[논문]머신러닝 기법을 활용한 낙동강 중류 지역의 Chl-a 예측 알고리즘 비교 연구(수질인자 및 수량 중심으로)

이상민; 박경덕; 김일규

doi:10.11001/jksww.2020.34.4.277

머신러닝 기법을 활용한 낙동강 중류 지역의 Chl-a 예측 알고리즘 비교 연구(수질인자 및 수량 중심으로)
Comparison of machine learning algorithms for Chl-a prediction in the middle of Nakdong River (focusing on water quality and quantity factors) 원문보기

上下水道學會誌 = Journal of Korean Society of Water and Wastewater, v.34 no.4, 2020년, pp.277 - 288

이상민 (부경대학교 환경공학과) , 박경덕 (부경대학교 마린융합디자인공학과) , 김일규 (부경대학교 환경공학과)

Abstract ▼ AI-Helper

In this study, we performed algorithms to predict algae of Chlorophyll-a (Chl-a). Water quality and quantity data of the middle Nakdong River area were used. At first, the correlation analysis between Chl-a and water quality and quantity data was studied. We extracted ten factors of high importance for water quality and quantity data about the two weirs. Algorithms predicted how ten factors affected Chl-a occurrence. We performed algorithms about decision tree, random forest, elastic net, gradient boosting with Python. The root mean square error (RMSE) value was used to evaluate excellent algorithms. The gradient boosting showed 10.55 of RMSE value for the Gangjeonggoryeong (GG) site and 11.43 of RMSE value for the Dalsung (DS) site. The gradient boosting algorithm showed excellent results for GG and DS sites. Prediction value for the four algorithms was also evaluated through the Receiver operating characteristic (ROC) curve and Area under curve (AUC). As a result of the evaluation, the AUC value was 0.877 at GG site and the AUC value was 0.951 at DS site. So the algorithm's ability to interpret seemed to be excellent.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 이번 연구는 조류 발생 여러 인자 중 오염물질이 집중적으로 유입되는 낙동강 중류 지역의 2개보에 걸쳐서 보 설치 이후에 지속적으로 측정·관찰되고 있는 Chl-a와 수질측정자료, 보 운영 자료인 수량자료를 같이 활용하여 특징적인 상관관계를 우선 도출하여 낙동강 중류지역의 Chl-a를 예측하고자 하였다.
, 2018). 마지막으로 분석기법 중 대표적인 예측기법인 회귀분석에서 ridge regression과 lasso regression의 장점을 모두 가지고 있고 큰 데이터셋에서 잘 작동하는 대표적인 회귀분석 알고리즘인 elastic net 또한 활용할 필요가 있으며 이번 연구에서는 이러한 4가지 알고리즘을 활용하고자 하였다.
머신러닝 기반 Chl-a 예측 알고리즘을 수행하기 위하여 본 연구에서 이용하는 수질자료와 수량자료에 대해 상관관계 분석을 우선 실시하였다. 수질과 수량요소간의 상관성이 있는 항목을 우선 찾아내고 중요도가 높은 항목에 대해 decision tree, random forest, elastic net, gradient boosting의 알고리즘을 실행하였다.
본 연구에서 낙동강 중류의 2개보 지점에서의 수질과 수량항목에 대한 Chl-a와의 상관성을 통해 10가지 중요한 인자를 추출하였다. 그리고 Chl-a를 목표변수로 하여 두 지점에서 중요인자를 통해 4가지 알고리즘을 비교 분석하였으며 그 결과는 다음과 같다.
이번 연구는 Python 프로그램을 기반으로 최근 낙동강 Chl-a 농도 예측으로 조류와 연관된 국내에서 많이 사용되고 있는 알고리즘을 비교하고자 하였으며 특히 조류가 빈번히 발생하고 있는 낙동강 중류지역의 Chl-a 농도를 우수하게 예측하는 알고리즘을 수행하고자 하였다. 최근 국내에서는 낙동강 조류에 관한 연구로 decision tree를 활용한 사례가 있으며 낙동강본류 구간의 남조류 발생특성을 파악하고자 조류경보제 기반의 발령기준을 범주형 목표변수로 하여 주요 영향인자에 따른 남조류 발생 조건을 연구한 결과가 있다(Jung et al.
따라서 이번 연구는 조류 발생 여러 인자 중 오염물질이 집중적으로 유입되는 낙동강 중류 지역의 2개보에 걸쳐서 보 설치 이후에 지속적으로 측정·관찰되고 있는 Chl-a와 수질측정자료, 보 운영 자료인 수량자료를 같이 활용하여 특징적인 상관관계를 우선 도출하여 낙동강 중류지역의 Chl-a를 예측하고자 하였다. 이번 연구는 향후 낙동강 중류 보 구간의 수질관리정책 수립을 위한 기초 자료를 제공하는 데 목적이 있다.

