਾੜ ਦਾ ਪਤਾ ਲਗਾਉਣਾ (ਪੱਧਰ ਦੀ ਪ੍ਰਕਿਰਿਆ, ਵਹਾਅ ਦੀ ਦਰ ਅਤੇ ਗੁਣਵੱਤਾ ਦੀ ਲੜੀ), ਐਕੁਆਇਰ ਚਰਿੱਤਰੀਕਰਨ (ਭੂਮੀਗਤ ਪਾਣੀ ਦੀ ਪਰਤ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ) ਅਤੇ ਪ੍ਰਵਾਹ ਮਾਡਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ (ਨਿਰੀਖਣ ਦੇ ਨਾਲ ਸੰਖਿਆਤਮਕ ਮਾਡਲ ਨੂੰ ਇਕਸਾਰ ਕਰਨਾ)। ਹਰ ਕਦਮ 'ਤੇ, ਅਸੀਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੀ ਵਰਤੋਂ ਕੈਲਕੁਲੇਟਰ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਡਰਾਫਟ ਜਨਰੇਟਰ ਦੇ ਤੌਰ 'ਤੇ ਕਰਾਂਗੇ ਜਿਸਦਾ ਨਤੀਜਾ ਤੁਸੀਂ ਪਾਣੀ ਦੇ ਸੰਤੁਲਨ ਅਤੇ ਫੀਲਡ ਮਾਪ ਨਾਲ ਟੈਸਟ ਕਰਦੇ ਹੋ।
Aquifer ਅਤੇ ਬੁਨਿਆਦੀ ਧਾਰਨਾ
ਆਓ ਪਹਿਲਾਂ ਇੱਕ ਸਾਂਝੀ ਭਾਸ਼ਾ ਦੀ ਸਥਾਪਨਾ ਕਰੀਏ। ਇੱਕ ਐਕੁਇਫਰ ਇੱਕ ਭੂ-ਵਿਗਿਆਨਕ ਇਕਾਈ ਹੈ (ਜਿਵੇਂ ਕਿ ਰੇਤ-ਬੱਜਰੀ ਦੀ ਪਰਤ) ਜੋ ਕਾਫ਼ੀ ਪਾਣੀ ਨੂੰ ਚੁੱਕ ਸਕਦੀ ਹੈ ਅਤੇ ਛੱਡ ਸਕਦੀ ਹੈ। ਹਾਈਡ੍ਰੌਲਿਕ ਚਾਲਕਤਾ (ਕੇ) ਮਾਪਦੀ ਹੈ ਕਿ ਪਾਣੀ ਚੱਟਾਨ/ਮਿੱਟੀ ਵਿੱਚੋਂ ਕਿੰਨੀ ਆਸਾਨੀ ਨਾਲ ਵਹਿੰਦਾ ਹੈ; ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਰੇਤ ਲਈ ਪ੍ਰਤੀ ਦਿਨ ਮੀਟਰ ਅਤੇ ਮਿੱਟੀ ਲਈ ਮਾਈਕ੍ਰੋਸਕੋਪਿਕ ਤੌਰ 'ਤੇ ਘੱਟ ਹੁੰਦਾ ਹੈ। ਹਾਈਡ੍ਰੌਲਿਕ ਸਿਰ (ਸਿਰ) ਇੱਕ ਬਿੰਦੂ 'ਤੇ ਪਾਣੀ ਦਾ ਦਬਾਅ ਅਤੇ ਉਚਾਈ ਊਰਜਾ ਹੈ; ਪਾਣੀ ਹਮੇਸ਼ਾ ਉੱਚ ਲੋਡ ਤੋਂ ਘੱਟ ਲੋਡ ਵੱਲ ਵਗਦਾ ਹੈ। ਸਟੋਰੇਜ਼ ਗੁਣਾਂਕ ਪ੍ਰਤੀ ਯੂਨਿਟ ਲੋਡ ਤਬਦੀਲੀ ਐਕੁਆਇਰ ਦੁਆਰਾ ਛੱਡੇ/ਸਟੋਰ ਕੀਤੇ ਪਾਣੀ ਦੀ ਮਾਤਰਾ ਦਿੰਦਾ ਹੈ। ਇਹ ਚਾਰ ਮਾਤਰਾਵਾਂ ਸਾਰੇ ਮਾਡਲਿੰਗ ਦੇ ਅਧਾਰ ਹਨ।
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ ਇਹਨਾਂ ਸੰਕਲਪਾਂ ਨੂੰ ਜਾਣਨਾ ਜ਼ਰੂਰੀ ਹੈ, ਕਿਉਂਕਿ ਮਾਡਲ ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ ਹਰ ਨੰਬਰ ਇਹਨਾਂ ਭੌਤਿਕ ਰੇਂਜਾਂ ਵਿੱਚ ਫਿੱਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਰੇਤ ਦੇ ਪਾਣੀ ਲਈ K ਮੁੱਲ ਕੁਝ ਸੈਂਟੀਮੀਟਰ ਤੋਂ ਲੈ ਕੇ ਦਸਾਂ ਮੀਟਰ ਪ੍ਰਤੀ ਦਿਨ ਤੱਕ ਹੁੰਦਾ ਹੈ; ਜੇਕਰ ਮਾਡਲ "3 ਕਿਲੋਮੀਟਰ ਪ੍ਰਤੀ ਦਿਨ" ਕਹਿੰਦਾ ਹੈ ਤਾਂ ਇੱਕ ਭੌਤਿਕ ਵਿਗਿਆਨ ਗਲਤੀ ਹੈ। ਇਹ ਪਿਛਲੀਆਂ ਇਕਾਈਆਂ ਵਿੱਚ ਆਰਡਰ-ਆਫ-ਮੈਗਨੀਟਿਊਡ ਐਂਕਰ ਦਾ ਹਾਈਡਰੋਜੀਓਲੋਜੀ-ਵਿਸ਼ੇਸ਼ ਰੂਪ ਹੈ।
