[논문]인공지능을 이용한 수도권 학교 미세먼지 취약성 평가: Part I - 미세먼지 예측 모델링

손상훈; 김진수

doi:10.7780/kjrs.2021.37.6.2.10

[국내논문] 인공지능을 이용한 수도권 학교 미세먼지 취약성 평가: Part I - 미세먼지 예측 모델링
Vulnerability Assessment for Fine Particulate Matter (PM2.5) in the Schools of the Seoul Metropolitan Area, Korea: Part I - Predicting Daily PM2.5 Concentrations 원문보기

대한원격탐사학회지 = Korean journal of remote sensing, v.37 no.6 pt.2, 2021년, pp.1881 - 1890

손상훈 (부경대학교 지구환경시스템과학부 공간정보시스템전공) , 김진수 (부경대학교 공간정보시스템공학과)

초록
AI-Helper

미세먼지는 인체에는 물론 생태계, 날씨 등에도 많은 영향을 끼치며, 인구와 건물, 차량 등이 밀집된 대도시에서의 미세먼지의 예측과 모니터링은 중요하다. 특히 자동차, 연소 등에서 발생하는 PM_2.5 농도는 독성 물질을 포함할 수 있어 체계적인 관리가 필요하다. 따라서 본 연구는 화학 인자, 위성 기반의 aerosol optical depth (AOD), 기상 인자 등을 입력 자료로 하여 수도권PM_2.5 농도를 예측하고자 한다. PM_2.5 농도 예측을 위해 기계 학습 모델 중 PM 농도 예측에 우수한 성능을 보이는 random forest (RF) 모델을 선정하였으며, 모델 평가를 위해 통계 지표인 R², RMSE, MAE, MAPE를 산출하였다. RF 모델의 모델 정확도는 R², RMSE, MAE, MAPE는 각각 0.97, 3.09, 2.18, 13.31로 나타났으며, 예측 정확도는 각각 0.82, 6.03, 4.36, 25.79로 본 연구에서 사용한 인자들을 이용하여 PM_2.5를 예측 시 높은 정확도와 상관성을 나타내었다. 따라서 향후 학교 미세먼지 예측 및 범주화를 위해 본 연구에서 사용한 인자들을 RF 모델에 적용하였을 때 신뢰할만한 결과를 도출할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

Particulate matter (PM) affects the human, ecosystems, and weather. Motorized vehicles and combustion generate fine particulate matter (PM2.5), which can contain toxic substances and, therefore, requires systematic management. Consequently, it is important to monitor and predict PM2.5 concentrations, especially in large cities with dense populations and infrastructures. This study aimed to predict PM2.5 concentrations in large cities using meteorological and chemical variables as well as satellite-based aerosol optical depth. For PM2.5 concentrations prediction, a random forest (RF) model showing excellent performance in PM concentrations prediction among machine learning models was selected. Based on the performance indicators R2, RMSE, MAE, and MAPE with training accuracies of 0.97, 3.09, 2.18, and 13.31 and testing accuracies of 0.82, 6.03, 4.36, and 25.79 for R2, RMSE, MAE, and MAPE, respectively. The variables used in this study showed high correlation to PM2.5 concentrations. Therefore, we conclude that these variables can be used in a random forest model to generate reliable PM2.5 concentrations predictions, which can then be used to assess the vulnerability of schools to PM2.5.