제안 방법

그리고 이러한 영향인자는 조류발생에 서로 영향을 미치므로 Chl-a와의 상관관계를 통해 해석하여 적용할 필요가 있다. Chl-a에 영향을 미치는 주요 영향인자를 파악하기 위해 각 보별 Chl-a와 수질, 수량과의 상관관계를 분석하였으며 그 결과는 Fig. 2와 같다.
, 2018). Gradient boosting은 decision tree 시퀀스를 반복적으로 학습시키며 각 반복에서 알고리즘은 현재 그룹을 사용하여 각 트레이닝 인스턴스 레이블을 예측하고 실제 레이블을 예측하고 비교한다. 빈약한 예측으로 훈련 인스턴스에 더 중점을 두기 위해 데이터 세트의 레이블이 다시 지정되며 gradient boosting은 반복에서 decision tree에 의한 실수를 정정한다.
데이터 set은 주로 수질자료를 중심으로 주간단위로 구성되어 매일 측정되는 수량자료를 주단 단위로 조정하였으며 2012년 6월부터 2019년 11월까지 총 384주간의 데이터를 통합하여 21종의 변수로 데이터 set을 구성하였다. Training data는 80%, testing data는 20%로 설정하여 두 지점의 Chl-a를 예측하는 4가지 알고리즘을 수행하였다.
본 연구에서 낙동강 중류의 2개보 지점에서의 수질과 수량항목에 대한 Chl-a와의 상관성을 통해 10가지 중요한 인자를 추출하였다. 그리고 Chl-a를 목표변수로 하여 두 지점에서 중요인자를 통해 4가지 알고리즘을 비교 분석하였으며 그 결과는 다음과 같다.
Chl-a 농도를 통해 정확한 조류발생을 예측하기 위해 Chl-a 농도 예측은 가급적 양성율이 크고 위양성율이 작아야 의미 있는 지표로 활용 가능하다. 따라서 두 지점의 4개 알고리즘에 대한 ROC커브를 표현하고 AUC값을 도출하였다. 정확성 평가결과 GG지점에서 decision tree의 AUC는 0.
머신러닝 기반 Chl-a 예측 알고리즘을 수행하기 위하여 본 연구에서 이용하는 수질자료와 수량자료에 대해 상관관계 분석을 우선 실시하였다. 수질과 수량요소간의 상관성이 있는 항목을 우선 찾아내고 중요도가 높은 항목에 대해 decision tree, random forest, elastic net, gradient boosting의 알고리즘을 실행하였다.
우선 정확도가 낮은 첫 번째 tree 모델을 만들고 난 이후, 예측에서 발견된 오류는 두 번째 tree 모델에 보완된다. 이런 방법으로 다음 tree 모델에서 약점을 계속 보완하여 향후에는 강한 학습기를 구축한다. Loss function(손실함수, J )는 예측 모델의 오류를 정량화하며, loss function 값을 최소화하여 알고리즘 내 파라미터를 찾기 위하여 머신러닝 알고리즘은 gradient descent를 사용한다.