ਕਦਮ-ਦਰ-ਕਦਮ: ਡੇਟਾ ਦੀ ਤਿਆਰੀ, ਵਿਗਾੜ ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ
ਕਦਮ 1 - ਸਮਾਂ ਲੜੀ ਦੀ ਸਫਾਈ। ਨਿਰੀਖਣ ਖੂਹਾਂ ਤੋਂ ਲੈਵਲ ਡੇਟਾ ਅਕਸਰ ਅਨਿਯਮਿਤ ਹੁੰਦੇ ਹਨ: ਗੁੰਮ ਹੋਏ ਦਿਨ, ਸੈਂਸਰ ਛੱਡਣਾ, ਯੂਨਿਟ ਉਲਝਣ, ਵਾਯੂਮੰਡਲ ਦਬਾਅ ਪ੍ਰਭਾਵ। AI ਇਹਨਾਂ ਲੜੀਵਾਰਾਂ ਨੂੰ ਇਕਸਾਰ ਕਰਦਾ ਹੈ, ਫਲੈਗ ਗੈਪ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਭਾਵਿਤ ਸੈਂਸਰ ਗਲਤੀਆਂ ਦਾ ਪਤਾ ਲਗਾਉਂਦਾ ਹੈ (ਅਚਾਨਕ ਛਾਲ, ਫਲੈਟ ਲਾਈਨ = ਜੰਮੇ ਹੋਏ ਸੈਂਸਰ)। ਪਰ ਗੁੰਮ ਹੋਏ ਮੁੱਲ ਨੂੰ "ਭਰਨਾ" ਅਤੇ ਇਸ ਨੂੰ "ਨਿਸ਼ਾਨਬੱਧ" ਕਰਨਾ ਵੱਖੋ-ਵੱਖਰਾ ਹੈ; ਜੇਕਰ ਭਰਾਈ ਜਾਣੀ ਹੈ, ਤਾਂ ਵਿਧੀ ਪਾਰਦਰਸ਼ੀ ਅਤੇ ਭੂ-ਵਿਗਿਆਨੀ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
ਕਦਮ 2 - ਅਸੰਗਤਤਾ ਦਾ ਪਤਾ ਲਗਾਉਣਾ। ਪਾਣੀ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਅਚਾਨਕ ਤਬਦੀਲੀ (ਜਿਵੇਂ ਕਿ ਚਾਲਕਤਾ, ਨਾਈਟ੍ਰੇਟ, ਭਾਰੀ ਧਾਤ); ਪੱਧਰ ਵਿੱਚ ਅਚਾਨਕ ਗਿਰਾਵਟ; ਵਹਾਅ ਦੀ ਦਰ ਵਿੱਚ ਛਾਲ - ਇਹ ਇੱਕ ਅਸਲ ਘਟਨਾ (ਗੰਦਗੀ, ਓਵਰਡਰਾਫਟ, ਲੀਕ) ਜਾਂ ਮਾਪ ਗਲਤੀ ਦਾ ਸੰਕੇਤ ਹਨ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਉਮੀਦਵਾਰ ਦੀਆਂ ਵਿਗਾੜਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ; ਹਾਈਡਰੋਜੀਓਲੋਜਿਸਟ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਅਸਲੀ ਹੈ।
ਕਦਮ 3 - ਐਕੁਇਫਰ ਵਿਸ਼ੇਸ਼ਤਾ। ਕੇ ਅਤੇ ਸਟੋਰੇਜ ਗੁਣਾਂਕ ਪੰਪਿੰਗ ਟੈਸਟ (ਸਥਿਰ ਵਹਾਅ ਦੀ ਦਰ ਨਾਲ ਖੂਹ ਤੋਂ ਪਾਣੀ ਕੱਢਣਾ ਅਤੇ ਨੇੜਲੇ ਖੂਹਾਂ ਵਿੱਚ ਪੱਧਰ ਦੀ ਗਿਰਾਵਟ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨਾ) ਡੇਟਾ ਤੋਂ ਕੱਢਿਆ ਜਾਂਦਾ ਹੈ। AI ਕਰਵ ਫਿਟਿੰਗ ਅਤੇ ਵਿਕਲਪਕ ਐਕੁਇਫਰ ਮਾਡਲਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ (ਸੀਮਤ/ਮੁਕਤ/ਅਰਧ-ਪਾਰਮੇਏਬਲ); ਪਰ ਖੇਤਰ ਦੇ ਭੂ-ਵਿਗਿਆਨ ਦੇ ਨਾਲ ਚੁਣੇ ਹੋਏ ਮਾਡਲ ਦੀ ਅਨੁਕੂਲਤਾ ਮਨੁੱਖੀ ਕੰਮ ਹੈ.
