$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 기계학습 Adaboost에 기초한 미세먼지 등급 지도
Particulate Matter Rating Map based on Machine Learning with Adaboost Algorithm 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.51 no.2, 2021년, pp.141 - 150  

정종철 (남서울대학교 드론공간정보공학과)

초록
AI-Helper 아이콘AI-Helper

미세먼지는 사람의 건강에 많은 영향을 미치는 물질로서 이와 관련하여 다양한 연구가 이루어지고 있다. 미세먼지의 인체 영향으로 인해 서울시 모니터링 네트워크에서 측정된 과거 데이터를 활용하여 미세먼지를 예측하려는 다양한 연구가 진행되고 있다. 본 연구는 2019년 5월 서울시의 미세먼지를 중점으로 진행하였으며, 학습에 사용한 변수는 SO2, CO, NO2, O3와 같은 대기오염물질 데이터를 활용하였다. 예측모델은 Adaboost에 기반하여 구축하였고, 훈련모델은 PM10과 PM2.5로 구분하였다. 에러 메트릭스를 통한 예측모델의 정확도 평가 결과로 Adaboost가 시도되었다. 대기오염물질은 초미세먼지와 더 높은 상관성을 보이는 것으로 나타났지만, 보다 효과적인 분포등급을 제시하기 위해서는 많은 양의 데이터를 학습하고, PM10과 PM2.5의 공간분포 등급을 효과적으로 예측하기 위해서 교통량 등의 추가적인 변수를 활용할 필요성이 있다고 판단된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Fine dust is a substance that greatly affects human health, and various studies have been conducted in this regard. Due to the human influence of particulate matter, various studies are being conducted to predict particulate matter grade using past data measured in the monitoring network of Seoul ci...

Keyword

#미세먼지   #기계학습   #대기오염물질  

표/그림 (10)

참고문헌 (18)

  1. Ministry of Environment. 2020. Environmental Statistics Yearbook. 

  2. Kang MS et al. 2016. Analysis of the correlation between PM10 concentration characteristics and emissions in major metropolitan cities on the Korean Peninsula, Korean Society of Environmental Sciences. 25(8):1065-1076. 

  3. Kim YK. 2019. Prediction of Citizens' emotions on home mortgage rates using machine learning algorithms. Journal of cadastre & land InfomatiX. 49(1): 65-84. 

  4. Kim WS. 2014. Seoul Metropolitan Government's ultra-fine dust (PM2.5) management plan, Seoul Institute. 2014-182. 

  5. Sung SY . 2019. The status of temporal and spatial distribution of fine dust concentrations and the potential influencing factors are reviewed. National Research Institute of Human Settlements. WP 19-04. 

  6. Yoo JH. 2011. The redundancy analysis of the air pollution monitoring station in Seoul. Graduate School thesis of Seokyung University. 

  7. Lee GH. 2020. Design and analysis of a model for predicting the risk level of fine dust using a complex neural network structure. Graduate degree thesis of Hanyang University. 

  8. Lee SB.2019. Research trends on the effects of fine dust on the human body. BRIC View 2019-T26. 

  9. Jung JC. 2014. Seoul PM10 Spatial Distribution Analysis and Time Series Changes, Journal of the Korean Geographic Information Society. 17(1):61-69. 

    원문보기 상세보기 crossref

  10. Jung JC. 2017. Spatial information application case for appropriate location assessment of PM10 observation network in Seoul city. Journal of cadastre & land InfomatiX. 47(2): 175-184. 

  11. Jung JC. 2019. Selection of new particulate matter monitoring stations using Kernel analysis - Elementary schools, Seoul, Korea. Journal of cadastre & land InfomatiX. 47(2): 175-184. 

  12. Jo KW. 2019. Evaluation of the suitability of machine learning algorithms for predicting fine dust. Paper of the Korean Society of Information and Communication. 23(1):20-26. 

  13. Choi IJ et al.2016.Evaluation of Air Pollution Measurement Network in the Seoul metropolitan area using multivariate analysis method. Korean Society of Environmental Sciences. 25(5):673-681. 

  14. Rochelle Schneider dos Santos et al. 2020. A satellite-based spatio-temporal machine learning model to reconstruct daily PM2.5 concentrations across Great Britain, medRxiv 2020.07.19.20157396. 

  15. Jan Kleine Deters et al. 2017. Modeling PM2.5 Urban Pollution Using Machine Learning and Selected Meteorological Parameters, Journal of Electrical and Computer Engineering, Volume 2017, Article ID 5106045. 

    상세보기

  16. Hamed Karimian et al. 2019, Evaluation of Different Machine Learning Approaches to Forecasting PM2.5 Mass Concentrations. Aerosol and Air Quality Research, 19: 1400-1410. 

    상세보기 crossref

  17. Guang Yang et al. 2020, A Hybrid Deep Learning Model to Forecast Particulate Matter Concentration Levels in Seoul, South Korea, Atomsphere, 11, 348; doi:10.3390/atmos11040348. 

    상세보기 crossref

  18. Lary D.J. et al. 2015, Using Machine Learning to Estimate Global PM2.5 for Environmental Health Studies. Environmental Health Insights 2015.9(S1):41-52. 

활용도 분석정보

상세보기
다운로드
내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로