대상 데이터

데이터 set은 주로 수질자료를 중심으로 주간단위로 구성되어 매일 측정되는 수량자료를 주단 단위로 조정하였으며 2012년 6월부터 2019년 11월까지 총 384주간의 데이터를 통합하여 21종의 변수로 데이터 set을 구성하였다. Training data는 80%, testing data는 20%로 설정하여 두 지점의 Chl-a를 예측하는 4가지 알고리즘을 수행하였다.
본 연구에서는 물환경측정망 및 수질측정망의 자료 중 낙동강권역에서 2012년에 건설된 낙동강의 보건설지점으로 조류가 빈번히 발생하고 있는 중류지점인 Fig. 1의 GG(강정고령보), DS(달성보)을 대상으로 하였다. GG지점은 연장 953.
7백만 m³이며 DS지점은 연장 580 m, 관리수위 14 m, 저수용량 56백만 m³로 낙동강 8개보 중 중류지역을 대표하는 보이다. 수질자료는 수질자료를 획득할 수 있는 GG의 다사, DS의 논공지점을 대상으로 하여 두 지점의 조류발생 측정시점인 2012년 6월부터 2019년 11월까지로 하였으며 수량자료는 물환경정보 시스템에서 제공하는 자료를 이용하였다.
수질자료는 수질측정망 보 지점(하천)의 자료는 물환경정보시스템(http://water.nier.go.kr)의 매주 1회 측정되고 있는 Chl-a, pH, DO (dissolved oxygen), BOD, COD, SS, 총질소(T-N), 총인(T-P), TOC, 수온(W·T), 전기전도도(E·C), 용존총질소(DTN), 암모니아성질소(NH₃-N), 질산성질소(NO₃-N), 용존총인(DTP), 인산염인(PO₄-P)를 이용하였고, 수량자료는 보 하류 수위(DWL, Downstream water level), 저수량(Flux), 공용량(WV, Water volume), 유입량(Inflow), 총 방류량(TFR, Total flow rate) 자료를 추출하여 이용하였다.
8 km로 한반도에서 압록강 다음으로 두 번째로 긴 강이며, 유역면적은 23,860 km² 이다. 이번 연구에서는 낙동강에서 조류가 빈번히 발생하고 있는 지점인 낙동강 중류지역으로 상류지역에서의 축산폐수, 생활하수와 농경지 유출수 등 점오염원의 영향을 받을 것으로 예상되는 최대상수원 지역인 강정고령보 수계와 경산, 영천, 대구를 가로질러 흐르는 금호강의 유입으로 인한 산업폐수, 생활폐수의 영향이 있을 것으로 보이는 달성보 수계를 대상으로 하였다 (Lee, 2013). 특히 낙동강은 비점오염원에 노출되어 있으며 중⋅하류구간은 인구밀집 지역 및 공업지역으로 인해 그 수질을 관리하기 어려운 수계이다 (Hwang, 2012).

데이터처리

예측값에 대한 정확성을 평가하기 위해 ROC커브분석을 두 지점에 실시하였다. 두 지점 모두 gradient boosting 알고리즘이 예측값의 정확성이 높게 나타났으며 두 지점의 Chl-a 농도 예측값과 측정값에 대한 test score는 GG지점 62%, DS지점 72%로 나타났다.

이론/모형

이런 방법으로 다음 tree 모델에서 약점을 계속 보완하여 향후에는 강한 학습기를 구축한다. Loss function(손실함수, J )는 예측 모델의 오류를 정량화하며, loss function 값을 최소화하여 알고리즘 내 파라미터를 찾기 위하여 머신러닝 알고리즘은 gradient descent를 사용한다. gradient boosting은 이러한 파라미터 손실함수 최소화 과정을 모델 함수(f_i) 공간에서 수행하며, 손실함수를 알고리즘 파라미터가 아니라 다음과 같은 (8)번 수식에 의해 현재까지 학습된 tree모델 함수로 미분하며 수식에서 ρ는 학습률을 나타낸다.
이번 연구에서 알고리즘 성능을 평가하기 위해 잔차오차기반 지표인 MSE, RMSE를 활용해 평가하였다. 데이터 set을 기반으로 하는 알고리즘 지표 비교는 Table 1과 같다.