ਕਦਮ 4 — ਸੰਖਿਆਤਮਕ ਮਾਡਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ। ਸੀਮਿਤ ਅੰਤਰ/ਤੱਤ ਮਾਡਲ ਜਲ-ਭਰੇ ਨੂੰ ਸੈੱਲਾਂ ਵਿੱਚ ਵੰਡਦਾ ਹੈ ਅਤੇ ਹਰੇਕ ਸੈੱਲ ਵਿੱਚ ਪਾਣੀ ਦੇ ਵਹਾਅ ਲਈ ਹੱਲ ਕਰਦਾ ਹੈ। ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਮਾਡਲ ਪੈਰਾਮੀਟਰਾਂ (ਕੇ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ, ਰੀਚਾਰਜ) ਨੂੰ ਨਿਰੀਖਣ ਖੂਹ ਦੇ ਪੱਧਰਾਂ ਦੇ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ ਹੈ। AI/ਓਪਟੀਮਾਈਜੇਸ਼ਨ ਇਸ ਸੈਟਿੰਗ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ; ਪਰ ਇੱਕ ਖ਼ਤਰਾ ਹੈ: ਮਾਡਲ ਨਿਰੀਖਣਾਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫਿੱਟ ਕਰ ਸਕਦਾ ਹੈ ਪਰ ਸਰੀਰਕ ਤੌਰ 'ਤੇ ਗਲਤ ਮਾਪਦੰਡਾਂ (ਓਵਰਫਿਟ) ਨਾਲ। ਇਸ ਲਈ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਤੋਂ ਬਾਅਦ ਪਾਣੀ ਦਾ ਸੰਤੁਲਨ ਕੰਟਰੋਲ ਜ਼ਰੂਰੀ ਹੈ।
ਸੰਕੇਤ: ਕੈਲੀਬਰੇਟ ਕੀਤੇ ਮਾਡਲ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, "ਕੀ ਪਾਣੀ ਦਾ ਸੰਤੁਲਨ ਬੰਦ ਹੈ?" ਪੁੱਛੋ: ਕੁੱਲ ਇਨਪੁਟ (ਫੀਡਿੰਗ + ਲੇਟਰਲ ਵਹਾਅ) ਘਟਾਓ ਕੁੱਲ ਆਉਟਪੁੱਟ (ਡਰਾਫਟ + ਡਿਸਚਾਰਜ) ਪਲੱਸ/ਮਿਨਸ ਸਟੋਰੇਜ ਤਬਦੀਲੀ ≈ 0 ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਜੇਕਰ ਇਹ ਬੰਦ ਨਹੀਂ ਹੁੰਦਾ, ਤਾਂ ਮਾਡਲ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ, ਭਾਵੇਂ ਇਹ ਪੱਧਰਾਂ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੋਵੇ।
ਤਿੰਨ ਮਿੰਨੀ ਕੇਸ: ਨੰਬਰ ਦੁਆਰਾ
ਕੇਸ 1 — ਸੈਂਸਰ ਡੀਬੱਗਿੰਗ। ਇੱਕ ਨਿਗਰਾਨੀ ਨੈੱਟਵਰਕ ਕੋਲ 11 ਖੂਹਾਂ ਲਈ 18 ਮਹੀਨਿਆਂ ਦਾ ਪੱਧਰ ਡਾਟਾ ਸੀ; ਕੁੱਲ ਮਿਲਾ ਕੇ ਲਗਭਗ 6000 ਰਿਕਾਰਡ। ਏਆਈ-ਸੰਚਾਲਿਤ ਸਕੈਨ ਨੇ ਦੋ ਖੂਹਾਂ ਵਿੱਚ ਇੱਕ "ਫਰੋਜ਼ਨ ਸੈਂਸਰ" (42 ਦਿਨਾਂ ਲਈ ਬਿਲਕੁਲ ਇੱਕੋ ਜਿਹਾ ਮੁੱਲ) ਅਤੇ ਇੱਕ ਖੂਹ ਵਿੱਚ ਇੱਕ ਯੂਨਿਟ ਦੀ ਗਲਤੀ (ਮੀਟਰਾਂ ਦੀ ਬਜਾਏ ਪੈਰ ਦਾਖਲ ਕੀਤੇ) ਦਾ ਪਤਾ ਲਗਾਇਆ। ਇਹ ਤਿੰਨ ਤਰੁੱਟੀਆਂ, ਜਿਨ੍ਹਾਂ ਨੂੰ ਹੱਥਾਂ ਨਾਲ ਲੱਭਣ ਵਿੱਚ ਘੰਟੇ ਲੱਗਣਗੇ, ਮਾਡਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਨੂੰ ਗੰਭੀਰਤਾ ਨਾਲ ਪੱਖਪਾਤ ਕਰ ਸਕਦੇ ਹਨ; ਐਕਸਟਰੈਕਸ਼ਨ ਨੇ ਮਾਡਲ ਨੂੰ ਸਥਾਪਿਤ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੀ ਭਰੋਸੇਯੋਗ ਬਣਾ ਦਿੱਤਾ।