주제어

표/그림 (7)

그림 Fig. 1. The research area in this study; red circles represent 125 training AQMS, blue circles represent 31 validation AQMS, and green squares represent 102 AWS.
표 Table 1. Summary of the dataset used in this study
그림 Fig. 2. The Density scatter plots of RF model; (a) model accuracy, (b) prediction accuracy.
그림 Fig. 3. The Density scatter plots of RF model; (a) prediction accuracy in Seoul, (b) prediction accuracy in Gyeonggi-do, (c) prediction accuracy in Incheon.
그림 Fig. 4. The important measure for each variable according to %IncMSE and IncNodePurity.
그림 Fig. 5. The accuracy and spatial distribution of each validation AQMS; (a) R2, (b) RMSE, (c) MAE, (d) MAPE.
표 Table 2. R2, RMSE, MAE, and MAPE at 31 AQMS

참고문헌 (27)

Amini, H., S.M. Taghavi-Shahri, S.B. Henderson, K. Naddafi, R. Nabizadeh, and M. Yunesian, 2014. Land use regression models to estimate the annual and seasonal spatial variability of sulfur dioxide and particulate matter in Tehran, Iran, Science of the Total Environment, 488: 343-353.

상세보기
Breiman, L., 2001. Random Forest, Machine Learning, 45(1): 5-32.
Brokamp, C., R. Jandarov, M. Hossain, and P. Ryan, 2018. Predicting daily urban fine particulate matter concentrations using a random forest model, Environmental Science and Technology, 52(7): 4173-4179.

상세보기
Cho, K.W., Y.J. Jung, C.G. Kang, and C.H. Oh, 2019. Conformity assessment of machine learning algorithm for particulate matter prediction, Journal of the Korea Institute of Information and Communication Engineering, 23(1): 20-26 (in Korean with English abstract).

원문보기 상세보기
Choubin, B., M. Abdolshahnejad, E. Moradi, X. Querol, A. Mosavi, S. Shamshirband, and P. Ghamisi, 2020. Spatial hazard assessment of the PM10 using machine learning models in Barcelona, Spain, Science of The Total Environment, 701(20): 1-11.
Chudnovsky, A.A., P. Koutrakis, I. Kloog, S. Melly, F. Nordio, A. Lyapustin, Y. Wang, and J. Schwartz, 2014. Fine particulate matter predictions using high resolution Aerosol Optical Depth (AOD) retrievals, Atmospheric Environment, 89: 189-198.

상세보기
Danesh Yazdi, M., Z. Kuang, K. Dimakopoulou, B. Barratt, E. Suel, H, Amini, A. Lyapustin, K. Katsouyanni, and J. Schwartz, 2020. Predicting fine particulate matter (PM 2.5 ) in the Greater London Area: an ensemble approach using machine learning methods, Remote Sensing, 12(6): 914.

상세보기
Goyal, P., A.T. Chan, and N. Jaiswal, 2006. Statistical models for the prediction of respirable suspended particulate matter in urban cities, Atmospheric Environment, 40(11): 2068-2077.

상세보기
Harishkumar, K.S., K.M. Yogesh, and I. Gad, 2020. Forecasting air pollution particulate matter (PM 2.5 ) using machine learning regression models, Procedia Computer Science, 171: 2057-2066.

상세보기
Kim, S.Y., L. Sheppard, S. Bergen, A.A. Szpiro, P.D. Sampson, J.D. Kaufman, and S. Vedal, 2016. Prediction of fine particulate matter chemical components with a spatio-temporal model for the Multi-Ethnic Study of Atherosclerosis cohort, Journal of Exposure Science and Environmental Epidemiology, 26(5): 520-528.

상세보기
Laden, F., L.M. Neas, D.W. Dockery, and J. Schwartz, 2000. Association of fine particulate matter from different sources with daily mortality in six US cities, Environmental Health Perspectives, 108(10): 941-947.

상세보기
Liu, K., D. Tian, H. Xu, H. Wang, and G. Yang, 2019. Quantitative analysis of toxic elements in polypropylene (PP) via laser-induced breakdown spectroscopy (LIBS) coupled with random forest regression based on variable importance (VIRFR), Analytical Methods, 11: 4769-4774.

상세보기
Masood, A. and K. Ahmad, 2020. A model for particulate matter (PM 2.5 ) prediction for Delhi based on machine learning approaches, Procedia Computer Science, 167: 2101-2110.