성능/효과

999)으로 나타났다. AUC값이 1에 가까울 때 알고리즘의 예측값 평가가 우수하며(Do and Le, 2020), 두 지점 모두 AUC값이 1에 가까운 gradient boosting 알고리즘이 우수하게 나타났다.
Chl-a와 상관관계를 pearson 상관계수를 통해 분석한 결과 GG지점은 BOD, DO, pH, SS, WV, TOC, NH₃-N, E·C, Flux, T-P, DS지점은 BOD, DO, COD, TOC, DTP, SS, E·C, T-P, PO₄-P, NH₃-N으로 나타났다.
GG지점에서의 MSE는 decision tree가 259.83, random forest는 136.57, elastic net 198.35, gradient boosting 111.35로 나타났으며 DS지점에서의 MSE가 decision tree 161.63, random forest 152.98, elastic net 246.52, gradient boosting 130.61로 나타났다. 그리고 GG지점에서의 RMSE는 decision tree가 16.
43으로 나타났다. GG지점의 gradient boosting의 MSE가 111.35, RMSE은 10.55로 알고리즘의 성능이 높게 나타났으며 다음으로는 random forest, elastic net, decision tree 순으로 알고리즘 성능을 나타냈다. DS지점은 gradient boosting의 MSE가 130.
61로 나타났다. 그리고 GG지점에서의 RMSE는 decision tree가 16.12, random forest는 11.69, elastic net 14.08, gradient boosting 10.55로 나타났으며 DS지점에서는 decision tree 12.71, random forest 12.37, elastic net 15.70, gradient boosting 11.43으로 나타났다. GG지점의 gradient boosting의 MSE가 111.
알고리즘의 예측력을 평가하기 위해 RMSE, MSE를 통해 평가한 결과 낙동강 중류의 두 지점 모두 gradient boosting 알고리즘이 우수하게 나타났다. 기존의 SPSS를 활용한 다중회귀분석 방법으로 낙동강 수계 Chl-a를 예측한 RMSE값 보다 우수하게 나타나 다른 통계방법 보다 머신러닝 알고리즘을 이용한 Chl-a 예측이 정확하였다.
예측값에 대한 정확성을 평가하기 위해 ROC커브분석을 두 지점에 실시하였다. 두 지점 모두 gradient boosting 알고리즘이 예측값의 정확성이 높게 나타났으며 두 지점의 Chl-a 농도 예측값과 측정값에 대한 test score는 GG지점 62%, DS지점 72%로 나타났다. 알고리즘별로 일부 성능차이는 있었으나 크지는 않았으며 gradient boosting 알고리즘이 본 연구와 같이 수계환경 데이터를 기반으로 한 알고리즘으로 적용 가능하였다.
상관도가 떨어지는 요인을 제거하기 위한 전단계로 상관관계 분석을 수행하였고 중요인자를 추출하였으며 두 지점의 상관계수 절대값이 0.1 이상과 인자의 수가 10가지일 경우 머신러닝 알고리즘이 보다 정확하게 구현되었다. Chl-a와 상관관계를 pearson 상관계수를 통해 분석한 결과 GG지점은 BOD, DO, pH, SS, WV, TOC, NH₃-N, E·C, Flux, T-P, DS지점은 BOD, DO, COD, TOC, DTP, SS, E·C, T-P, PO₄-P, NH₃-N으로 나타났다.