ਕੇਸ 2 - ਪੁੰਜ ਸੰਤੁਲਨ ਜਾਲ। ਇੱਕ ਮਾਈਨ ਵਾਟਰ ਡਿਸਚਾਰਜ ਮਾਡਲ ਸਾਰੇ ਨਿਰੀਖਣ ਖੂਹਾਂ 'ਤੇ 5% ਤੋਂ ਬਿਹਤਰ ਫਿੱਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਟੀਮ ਮਾਡਲ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਵਾਲੀ ਸੀ। ਪਾਣੀ ਦੇ ਸੰਤੁਲਨ ਦੀ ਜਾਂਚ ਨੇ ਪਾਇਆ ਕਿ ਕੁੱਲ ਰੀਚਾਰਜ ਖੇਤਰ ਦੇ ਬਾਰਸ਼ ਦੇ ਅੰਕੜਿਆਂ ਨਾਲ ਸੰਭਵ ਸੀ ਨਾਲੋਂ ਤਿੰਨ ਗੁਣਾ ਵੱਧ ਸੀ; ਮਾਡਲ ਨੇ ਗੈਰ-ਸਰੀਰਕ ਖੁਰਾਕ ਦੇ ਨਾਲ ਇਕਸੁਰਤਾ "ਖਰੀਦੀ" ਸੀ। ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਵਾਸਤਵਿਕ ਰੇਂਜ ਵਿੱਚ ਵਾਪਸ ਖਿੱਚਿਆ ਗਿਆ ਅਤੇ ਮੁੜ-ਕੈਲੀਬਰੇਟ ਕੀਤਾ ਗਿਆ। ਇੱਕ ਚੰਗੀ ਫਿੱਟ ਦਾ ਮਤਲਬ ਸਹੀ ਮਾਡਲ ਨਹੀਂ ਸੀ।
ਕੇਸ 3 - ਗੰਦਗੀ ਦਾ ਸ਼ੁਰੂਆਤੀ ਸੰਕੇਤ। ਪੀਣ ਵਾਲੇ ਪਾਣੀ ਦੇ ਬੇਸਿਨ ਵਿੱਚ ਇੱਕ ਖੂਹ ਦੀ ਚਾਲਕਤਾ ਲੜੀ ਵਿੱਚ, ਨਕਲੀ ਬੁੱਧੀ ਨੇ ਇੱਕ ਹੌਲੀ ਵਾਧਾ ਦਰਸਾਇਆ ਜੋ ਮੌਸਮੀ ਪੈਟਰਨ ਤੋਂ ਭਟਕ ਗਿਆ। ਇੱਕ ਸਾਈਟ ਨਿਰੀਖਣ ਵਿੱਚ ਇੱਕ ਨੇੜਲੇ ਸਟੋਰੇਜ ਖੇਤਰ ਤੋਂ ਇੱਕ ਲੀਕ ਪਾਇਆ ਗਿਆ ਅਤੇ ਗੰਦਗੀ ਦੇ ਪੀਣ ਵਾਲੇ ਖੂਹ ਤੱਕ ਪਹੁੰਚਣ ਤੋਂ ਪਹਿਲਾਂ ਕਾਰਵਾਈ ਕੀਤੀ ਗਈ। ਮਾਡਲ ਨੇ ਫੈਸਲਾ ਨਹੀਂ ਕੀਤਾ; ਹਾਈਡਰੋਜੀਓਲੋਜਿਸਟ ਦਾ ਧਿਆਨ ਸਹੀ ਖੂਹ ਵੱਲ ਦਿਵਾਇਆ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਖੂਹ ਦੇ ਅੰਕੜਿਆਂ ਨੂੰ ਦੇਖੋ ਅਤੇ ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਐਕੁਆਇਰ ਕਿਹੋ ਜਿਹਾ ਹੈ ਅਤੇ ਪਾਣੀ ਕਿੱਥੇ ਜਾ ਰਿਹਾ ਹੈ। [ਪੱਧਰ ਸਾਰਣੀ]
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਹਾਈਡਰੋਜੀਓਲੋਜਿਸਟ ਸਹਾਇਕ। ਹੇਠਾਂ ਨਿਰੀਖਣ ਖੂਹ ਦੇ ਪੱਧਰ ਦੀ ਲੜੀ ਦੀ ਜਾਂਚ ਕਰੋ, ਪਰ ਐਕੁਆਇਰ ਪੈਰਾਮੀਟਰ ਫਿੱਟ ਕੀਤਾ ਗਿਆ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੇ ਕੰਮ ਕਰੋ: 1) ਡੇਟਾ ਗੁਣਵੱਤਾ: ਗੁੰਮ, ਜੰਮੇ ਹੋਏ ਸੈਂਸਰ, ਯੂਨਿਟ/ਆਊਟਲੀਅਰ, ਚੰਗੀ ਅਤੇ ਤਾਰੀਖ ਦੇਣ ਦੇ ਸ਼ੱਕ ਦੀ ਸੂਚੀ ਬਣਾਓ। 