상세보기
Mehdipour, V., D.S. Stevenson, M. Memarianfard, and P. Sihag, 2018. Comparing different methods for statistical modeling of particulate matter in Tehran, Iran, Air Quality, Atmosphere and Health, 11(10): 1155-1165.

상세보기
Munir, S., T.M. Habeebullah, A.R. Seroji, E.A. Morsy, A.M. Mohammed, W.A. Saud, A.E. Abdou, and A.H. Awad, 2013. Modeling particulate matter concentrations in Makkah, applying a statistical modeling approach, Aerosol and Air Quality Research, 13(3): 901-910.

상세보기
Ordieres, J.B., E.P. Vergara, R.S. Capuz, and R.E. Salazar, 2005. Neural network prediction model for fine particulate matter (PM 2.5 ) on the US-Mexico border in El Paso (Texas) and Ciudad Juarez (Chihuahua), Environmental Modelling and Software, 20(5): 547-559.

상세보기
Park, S., S. Son, J. Bae, D. Lee, J-J. Kim, and J. Kim, 2021. Robust Spatiotemporal Estimation of PM Concentrations Using Boosting-Based Ensemble Models, Sustainability, 13(24): 13782.

상세보기
Polichetti, G., S. Cocco, A. Spinali, V. Trimarco, and A. Nunziata, 2009. Effects of particulate matter (PM 10 , PM 2.5 and PM 1 ) on the cardiovascular system, Toxicology, 261(1-2): 1-8.

상세보기
Schwartz, J. and L.M. Neas, 2000. Fine particles are more strongly associated than coarse particles with acute respiratory health effects in schoolchildren, Epidemiology, 11(1): 6-10.

상세보기
Seo, J.D., 2016. Foreign Exchange Rate Forecasting Using the GARCH extended Random Forest Model, Journal of Industrial Economics and Business, 29(5): 1607-1628 (in Korean with English abstract).
Son, S. and J. Kim, 2020. Evaluation and Predicting PM 10 Concentration Using Multiple Linear Regression and Machine Learning, Korean Journal of Remote Sensing, 36(6-3), 1711-1720 (in Korean with English abstract).

원문보기 상세보기
Stafoggia, M., T. Bellander, S. Bucci, M. Davoli, K. de Hoogh, F. de' Donato, C. Gariazzo, A. Lyapustin, P. Michelozzi, M. Renzi, M. Scortichini, A. Shtein, G. Viegi, I. Kloog, and J. Schwartz, 2019. Estimation of daily PM 10 and PM 2.5 concentrations in Italy, 2013-2015, using a spatiotemporal land-use random-forest model, Environment International, 124: 170-179.

상세보기
Suleiman, A., M.R. Tight, and A.D. Quinn, 2019. Applying machine learning methods in managing urban concentrations of traffic-related particulate matter (PM 10 and PM 2.5 ), Atmospheric Pollution Research, 10(1): 134-144.

상세보기
Tai, A.P., L.J. Mickley, and D.J. Jacob, 2010. Correlations between fine particulate matter (PM 2.5 ) and meteorological variables in the United States: Implications for the sensitivity of PM 2.5 to climate change, Atmospheric Environment, 44(32): 3976-3984.

상세보기
Wan, Y., M. Xu, H. Huang, and S. Xi Chen, 2021. A spatio-temporal model for the analysis and prediction of fine particulate matter concentration in Beijing, Environmetrics, 32(1): e2648.

상세보기
Woodruff, T.J., J.D. Parker, and K.C. Schoendorf, 2006. Fine particulate matter (PM 2.5 ) air pollution and selected causes of postneonatal infant mortality in California, Environmental Health Perspectives, 114(5): 786-790.

상세보기
Zhang, L., L. Liu, Y. Zhao, S. Gong, X. Zhang, D.K. Henze, S.L. Capps, T. Fu, Q. Zhang, and Y. Wang, 2015. Source attribution of particulate matter pollution over North China with the adjoint method, Environmental Research Letters, 10(8): 084011.

상세보기

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