두 지점 모두 gradient boosting 알고리즘이 예측값의 정확성이 높게 나타났으며 두 지점의 Chl-a 농도 예측값과 측정값에 대한 test score는 GG지점 62%, DS지점 72%로 나타났다. 알고리즘별로 일부 성능차이는 있었으나 크지는 않았으며 gradient boosting 알고리즘이 본 연구와 같이 수계환경 데이터를 기반으로 한 알고리즘으로 적용 가능하였다.
알고리즘의 예측력을 평가하기 위해 RMSE, MSE를 통해 평가한 결과 낙동강 중류의 두 지점 모두 gradient boosting 알고리즘이 우수하게 나타났다. 기존의 SPSS를 활용한 다중회귀분석 방법으로 낙동강 수계 Chl-a를 예측한 RMSE값 보다 우수하게 나타나 다른 통계방법 보다 머신러닝 알고리즘을 이용한 Chl-a 예측이 정확하였다.
이번 연구에서 4개 알고리즘의 두 지점 Chl-a 농도 평균 초과여부의 정확성은 민감도와 특이도를 통해 확인 할 수 있으며 민감도와 특이도에 대한 시각화는 Fig. 7∼8에서 확인할 수 있다.
DS지점은 그 다음으로 좋은 성능을 나타낸 알고리즘은 random forest, decision tree, elastic net으로 나타났다. 이번 연구에서 GG, DS 두 지점 모두 gradient boosting이 좋은 성능의 알고리즘으로 평가되었다. 예측값과 측정값을 비교한 결과는 Fig.
, 2013). 이외의 영양염류인 질소와 인에서도 상관성이 나타났으며 NH₃-N, DTP는 상관계수 절대값 0.3이상의 유의성을 나타내었으며 T-P, PO₄-P, DTP 등도 절대값 0.1 이상의 유의한 상관성을 나타내었다. 이번 연구의 유의한 수질인자 중 E·C는 수계의 구분이나 수질의 연속적 변화를 쉽게 파악하는 지표이며 조류가 증식하였을 때 수계의 상층 E·C는 높게 나타나며 SS는 집중호우의 경우 농경지, 도로 등과 같은 비점오염원에서 유입되어 높아지는 경향이 있으며 일정부분은 조류와 같은 미생물 농도의 영향을 받는다.
따라서 두 지점의 4개 알고리즘에 대한 ROC커브를 표현하고 AUC값을 도출하였다. 정확성 평가결과 GG지점에서 decision tree의 AUC는 0.790, elastic net의 AUC는 0.867, random forest의 AUC는 0.869, gradient boosting의 AUC가 0.877로 나타났다. DS지점에서 decision tree의 AUC는 0.
Chl-a와 상관관계를 pearson 상관계수를 통해 분석한 결과 GG지점은 BOD, DO, pH, SS, WV, TOC, NH₃-N, E·C, Flux, T-P, DS지점은 BOD, DO, COD, TOC, DTP, SS, E·C, T-P, PO₄-P, NH₃-N으로 나타났다. 특히 BOD, COD, DO, pH는 상관계수가 0.3이상으로 유의한 상관관계를 나타내었다. pH는 조류 및 박테리아 성장에 영향을 미치는 영향인자며, 대부분의 조류는 중성영역인 pH 7~9 사이를 선호하며 질산염(NO₃^-)을 질소원으로 사용할 때는 pH는 상승하고, 암모니아(NH₄^-)를 질소원으로 사용할 때는 pH가 낮아져 DO와도 연관이 있다.
특히 이번 연구결과와 지역이 일치하는 낙동강중류 지역 강정고령보 지점으로 2012년 1월부터 2016년 10월까지 14개 수질인자와 Chl-a와의 상관관계 분석 결과 pH, DO, BOD, COD, SS, T-N, W·T, NH₃-N, NO₃-N, PO₄-P 등이 유의한 상관관계(p≺0.01)를 나타내고 달성보는 pH, DO, BOD, COD, TN, T-P, W·T, NH₃-N, NO₃-N 등이 유의한 상관관계를 나타낸 연구결과가 있었으며(Jung and Kim, 2017) 이번 연구 결과의 중요 수질인자와 대부분 일치하였다.

