선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이에 정부에서도 한국의 5대강 유역을 대상으로 조류의 번식을 사전에 막고자 수질자동측정망 시스템을 설치하여 실시간으로 감시하고 있다. 또한 수치모델링을 이용하여 기상 및 오염원의 변화에 따른 장래의 수질변화를 예측하여 수질 사고에 대처할 수 있도록 하는 방안을 마련하고자 노력하고 있다. 여러 국가에서 비선형성, 학습을 통한 모형의 구축, 반복된 학습에 의한 가중치를 결정하는 비매개변수법으로 입력과 출력의 형태의 변화가 자유로운 인공신경망을 이용하여 수질인자를 예측하는 다양한 연구 사례가 있다.
- 본 연구에서는 조류가 빈번히 발생하는 금강유역 내 대청호를 대상으로 수질단기예측모형을 구축하였다. 대청댐 유역은 수질자동측정망에서 얻은 2009부터 2010년까지 측정된 일 단위 수질성분과 Wamis (www.
제안 방법
- 2) 대청호 유역 내 실시간 수질자동측정망 시스템의 2년동안의 수집된 자료를 기반으로 수질예측모형을 구축하였다. 신경망의 특성 상 수집된 자료의 개수가 더 많다면 chl-a의 예측모형의 입력성분으로 chl-a의 지체시간을 둔 chl-a 성분을 고려하지 않더라도 예측정도가 높은 수질예모형의 구축이 가능할 것이다.
- kr/)에서 얻은 수문성분 자료를 이용하여 관측자료 간의 관계와 호수 내 조류성장에 영향을 미치는 성분을 규명하고자 교차상관관계 분석을 실시하였다. 교차상관분석 결과를 바탕으로 1, 3, 7일 단위의 다양한 단기조류예측모형을 구축하고 이를 모형 검증방법을 통하여 적합한 단기수질예측모형을 선정하였다.
- 본 연구에서는 조류가 빈번히 발생하는 금강유역 내 대청호를 대상으로 수질단기예측모형을 구축하였다. 대청댐 유역은 수질자동측정망에서 얻은 2009부터 2010년까지 측정된 일 단위 수질성분과 Wamis (www.wamis.go.kr/)에서 얻은 수문성분 자료를 이용하여 관측자료 간의 관계와 호수 내 조류성장에 영향을 미치는 성분을 규명하고자 교차상관관계 분석을 실시하였다. 교차상관분석 결과를 바탕으로 1, 3, 7일 단위의 다양한 단기조류예측모형을 구축하고 이를 모형 검증방법을 통하여 적합한 단기수질예측모형을 선정하였다.
- 본 연구는 대청댐의 수질자동측정망에서 얻은 일 단위 수질측정자료를 이용하여 단기조류예측모형을 구축하였다. 단기조류예측모형에 대한 적정성을 평가하고자 RMSE, R²의 분석을 실시하였고, 그 결과 대체적으로 예측기간 1, 3, 7일 예측 중 1일 예측의 경우 결과의 정확도가 가장 높게 나왔으며 다음으로 3일 예측, 마지막으로 7일 예측 결과의 순으로 분석되었다.
- 본 연구에서는 역전파알고리즘을 이용하여 단기 조류예측 신경망 모형을 Fig. 3과 같은 절차를 통하여 구축하였다. 단기조류예측모형의 입력자료는 상관분석 결과를 바탕으로 chl-a와 상관 정도가 높은 수질 및 수문성분을 추출하였다.
- 53이었으며, 이들 자료와 함께 Lag Time이 고려된 TN, TP 등의 다양한 수질 성분이 고려되었을 때 우수한 단기조류예측모형이 구축되었다. 본 연구에서는 자동수질측정망의 관측 자료를 이용하여 12가지 단기조류예측모형을 구축하였고 RMSE와 R2의 값을 이용하여 적절한 모형을 선정하였다. 그 결과, 우수한 결과를 보인 Model 6, Model 7, Model 10 중에서 특히 수온, pH, DO, TOC, TN, TP, chl-a의 입력성분으로 구성된 Model 7이 조류예측성능이 우수한 모형으로 선정되었다.
- 단기조류예측 모형을 구축하기 위하여 Training 기간을 2010/01/01～2010/12/31, Testing 기간을 2009/01/01～2009/12/31의 자료로 구분하여 사용하였다. 상관분석의 결과로 chl-a와 관련하여 높은 상관 정도를 보이는 수온, pH, TOC, If를 입력데이터로 한 모형을 기준으로 선정하고 각각의 요소의 민감한 정도를 분석하고자 Model 1에서 입력성분을 하나씩 제거 또는 추가하여 Model 1～Model 12 (M1～M12)를 구축하였다.