2) ਆਮ ਰੁਝਾਨ (ਉੱਠਾ/ਪਤਝੜ/ਮੌਸਮੀ) ਅਤੇ ਸੰਭਵ ਭੌਤਿਕ ਸਪੱਸ਼ਟੀਕਰਨ। ਇਹ ਬਿਆਨ ਕਰੋ। ਡੇਟਾ ਅਗਿਆਤ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਮਾਡਲ ਨੂੰ ਡੇਟਾ ਕੰਟਰੋਲਰ ਅਤੇ ਪ੍ਰਸ਼ਨ ਸੰਪਾਦਕ ਦੀ ਭੂਮਿਕਾ ਵਿੱਚ ਰੱਖਦਾ ਹੈ; ਪੈਰਾਮੀਟਰ ਫਿਟਿੰਗ ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਮਨਾਹੀ ਕਰਦਾ ਹੈ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਨਮੂਨੇ
1) ਪੱਧਰ ਦੀ ਲੜੀ ਗੁਣਵੱਤਾ ਨਿਰੀਖਣ:
ਨਿਰੀਖਣ ਖੂਹ ਦੇ ਪੱਧਰ ਦੀ ਲੜੀ ਵਿੱਚ ਹੇਠਾਂ ਦਿੱਤੇ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ: ਗੁੰਮ ਹੋਏ ਦਿਨ, ਲਗਾਤਾਰ ਸਮਾਨ ਮੁੱਲ (ਜੰਮੇ ਹੋਏ ਸੈਂਸਰ), ਅਚਾਨਕ ਛਾਲ, ਸੰਭਾਵਿਤ ਯੂਨਿਟ ਗਲਤੀ (m/feet/cm)। ਸਿਰਫ਼ well_id ਅਤੇ ਮਿਤੀ ਰੇਂਜ ਨਾਲ ਸੂਚੀਬੱਧ ਕਰੋ; ਮੁੱਲ ਭਰਨਾ ਜਾਂ ਮਿਟਾਉਣਾ।
2) ਅਸੰਗਤ ਤਰਜੀਹ:
ਪਾਣੀ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਲੜੀ (ਪੈਰਾਮੀਟਰ: ਚਾਲਕਤਾ) ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜੋ ਮੌਸਮੀ ਪੈਟਰਨ ਤੋਂ ਭਟਕਦੇ ਹਨ, ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਨਾਲ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋਏ। ਹਰੇਕ ਉਮੀਦਵਾਰ ਲਈ: ਲਿਖੋ ਕਿ ਅਸਲ ਘਟਨਾ ਅਤੇ ਮਾਪ ਦੀ ਗਲਤੀ ਵਿਚਕਾਰ ਫਰਕ ਕਰਨ ਲਈ ਕਿਹੜੇ ਵਾਧੂ ਨਿਯੰਤਰਣ ਦੀ ਲੋੜ ਹੈ। ਫੈਸਲਾ ਹਾਈਡ੍ਰੋਜੀਓਲੋਜਿਸਟ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
3) ਪਾਣੀ ਦੇ ਸੰਤੁਲਨ ਦੀ ਜਾਂਚ ਸੂਚੀ:
ਕੈਲੀਬਰੇਟਿਡ ਭੂਮੀਗਤ ਪਾਣੀ ਦੇ ਮਾਡਲ ਲਈ ਪਾਣੀ ਦੇ ਸੰਤੁਲਨ ਨਿਯੰਤਰਣ ਕਦਮਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰੋ: ਇਨਪੁਟ ਆਈਟਮਾਂ, ਆਉਟਪੁੱਟ ਆਈਟਮਾਂ, ਸਟੋਰੇਜ ਪਰਿਵਰਤਨ, ਅਤੇ ਬੰਦ ਹੋਣ ਦੀ ਗਲਤੀ ਦੀ ਸਵੀਕ੍ਰਿਤੀ ਸੀਮਾ। ਉਦਾਹਰਨ ਸਥਿਤੀਆਂ ਜਿੱਥੇ ਮਾਡਲ ਪੱਧਰਾਂ ਦੀ ਪਾਲਣਾ ਕਰ ਸਕਦਾ ਹੈ ਪਰ ਸੰਤੁਲਨ ਦੀ ਉਲੰਘਣਾ ਕਰਦਾ ਹੈ।
4) ਡਰਾਫਟ ਪੰਪਿੰਗ ਟੈਸਟ ਵਿਆਖਿਆ:
ਪੰਪ ਟੈਸਟ ਡਰਾਡਾਊਨ ਟਾਈਮ ਡੇਟਾ ਲਈ: ਰੂਪਰੇਖਾ ਜੋ ਕਿ ਐਕੁਆਇਰ ਮਾਡਲ (ਅਸੀਮਤ, ਸੀਮਤ, ਅਰਧ-ਪਾਰਮੇਏਬਲ) ਢੁਕਵੇਂ ਹੋ ਸਕਦੇ ਹਨ ਅਤੇ ਹਰੇਕ ਸਾਈਟ ਦੇ ਭੂ-ਵਿਗਿਆਨ ਨਾਲ ਕਿਵੇਂ ਸੰਬੰਧਿਤ ਹੈ। ਕੇ ਅਤੇ ਸਟੋਰੇਜ ਲਈ ਸਹੀ ਨੰਬਰ ਦੇਣਾ; ਵਾਜਬ ਸੀਮਾ ਅਤੇ ਲੋੜੀਂਦੀਆਂ ਧਾਰਨਾਵਾਂ ਦੱਸੋ।
ਭੂਮੀਗਤ ਡੇਟਾ ਅਤੇ ਪ੍ਰਮਾਣਿਕਤਾ ਐਂਕਰ
ਡਾਟਾ/ਆਉਟਪੁੱਟ
AI ਯੋਗਦਾਨ
ਮੁੱਖ ਜੋਖਮ
ਪੁਸ਼ਟੀਕਰਨ ਐਂਕਰ
ਪੱਧਰ ਸਮਾਂ ਲੜੀ
ਸਫਾਈ, ਗਲਤੀ ਖੋਜ
ਫਿਟਿੰਗ ਸਟਫਿੰਗ
ਕੱਚਾ ਡਾਟਾ + ਫੀਲਡ ਰਿਕਾਰਡਿੰਗ
ਪਾਣੀ ਦੀ ਗੁਣਵੱਤਾ ਦੀ ਲੜੀ
ਅਸੰਗਤ ਛਾਂਟੀ
ਗਲਤ ਅਲਾਰਮ/ਮਿਸ
ਨਮੂਨਾ + ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਨੂੰ ਦੁਹਰਾਓ
ਪੰਪਿੰਗ ਟੈਸਟ
ਕਰਵ ਫਿਟਿੰਗ ਦੀ ਗਤੀ
ਗਲਤ ਐਕੁਆਇਰ ਮਾਡਲ
ਭੂ-ਵਿਗਿਆਨਕ ਸਦਭਾਵਨਾ
ਸੰਖਿਆਤਮਕ ਮਾਡਲ ਕੈਲੀਬ੍ਰੇਸ਼ਨ
ਪੈਰਾਮੀਟਰ ਅਨੁਕੂਲਨ
ਓਵਰਫਿਟਿੰਗ, ਗੈਰ-ਸਰੀਰਕ ਕੇ
ਪਾਣੀ ਦਾ ਸੰਤੁਲਨ + ਨਿਰੀਖਣ ਖੂਹ
ਖੁਆਉਣਾ/ਆਕਰਸ਼ਨ ਦਾ ਅੰਦਾਜ਼ਾ
ਡਾਟਾ ਫਿਊਜ਼ਨ
ਸੰਤੁਲਨ ਦੀ ਉਲੰਘਣਾ
ਬਾਰਸ਼/ਓਪਰੇਸ਼ਨ ਰਿਕਾਰਡ
ਸਾਵਧਾਨ: ਧਰਤੀ ਹੇਠਲੇ ਪਾਣੀ ਦਾ ਮਾਡਲ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਹੈ, ਭਵਿੱਖਬਾਣੀ ਨਹੀਂ। ਆਉਟਪੁੱਟ ਜੋ ਭਵਿੱਖ ਵਿੱਚ ਦਹਾਕਿਆਂ ਨੂੰ ਪ੍ਰੋਜੈਕਟ ਕਰਦੇ ਹਨ (ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਖਾਨ ਦੇ ਬੰਦ ਹੋਣ ਤੋਂ ਬਾਅਦ ਦੇ ਪਾਣੀ ਦਾ ਪੱਧਰ) ਉਹ ਦ੍ਰਿਸ਼ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਮਾਪਦੇ ਹੀ ਅਪਡੇਟ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਇੱਕਲੇ "ਯਕੀਨੀ" ਭਵਿੱਖ ਦੇ ਵਕਰ ਨੂੰ ਪੇਸ਼ ਕਰਨਾ ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਅਸਪਸ਼ਟ ਕਰਕੇ ਝੂਠਾ ਵਿਸ਼ਵਾਸ ਪੈਦਾ ਕਰਦਾ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਪਾਣੀ ਦੇ ਸੰਤੁਲਨ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਖ਼ਤਰਨਾਕ ਗਲਤੀ ਇੱਕ ਅਜਿਹੇ ਮਾਡਲ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਹੈ ਜੋ ਪੁੰਜ ਸੰਭਾਲ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਪੱਧਰਾਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫਿੱਟ ਕਰਦਾ ਹੈ।