후속연구

그리고 보다 정확한 예측을 위해서는 조류가 많이 발생하는 수계에 자동측정망 등을 구축하여 시계열적으로 지속적인 측정·분석된 자료와 강수량, 일사량, 운량 등 다양한 기상자료가 추가로 확보된다면 본 알고리즘을 활용한 수질 예측 성능은 더욱 향상될 수 있을 것이다.
특히 지점별로 변수 중요도는 차이가 났으며 두 지점의 공통된 수질인자로는 BOD, DO, SS, TOC, NH₃-N, E·C, T-P 등으로 평가되었다. 향후 낙동강 중류지역의 조류 발생을 억제하기 위하여 공통된 수질인자에 대한 추가적인 연구가 필요한 것으로 판단된다.
향후 조류가 빈번히 발생하고 있고 오염물질이 지속적으로 유입되어 조류가 빈번히 발생하는 낙동강하류에 대한 연구도 필요하며 하류지역에도 알고리즘이 적용 가능하다면 보가 설치되어 있는 4대강을 중심으로 연구가 필요하다고 판단된다. 그리고 보다 정확한 예측을 위해서는 조류가 많이 발생하는 수계에 자동측정망 등을 구축하여 시계열적으로 지속적인 측정·분석된 자료와 강수량, 일사량, 운량 등 다양한 기상자료가 추가로 확보된다면 본 알고리즘을 활용한 수질 예측 성능은 더욱 향상될 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	낙동강이란?	낙동강은 강원도 태백시에서 발원하여 영남지역을 관통하고 남해에 이르기까지 총 유로연장 525.8 km로 한반도에서 압록강 다음으로 두 번째로 긴 강이며, 유역면적은 23,860 km² 이다. 이번 연구에서는 낙동강에서 조류가 빈번히 발생하고 있는 지점인 낙동강 중류지역으로 상류지역에서의 축산폐수, 생활하수와 농경지 유출수 등 점오염원의 영향을 받을 것으로 예상되는 최대상수원 지역인 강정고령보 수계와 경산, 영천, 대구를 가로질러 흐르는 금호강의 유입으로 인한 산업폐수, 생활폐수의 영향이 있을 것으로 보이는 달성보 수계를 대상으로 하였다 (Lee, 2013).
	위성 영상자료 등을 이용하여 Chl-a를 예측한 사례가 가지는 한계는?	과거 낙동강의 Chl-a 연구 방향은 하천의 수질자료를 이용하여 Chl-a 성장에 영향을 미치는 수질인자에 대한 통계분석인 상관분석, 다중회귀분석 등을 진행해 왔으며 최근에는 머신러닝을 통해 위성 영상자료 등을 이용하여 Chl-a를 예측한 사례가 있다. 하지만 조류발생 모니터링 방법으로 Chl-a의 위성영상 분광특성을 이용하여 농도 값을 예측하는 방식은 위성영상 밴드를 이용한 모델식이 다양하게 존재 하지만 예측 모델을 사용하기 위한 수계 환경변화를 반영하는 농도 계산식의 정확도가 떨어지는 문제점이 존재하는 것으로 알려져 있다 (Chun and Eun, 2017). 그리고 국내에서도 수질자료를 활용하여 머신러닝 알고리즘인 인공신경망을 통해 낙동강 Chl-a를 예측한 사례가 있으나(Park, 2015; Kim, 2017) 인공신경망 알고리즘과 수질자료만 활용하였으며 Chl-a를 정확하게 예측하기 위해선 조류 발생에 영향을 미치는 다양한 데이터를 통해 적합한 알고리즘을 찾을 필요가 있다.
	낙동강이 수질을 관리하기 어려운 수계인 이유는?	이번 연구에서는 낙동강에서 조류가 빈번히 발생하고 있는 지점인 낙동강 중류지역으로 상류지역에서의 축산폐수, 생활하수와 농경지 유출수 등 점오염원의 영향을 받을 것으로 예상되는 최대상수원 지역인 강정고령보 수계와 경산, 영천, 대구를 가로질러 흐르는 금호강의 유입으로 인한 산업폐수, 생활폐수의 영향이 있을 것으로 보이는 달성보 수계를 대상으로 하였다 (Lee, 2013). 특히 낙동강은 비점오염원에 노출되어 있으며 중⋅하류구간은 인구밀집 지역 및 공업지역으로 인해 그 수질을 관리하기 어려운 수계이다 (Hwang, 2012). 전 지구적 기후변화로 인한 재해예방, 수자원확보, 수질개선 등을 목표로 4대강 사업이 진행되어 8개의 보가 완공되었다.

참고문헌 (45)

Breiman. L., Friedman, J.H., Olshen, R.A., and Stone, C.J. (1984). Classification and regression trees, Wadsworth Statistics/Probability Series, Wadsworth Advanced Books and Software.
Caissie, D., Satish, M.G., and El-Jabi, N. (2007). Predicting water temperatures using a deterministic model: Application on Miramichi River catchment(New Brunswick, Canada), J. Hydrol., 336, 303-315.

상세보기
Chun, D.J. and Eun, J. (2017). Application method of remote sensing method for monitoring the water quality of big River, KEI Environmental Forum, 214, 21.
Cho, J. Y. (2019). Odor compounds forecasting in Daecheong water intake station using machine learning models, Doctor's Thesis, Chungnam National University, Daejeon, Korea.
Clercq, D.D., Wen, Z., and Fei, F. (2019). Determinants of efficiency in anaerobic bio-waste co-digestion facilities: A data envelopment analysis and gradient boosting approach, Appl. Energy, 253, 113570.

상세보기
Dhaliwal, S.S., Nahid, A.A., and Abbas, R. (2018). Effective intrusion detection system using XGboost, Information, 9(7), 149.