- 이러한 수문 및 수질성분 간의 상관관계 분석 결과를 이용하여 금강 유역 내 대청호 지점의 12가지 단기조류예측모형을 구축하였다. 각 수문 및 수질성분별 Lag Time과 은닉층 수에 대한 12가지 역전파알고리즘 기반의 인공신경망 모형인 단기조류예측모형의 구조를 살펴보면 Table 5에 제시된 바와 같다.
- 단기조류예측모형의 입력자료는 상관분석 결과를 바탕으로 chl-a와 상관 정도가 높은 수질 및 수문성분을 추출하였다. 이를 이용하여 조류예측모형의 입력요소로 사용하였으며 각 성분들의 민감한 정도를 알아보고자 Table 1과 같이 12가지 chl-a 예측 모형을 구축하여 예측 모형별 1, 3, 7일 예측을 실시하였다. 단기조류예측 모형을 구축하기 위하여 Training 기간을 2010/01/01～2010/12/31, Testing 기간을 2009/01/01～2009/12/31의 자료로 구분하여 사용하였다.
- 인공신경망을 이용한 다양한 연구사례에서 알 수 있듯이 수질요소 BOD, DO 등에 관한 예측 연구는 있으나 수질과 수문인자를 함께 고려하고 이를 활용하여 부영양화에 직접적인 영향인자가 되는 chl-a 농도를 예측한 연구는 많지 않다. 정확도가 높은 수질단기예측모형을 통한 효율적인 수질관리를 위하여 기본적인 관측 데이터 성분만을 이용하여 단기예측을 가능하게 할 수 있는 역전파 알고리즘 인공신경망을 이용하여 수질단기예측모형을 구축하고자 한다.
- 조류에 영향을 미치는 수질 및 수문 요소 간의 상관분석을 실시하였다. 우선, 시계열 자료에 내재하는 시점 간의 상관분석을 실시하기 위하여 Serial Correlation Analysis(SCA), 조류발생과 상관성이 있는 항목분석을 위하여 수질항목과 수문항목 간 Cross Correlation Analysis(CCA)를 실시하였다.
- 1, 3, 7일에 대한 단기간의 조류예측을 위한 모형으로 Model 1, Model 5, Model 6, Model 7, Model 10이 적절함을 알 수 있다. 특히 1, 3, 7일 예측 모두에서 가장 우수한 결과를 보이고 있는 Model 6, Model 7, Model 10을 단기조류예측을 위한 최적모형으로 선정하였다. Fig.
대상 데이터
- 이를 이용하여 조류예측모형의 입력요소로 사용하였으며 각 성분들의 민감한 정도를 알아보고자 Table 1과 같이 12가지 chl-a 예측 모형을 구축하여 예측 모형별 1, 3, 7일 예측을 실시하였다. 단기조류예측 모형을 구축하기 위하여 Training 기간을 2010/01/01～2010/12/31, Testing 기간을 2009/01/01～2009/12/31의 자료로 구분하여 사용하였다. 상관분석의 결과로 chl-a와 관련하여 높은 상관 정도를 보이는 수온, pH, TOC, If를 입력데이터로 한 모형을 기준으로 선정하고 각각의 요소의 민감한 정도를 분석하고자 Model 1에서 입력성분을 하나씩 제거 또는 추가하여 Model 1～Model 12 (M1～M12)를 구축하였다.
- 본 연구에서 사용된 자료는 대청호 지점의 수질자동측정망에서 얻은 2009년에서 2010년까지의 일 단위의 수질(Tw, DO, TOC, pH, chl-a, TN, TP)자료와 WAMIS(www.wamis.go.kr/)의 수문(대청댐 유입량(If), 유출량(Of), 댐유역평균강우량(Pa), 기온(Ta))자료이다. 환경부의 수질자동측정망 운영을 통한 자료로써 신뢰성이 높으며, 수질 및 수문 자료를 모두 이용하는 것은 조류의 발생에 가장 민감하게 영향을 미치는 요소를 분석하여 자료간의 관계를 규명하고 분석된 결과를 이용하여 수질예측에 가장 적합한 입력성분을 이용하여 모형을 구축하기 위함이다.
- 국가에서도 대청호를 대상으로 수온(Tw), 용존산소량(DO), 총유기탄소(TOC), pH, 클로로필-a 농도(chl-a), 총인(TP), 총질소(TN)의 수질항목을 조류발생예보제의 기준을 적용하여 시범실시하고 있다. 이에 본 연구에서는 단기조류예측모형을 구축하기 위하여 금강 유역 내 대청호 지점을 대상 유역으로 선정하였다. Fig.