- ਚੁੱਪਚਾਪ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਭਰਨਾ। ਜੇ AI ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੇ "ਭਰਨ" ਮੁੱਲਾਂ ਨੂੰ ਅਸਲ ਮਾਪਾਂ ਲਈ ਗਲਤੀ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕਮਜ਼ੋਰ ਨੀਂਹ 'ਤੇ ਹੈ।
- ਮਾਪਦੰਡਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਜੋ ਭੌਤਿਕ ਸੀਮਾ ਤੋਂ ਵੱਧ ਹਨ। ਅਨੁਪਾਲਨ ਦੀ ਖ਼ਾਤਰ ਅਸਥਿਰ K ਜਾਂ ਪੌਸ਼ਟਿਕ ਮੁੱਲਾਂ ਨੂੰ ਬਰਦਾਸ਼ਤ ਕਰਨਾ.
- ਆਪਣੇ ਆਪ ਹੀ ਵਿਗਾੜ ਨੂੰ ਅਸਲੀ ਸਮਝਣਾ। ਹਰ ਭਟਕਣਾ ਗੰਦਗੀ ਨਹੀਂ ਹੈ; ਫੀਲਡ ਅਤੇ ਦੁਹਰਾਉਣ ਵਾਲੇ ਨਮੂਨੇ ਦੁਆਰਾ ਮਾਪ ਦੀ ਗਲਤੀ ਦੀ ਸੰਭਾਵਨਾ ਨੂੰ ਖਤਮ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
- ਅਨਿਸ਼ਚਿਤਤਾ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਕਰਵ ਤੱਕ ਘਟਾਉਣਾ। ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਬਜਾਏ ਅੰਤਮ ਨਤੀਜਿਆਂ ਵਜੋਂ ਲੰਬੇ ਸਮੇਂ ਦੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਨੂੰ ਪੇਸ਼ ਕਰਨਾ।
ਸਾਰੰਸ਼ ਵਿੱਚ
- ਹਾਈਡਰੋਜੀਓਲੋਜੀ ਸਪਾਰਸ ਨਿਰੀਖਣ ਤੋਂ ਅਦਿੱਖ ਪ੍ਰਵਾਹ ਬਣਾਉਂਦਾ ਹੈ; ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਦੀ ਪੁੰਜ ਸੰਭਾਲ (ਪਾਣੀ ਸੰਤੁਲਨ) ਦੇ ਵਿਰੁੱਧ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- AI ਸਫਾਈ ਪੱਧਰ/ਗੁਣਵੱਤਾ ਲੜੀ, ਵਿਗਾੜ ਖੋਜ, ਅਤੇ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਪ੍ਰਵੇਗ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ; ਪੈਰਾਮੀਟਰ ਫਿੱਟ ਨਹੀਂ ਹੋਣੇ ਚਾਹੀਦੇ।
- ਭਾਵੇਂ ਮਾਡਲ ਨਿਰੀਖਣਾਂ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਫਿੱਟ ਕਰਦਾ ਹੈ, ਇਹ ਗੈਰ-ਭੌਤਿਕ ਮਾਪਦੰਡਾਂ (ਓਵਰਫਿਟ) ਨਾਲ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ; ਪਾਣੀ ਦੇ ਸੰਤੁਲਨ ਨੂੰ ਕੰਟਰੋਲ ਕਰਨਾ ਲਾਜ਼ਮੀ ਹੈ।