상세보기
Do, D.T. and Le, N.Q.K. (2020). Using extreme gradient boosting to identify origin of replication in Saccharomyces cerevisiae via hybrid features, Genomics. 112(3), 2445-2451.

상세보기
Falconer, I.R. and Humpage, A.R. (2005). Health risk assessment of cyanobacterial (blue-green algal) toxins in drinking water, Int. J. Environ. Res. Public Health, 2(1), 43-50.

상세보기
Fan, J., Ma, X., Wu, L., Zang, F., Yu, X., and Zeng, W. (2019). Light gradient boosting machine: An efficient soft computing model for estimating daily reference evapotranspiration with local and external meteorological date, Agric. Water Manag., 225, 105758.

상세보기
Friedman, J.H. (2002). Stochastic gradient boosting, Comput. Stat. Data Anal., 38(4), 367-378.

상세보기
Hastie, T., Tibshirani, R., and Friedman, J. (2009). The elements of statistical learning: date mining, inference and prediction, Springer Series in Statistics, New York, 745.
Heo, J.S., Kwon, D,h., Kim, J,B., Han, Y.H., and An, C.H. (2018). Prediction of cryptocurrency price trend using gradient boosting, KIPS Trans, Softw. Data Eng., 7(10), 387-396.
Hoerl, A.E. and Kennard, R.W. (1970). Ridge regression: Biased estimation for nonorthogonal problems, Technometrics, 12(1), 55-67.

상세보기
Hwang, S.J. (2012). Forecasting system for water quality using artificial neural Networks: The Kangjung-Koryung weir on the Nakdong River, Doctor's Thesis, Keimyung University.
Hyndman, R.J. and Koehler, A.B. (2006). Another look at measure of forecast accuracy, Int. J. Forecast., 22(4), 679-688.

상세보기
Johnson, N.E., Bonczak, B., and Kontokosta, C.E. (2018). Using a gradient boosting model to improve the performance of low-cost aerosol monitors in a dense, heterogeneous urban environment, Atmos. Environ., 184, 9-16.

상세보기
Johnson, N.E., Ianiuk, O., Cazap, D., Liu, L., Starobin, D., Dobler, G., and Ghandehari, M. (2017). Patterns of waste generation: A gradient boosting model for short-term waste prediction in New York City, J. Waste Manag., 62, 3-11.

상세보기
Jung, S.Y. and Kim, I.G. (2017). Analysis of water quality factor and correlation between water quality and Chl-a in middle and downstream weir section of Nakdong River, J. Korean Soc. Environ. Eng., 39(2), 89-96.

원문보기 상세보기
Jung, W.S., Kim, B,G., Kim, Y.D., and Kim, S.E. (2019). A study on the characteristics of cyanobacteria in the mainstream of Nakdong river using decision trees, J. Wetl. Res., 21(4), 312-320.
Kim, C.W. and Seo, Y.G. (2020). Design and performance prediction of ultra-low flow hydrocyclone using the random forest method, J. Korean Soc. Manuf. Technol. Eng., 29(2), 83-88.
Kim, D.H. and Yom, J.H. (2018). Machine Learning Based Estimation of Chlorophyll-a Concentrations in the Nakdong River Using Satellite Imagery, J. Korean Soc, Geom. atics., 4, 231-236.
Kim, G.H., Jung, K.Y., Yoon, J.S., and Cheon, S.U. (2013). Temporal and spatial analysis of water quality data observed in lower watershed of Nam River Dam, J. Korean Soc. Hazard Mitig., 13(6), 429-437.

원문보기 상세보기
Kim, H.G. (2017). Prediction of chlorophyll-a in the middle reach of the Nakdong River at Maegok using artificial neural networks, Department of Integrated Biological Science, Master's Thesis, The Graduate School Busan National University, Busan, Korea.
Krishna, T.H., Rajabhushanam, C., Michael, G., and Kavitha, R. (2019). Liver disorderprognosis with Apache spark random forest and gradient booster Algorithms, IJITEE, 8, 2278-3075.
Landry, M., Erlinger, T.P., Patschke, D., and Varrichio, O. (2016). Probabilistic gradient boosting machines for Gefcom 2014 wind forecasting, Int. J. Forecast, 32(3), 1061-1066.