데이터처리
- 모형의 검보정을 위하여 Table 2에 나타낸 바와 같이, 제곱근평균자승오차-Root Mean Square Error (RMSE), 결정계수-R-square (R2) 함수를 적용하였다.
- 조류에 영향을 미치는 수질 및 수문 요소 간의 상관분석을 실시하였다. 우선, 시계열 자료에 내재하는 시점 간의 상관분석을 실시하기 위하여 Serial Correlation Analysis(SCA), 조류발생과 상관성이 있는 항목분석을 위하여 수질항목과 수문항목 간 Cross Correlation Analysis(CCA)를 실시하였다. 시계열 자료의 계절적 변동이나 주기적인 반복성을 검토하기 위한 SCA (rk)분석은 다음의 Eq.
성능/효과
- 1) 대상유역에 대하여 chl-a 예측의 경우, 자연현상을 과학적으로 모두 이해하고 고려하기란 쉽지가 않다. 따라서 신경망 기반의 chl-a의 예측의 경우, 수문뿐 아니라 기상과 다양한 수질성분이 적절하게 고려되었을 때 가장 예측정도가 높음을 알 수 있다.
- 6은 단기조류예측모형으로 Model 6, 7, 10의 Testing 결과를 실측자료와 비교하여 나타내었다. 1일 예측의 경우 모형의 입력성분과 관계없이 높은 예측정도를 보였으며 3일, 7일로 예측 기간이 길어질수록 예측의 정확성이 1일 예측일 때보다 낮음을 알 수 있었다.
- 우선 기본 관측 수질 및 수문 자료에 대한 SCA와 CCA를 실시하였고 이에 대한 결과는 Tables 3 and 4에 나타낸 바와 같다. Table 3에 나타낸 SCA 결과를 살펴보면, 자기상관분석은 모든 수문 및 수질 성분에서 지체시간(Lag Time, LT)이 1～7일인 경우에 대체적으로 95% 신뢰성을 보였으며 특히 Lag Time이 1～2인 경우 상관정도가 가장 높음을 알 수 있다. Table 4의 CCA 결과는 chl-a에 대하여 댐 방류량(Of), 수온(Tw), pH, TOC가 높은 상관관계를 보였다.
- 5(a)와 같이 M1- 1, M1-3, M1-7로 나타낸 것이다. 결과를 분석해보면, 대체적으로 1일 예측의 결과(RMSE와 R2)는 Model 1, Model 6, Model 7, Model 10에서 RMSE 값 1.14, 1.65, 1.0, 1.88을 보였고 R2은 0.991, 0.981, 0.996, 0.956 으로 우수한 결과를 보였다. 즉, Figs.
- 본 연구에서는 자동수질측정망의 관측 자료를 이용하여 12가지 단기조류예측모형을 구축하였고 RMSE와 R2의 값을 이용하여 적절한 모형을 선정하였다. 그 결과, 우수한 결과를 보인 Model 6, Model 7, Model 10 중에서 특히 수온, pH, DO, TOC, TN, TP, chl-a의 입력성분으로 구성된 Model 7이 조류예측성능이 우수한 모형으로 선정되었다. 본 연구에서 사용된 인공신경망의 단점이라 할 수 있는 자료의 개수에 대한 한계성을 고려할 때, 사용된 수질관측자료의 기간이 2009년부터 2010년의 2년간의 자료를 활용하여 도출된 결과임을 고려할 때 장기 관측된 수질측정 자료를 활용한다면 1일 뿐 아니라 3일, 7일 또는 그 이상의 예측의 경우에도 예측의 정확도가 상승될 것으로 판단된다.
- 단기조류예측모형에 대한 적정성을 평가하고자 RMSE, R²의 분석을 실시하였고, 그 결과 대체적으로 예측기간 1, 3, 7일 예측 중 1일 예측의 경우 결과의 정확도가 가장 높게 나왔으며 다음으로 3일 예측, 마지막으로 7일 예측 결과의 순으로 분석되었다.
- 3과 같은 절차를 통하여 구축하였다. 단기조류예측모형의 입력자료는 상관분석 결과를 바탕으로 chl-a와 상관 정도가 높은 수질 및 수문성분을 추출하였다. 이를 이용하여 조류예측모형의 입력요소로 사용하였으며 각 성분들의 민감한 정도를 알아보고자 Table 1과 같이 12가지 chl-a 예측 모형을 구축하여 예측 모형별 1, 3, 7일 예측을 실시하였다.