- ਹਰੇਕ ਨੰਬਰ ਭੌਤਿਕ ਸੀਮਾ ਦੇ ਅੰਦਰ ਫਿੱਟ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ (ਰੇਤ ਲਈ K ≈ ਮੀਟਰ/ਦਿਨ); ਹਾਈਡਰੋਜੀਓਲੋਜੀ ਵਿੱਚ ਵੀ ਵਿਸ਼ਾਲ ਐਂਕਰ ਦਾ ਕ੍ਰਮ ਲਾਗੂ ਹੁੰਦਾ ਹੈ।
- ਮਾਡਲ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਹੈ; ਲੰਬੇ ਸਮੇਂ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਨਾਲ, ਦ੍ਰਿਸ਼ਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਮਾਪਦੇ ਹੀ ਅੱਪਡੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਅਗਿਆਤ ਨਿਰੀਖਣ ਚੰਗੀ ਪੱਧਰ ਦੀ ਲੜੀ (ਜਾਂ ਪ੍ਰਤੀਨਿਧੀ ਡੇਟਾ) ਮੁੜ ਪ੍ਰਾਪਤ ਕਰੋ। ਮਾਡਲ ਨੂੰ "ਲੇਵਲ ਸੀਰੀਜ਼ ਕੁਆਲਿਟੀ ਚੈਕ" ਟੈਮਪਲੇਟ ਨਾਲ ਡਾਟਾ ਤਰੁੱਟੀਆਂ ਲੱਭਣ ਲਈ ਕਹੋ; ਘੱਟੋ-ਘੱਟ ਇੱਕ ਸ਼ੱਕੀ ਜੰਮੇ ਹੋਏ ਸੈਂਸਰ ਜਾਂ ਯੂਨਿਟ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ ਅਤੇ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਇਹ ਇਸਨੂੰ ਫੜਦਾ ਹੈ। ਫਿਰ ਇੱਕ ਕੈਲੀਬਰੇਟਿਡ ਮਾਡਲ ਦ੍ਰਿਸ਼ ਲਈ "ਵਾਟਰ ਬੈਲੇਂਸ ਚੈਕਲਿਸਟ" ਟੈਮਪਲੇਟ ਚਲਾਓ ਅਤੇ ਇੱਕ ਉਦਾਹਰਨ ਦੇ ਨਾਲ ਲਿਖੋ ਕਿ ਕਿਵੇਂ ਮਾਡਲ ਸੰਤੁਲਨ ਦੀ ਉਲੰਘਣਾ ਕਰ ਸਕਦਾ ਹੈ ਭਾਵੇਂ ਇਹ ਪੱਧਰਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਐਕੁਆਇਰ, ਹਾਈਡ੍ਰੌਲਿਕ ਚਾਲਕਤਾ, ਸਿਰ ਅਤੇ ਸਟੋਰੇਜ ਦੀਆਂ ਧਾਰਨਾਵਾਂ ਅਤੇ ਖਾਸ ਰੇਂਜਾਂ ਨੂੰ ਜਾਣਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਪੁੰਜ ਸੰਭਾਲ (ਪਾਣੀ ਸੰਤੁਲਨ) ਦੇ ਨਾਲ ਭੂਮੀਗਤ ਪਾਣੀ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਰਿਫਲੈਕਸ ਪ੍ਰਾਪਤ ਕੀਤਾ।
- [ ] ਮੈਂ ਡੇਟਾ ਦੀ ਸਫਾਈ ਅਤੇ ਅਸੰਗਤਤਾ ਦੀ ਛਾਂਟੀ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹਾਂ ਅਤੇ ਪੈਰਾਮੀਟਰ ਦਾ ਫੈਸਲਾ ਹਾਈਡਰੋਜੀਓਲੋਜਿਸਟ 'ਤੇ ਛੱਡਦਾ ਹਾਂ।
- [ ] ਓਵਰਫਿਟਿੰਗ ਦੇ ਜੋਖਮ ਨੂੰ ਪਛਾਣਦੇ ਹੋਏ, ਮੈਨੂੰ ਨਹੀਂ ਲੱਗਦਾ ਕਿ ਚੰਗੀ ਫਿਟ ਸਹੀ ਮਾਡਲ ਹੈ।
- [ ] ਮੈਂ ਲੰਬੇ ਸਮੇਂ ਦੇ ਮਾਡਲ ਆਉਟਪੁੱਟ ਨੂੰ ਅਨਿਸ਼ਚਿਤਤਾ ਵਾਲੇ ਦ੍ਰਿਸ਼ਾਂ ਵਜੋਂ ਪੇਸ਼ ਕਰਦਾ ਹਾਂ।