상세보기
Lawrence, R., Bunn, A., Powell, S., and Zambon, M. (2004). Classification of remotely sensed imagery using stochastic gradient boosting as a refinement of classification tree analysis, Remote Sens. Environ., 90(3), 331-336.

상세보기
Lee, H.W. (2013). A study on nutrient mass balance of the weir sections in the middle of Nakdong River basin, Master's Thesis, Department of Environment Engineering Graduate School Yeungnam University, Gyeongsan, Gyeongbuk, Korea.
Lee, J.A. and Yoo, J.E. (2019). Exploration of predictors to teacher efficacy via elastic net, Asian J. Education, 20(1), 149-172.

상세보기
Lee, S.H., Kim, B.R., and Lee, H.W. (2014). A study on water quality after construction of the weirs in the middle area in Nakdong River, J. Korean Soc. Environ. Eng., 36(4), 258-264.

원문보기 상세보기
Lim, J.S., Kim, Y.W., Lee, J.H., Park, T.J., and Byun, I.G. (2015). Evaluation of Correlation between Chlorophyll-a and Multiple Parameters by Multiple Linear Regression Analysis, J. Korean Soc. Environ. Eng., 37(5), 253-261.

원문보기 상세보기
McLaughlin, D.B. (2012). Assessing the predictive performance of risk-based water quality criteria using decision error estimate from receiver operating characteristics(ROC) analysis, Integr. Environ. Asses., 8(4), 674-684.

상세보기
Metz, C.E. (1978). Basic principles of ROC analysis, Seminars in the Nuclear Medicine, 8(4), 283-298.

상세보기
Morrison, A.M., Coughlin, K., Shin, J.P., Coull, B.A., and Rex, A.C. (2003). Receiver operating characteristic curve analysis of beach water quality indicator variables, Appl. Environ. Microb., 69(11), 6405-6411.

상세보기
Nieto, P.J.G., Gonzalo, E.G., Lasheras, F.S., Fernandez, J.J.R., Muniz, C.D., and Cos Jues, F.J. (2018). Cyanotoxin level prediction in a resevoir using gradient boosted regression trees: A case study, Environ. Sci. Pollut. R., 25, 22658-22671.

상세보기
Muller, A.C., and Guido, S. (2016). Introduction to Machine Learning with Python: A Guide for Data Scientists, O'Reilly Media, Inc.
Park, B.G. (2015). A study for estimation of chlorophyll-a in a mid-lower reach of the Nakdong River using a neural network, Master's Thesis, Department of Civil Engineering, The Graduate School Pukyong Natioal University, Busan, Korea.
Park, K.Y., and Ko. J.W. (2019). A short guide to machine learning for economists, Korean J. Econ., 26(2), 367-408.

상세보기
Persson, C., Bacher, P., Shiga, T., and Madsen, H. (2017). Multi-site solar power forecasting using gradient boosted regression trees, J. Sol. Energy, 150, 423-436.

상세보기
Rokach, L., and Maimon, O. (2005). Decision Trees In Data Mining and Knowledge Discovery Handbook, Springer, Boston, MA.
Song, S.S., Park, J.J., Kang, T.T., Kim, Y.S., Kim, J.Y., and Kang, T.K. (2017). Accuracy evaluation and alert level setting for real-time cyanobacteria measurement using receiver operating characteristic curve analysis, J. Korean Soc. Water Environ., 33(2), 130-139.
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society, Series B (Methodological), 58(1), 267-288.

상세보기
Twisti, H., Edeards. A.C., and Codd, G.A. (1988). Algae growth respones to waters of contrasting tributaries of the river Dee, North-East Scotland, Water Res., 32(8), 2471-2479.
Vapnik, V. (1998). Statistical learning theory, Wiley-Interscience, New York.
Wei, L., Huang, C., Wang, Z., Wang, Z., Zhou, X., and Cao, L. (2019). Monitoring of urban black-odor water based on Nemerow index and gradient boosting decision tree regression using UAV-borne hyperspectral imagery, Remote Sens., 11(20), 2402.

상세보기
Zou, H. and Hastie, T. (2005). Regularization and variable selection via the elastic net, Journal of the Royal Statistical Society: Series B (Statistical Methodology), 67(2), 301-320.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증