- 조류예측에 관한 수질 및 수문성분별 예측 결과 및 구축 모형은 chl-a의 과거 관측 자료가 예측 정도를 높여주는 가장 중요한 역할을 하는 성분이며, 영양염류의 경우 구성되는 입력성분에 따라 예측 기간별 정확도가 다르게 나타났다. 모든 수문 및 수질 성분은 교차상관관계로 연결되어 있으므로 모형을 구축하여 민감도 분석을 세부적으로 실시하였으나 결국 모든 인자를 적절한 지체시간에 따라 고려할 때 가장 좋은 결과가 도출됨을 알 수 있었다. 즉 Table 4의 CCA분석 결과에서 알 수 있듯이 chl-a에 대하여 수문 및 수질성분 중 가장 상관도가 높은 것은 TOC 0.
- 단기조류예측모형에 대한 적정성을 평가하고자 RMSE, R²의 분석을 실시하였고, 그 결과 대체적으로 예측기간 1, 3, 7일 예측 중 1일 예측의 경우 결과의 정확도가 가장 높게 나왔으며 다음으로 3일 예측, 마지막으로 7일 예측 결과의 순으로 분석되었다. 조류예측에 관한 수질 및 수문성분별 예측 결과 및 구축 모형은 chl-a의 과거 관측 자료가 예측 정도를 높여주는 가장 중요한 역할을 하는 성분이며, 영양염류의 경우 구성되는 입력성분에 따라 예측 기간별 정확도가 다르게 나타났다. 모든 수문 및 수질 성분은 교차상관관계로 연결되어 있으므로 모형을 구축하여 민감도 분석을 세부적으로 실시하였으나 결국 모든 인자를 적절한 지체시간에 따라 고려할 때 가장 좋은 결과가 도출됨을 알 수 있었다.
- 모든 수문 및 수질 성분은 교차상관관계로 연결되어 있으므로 모형을 구축하여 민감도 분석을 세부적으로 실시하였으나 결국 모든 인자를 적절한 지체시간에 따라 고려할 때 가장 좋은 결과가 도출됨을 알 수 있었다. 즉 Table 4의 CCA분석 결과에서 알 수 있듯이 chl-a에 대하여 수문 및 수질성분 중 가장 상관도가 높은 것은 TOC 0.62, Tw 0.60, pH 0.53이었으며, 이들 자료와 함께 Lag Time이 고려된 TN, TP 등의 다양한 수질 성분이 고려되었을 때 우수한 단기조류예측모형이 구축되었다. 본 연구에서는 자동수질측정망의 관측 자료를 이용하여 12가지 단기조류예측모형을 구축하였고 RMSE와 R2의 값을 이용하여 적절한 모형을 선정하였다.
후속연구
- 본 논문의 결과에서 알 수 있듯이 실시간 수질자동측정망 시스템을 이용한 활용성을 높이고 이를 활용한 신경망 기반의 단기조류예측모형을 함께 구축한다면 조류발생에 의한 부영영화 현상의 피해를 감소시킬 수 있을 것이다. 또한 장기 관측된 자료를 이용하여 조류예측모형을 구축한다면 7일 이상의 장기 예측 모형 역시 구축이 가능할 것으로 사료된다. 향후 물리적인 모형에 의한 예측 결과와의 비교 검증을 통한 시스템 모형의 신뢰성 정도를 분석할 필요가 있을 것이다.
- 본 논문의 결과에서 알 수 있듯이 실시간 수질자동측정망 시스템을 이용한 활용성을 높이고 이를 활용한 신경망 기반의 단기조류예측모형을 함께 구축한다면 조류발생에 의한 부영영화 현상의 피해를 감소시킬 수 있을 것이다. 또한 장기 관측된 자료를 이용하여 조류예측모형을 구축한다면 7일 이상의 장기 예측 모형 역시 구축이 가능할 것으로 사료된다.
- 그 결과, 우수한 결과를 보인 Model 6, Model 7, Model 10 중에서 특히 수온, pH, DO, TOC, TN, TP, chl-a의 입력성분으로 구성된 Model 7이 조류예측성능이 우수한 모형으로 선정되었다. 본 연구에서 사용된 인공신경망의 단점이라 할 수 있는 자료의 개수에 대한 한계성을 고려할 때, 사용된 수질관측자료의 기간이 2009년부터 2010년의 2년간의 자료를 활용하여 도출된 결과임을 고려할 때 장기 관측된 수질측정 자료를 활용한다면 1일 뿐 아니라 3일, 7일 또는 그 이상의 예측의 경우에도 예측의 정확도가 상승될 것으로 판단된다.
- 또한 장기 관측된 자료를 이용하여 조류예측모형을 구축한다면 7일 이상의 장기 예측 모형 역시 구축이 가능할 것으로 사료된다. 향후 물리적인 모형에 의한 예측 결과와의 비교 검증을 통한 시스템 모형의 신뢰성 정도를 분석할 필요가 있을 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.